Dynamic Latent Class Structural Equation Modeling: A Hands-On Tutorial for Modeling Intensive Longitudinal Data

1. 연구 배경 및 문제 제기 (Problem)

• 집중 종단 데이터 (ILD) 의 증가: 스마트폰, 웨어러블 기기 등의 발전으로 인해 개인의 심리, 생리, 행동 데이터를 고빈도로 측정하는 집중 종단 데이터 (Intensive Longitudinal Data, ILD) 가 임상 및 건강 심리학 분야에서 급증하고 있습니다.
• 기존 방법론의 한계:
  • 전통적인 종단 분석 (성장 혼합 모델 등) 은 시간에 따른 잠재 클래스 (State) 의 소속이 고정되어 있다고 가정하거나, 전환 확률이 개인 간에 동일하다고 가정합니다.
  • 동적 구조 방정식 모델 (DSEM) 은 시간적 의존성과 개인차를 고려할 수 있지만, 시간에 따라 급격히 변화하는 이산적인 상태 전환 (State Switching) 을 포착하는 데는 한계가 있습니다.
• 해결 필요성: 치료 반응의 비선형적 변화, 재발 유발 요인, 또는 치료 과정 중의 구조적 변화 (예: 치료 동맹의 차원 변화) 와 같은 복잡한 역동적 과정을 포착하기 위해, 개인별 전환 확률을 허용하고 잠재 상태가 시간에 따라 동적으로 변화할 수 있는 새로운 모델링 프레임워크가 필요합니다.

2. 방법론 (Methodology)

이 논문은 베이지안 접근법을 기반으로 JAGS 소프트웨어를 사용하여 **동적 잠재 클래스 구조 방정식 모델 (DLCSEM)**을 구현하는 단계별 가이드를 제공합니다.

A. 모델링 전략 (Stepwise Strategy)

복잡한 DLCSEM 을 구축하기 위해 다음과 같은 점진적 접근법을 제안합니다:

1. 확인적 요인 분석 (CFA): 각 시점별 측정 모델의 적합도와 측정 불변성 (Measurement Invariance) 을 평가합니다.
2. 시계열 및 다층 모델 (MLM): AR(1) 구조와 개인별/시점별 랜덤 효과 (Random Effects) 를 포함한 다층 모델을 구축하여 시간적 의존성과 개인차를 파악합니다.
3. 동적 구조 방정식 모델 (DSEM): 위 요소들을 결합하여 잠재 변수의 시간적 역동성을 모델링합니다.
4. 은닉 마코프 스위칭 모델 (HMSM) 통합: DSEM 에 잠재 상태 전환 (Latent State Switching) 메커니즘을 추가하여 최종 DLCSEM 을 완성합니다.

B. 핵심 모델 구성 요소

• DSEM (Dynamic SEM): 다층 구조 (Between-level: 개인차, Within-level: 시간 내 변화) 와 시계열 (AR, MA) 을 결합하여 측정 오차를 고려한 잠재 변수의 시간적 변화를 추정합니다.
• HMSM (Hidden Markov Switching Model): 관찰되지 않은 이산적인 상태 (State) 가 존재하며, 이 상태가 시간에 따라 마코프 성질 (과거 상태에 의존) 을 가지고 전환된다고 가정합니다.
• DLCSEM (Dynamic Latent Class SEM): DSEM 과 HMSM 을 결합하여, 각 상태마다 다른 구조 (예: 다른 요인 부하량, 다른 자기회귀 계수) 를 가질 수 있게 합니다. 또한, 개인별 전환 확률 (Random effects in transition probabilities) 을 허용합니다.

C. 데이터 및 분석 도구

• 데이터: 일반 불안 치료 (CBT) 를 받은 57 명의 환자에 대한 15 회기 (Time points) 의 종단 데이터 (Beck Anxiety Inventory, Working Alliance Inventory).
• 소프트웨어: R 환경과 JAGS (Just Another Gibbs Sampler) 를 사용하여 베이지안 MCMC (Markov Chain Monte Carlo) 추정을 수행했습니다.
• 사전 분포 (Priors): 약한 정보적 사전 분포 (Weakly informative priors) 를 사용하며, 상태 전환의 방향성을 제약하기 위해 절단 정규 분포 (Censored Normal) 등을 활용하여 식별성 (Identifiability) 을 확보했습니다.

3. 주요 결과 (Key Results)

논문은 6 가지 사례 연구 (Illustrations) 를 통해 모델의 적용 가능성을 입증했습니다.

• 측정 모델의 안정성 (H1): 불안 (BAI) 과 치료 동맹 (WAI) 척도의 요인 구조가 시간적으로 일관되지만, WAI 의 경우 시간이 지남에 따라 하위 요인 간의 상관관계가 증가하여 단일 요인 구조로 수렴하는 경향 ("Fusion") 을 발견했습니다.
• 개인차 및 시간적 역동성 (H2, H3, H4):
  • DSEM 분석을 통해 불안 수준에 상당한 개인차 (랜덤 절편) 와 시간적 의존성 (AR 계수) 이 존재함을 확인했습니다.
  • 사례 5 (DLCSEM 적용): 환자의 불안 수준이 점진적으로 감소하는 것이 아니라, 특정 시점 (대부분 5 회기 부근) 에서 **급격한 감소 (Sudden Gain)**가 발생하는 두 가지 상태 (비개선 상태 vs 개선 상태) 를 식별했습니다. 상태 전환 확률은 이전 세션의 불안 점수에 영향을 받았습니다.
• 구조적 변화 (H5):
  • 사례 6 (DLCSEM 적용): 치료 동맹 (WAI) 의 요인 구조가 시간에 따라 변화함을 보여주었습니다. 초기에는 3 요인 구조 (과업, 목표, 유대) 였으나, 후기에는 단일 요인 (전반적 동맹) 구조로 전환되는 "차원적 이동 (Dimensional Shift)"을 성공적으로 모델링했습니다. 이는 치료 동맹이 시간이 지남에 따라 통합되는 과정을 반영합니다.

4. 주요 기여 (Key Contributions)

1. 실용적 가이드 제공: DLCSEM 과 같은 고도로 복잡한 모델을 JAGS 에서 구현하는 구체적인 코드와 단계별 절차를 제공하여, 응용 연구자들이 이를 자신의 데이터에 적용할 수 있도록 돕습니다.
2. 이론적 확장: 기존 LTA(잠재 전환 분석) 와 GMM(성장 혼합 모델) 의 한계를 극복하고, 개별별 전환 확률과 상태별 구조적 차이를 동시에 모델링할 수 있는 DLCSEM 프레임워크를 정립했습니다.
3. 확인적 접근의 강조: 탐색적 방식이 아닌, 이론적 가설 (예: 치료 과정에서의 급격한 변화, 구조적 통합) 을 기반으로 상태를 정의하는 확인적 (Confirmatory) DLCSEM 접근법의 중요성을 강조했습니다.
4. 재현성 확보: 모든 분석 코드와 데이터를 GitHub 에서 공개하여 연구의 투명성과 재현성을 보장했습니다.

5. 의의 및 시사점 (Significance)

• 개인 맞춤형 치료 (Personalized Intervention): DLCSEM 은 개인의 치료 반응 패턴 (예: 언제 급격한 개선이 일어나는지) 을 실시간으로 분류하고 예측할 수 있게 하여, 시점에 맞춘 맞춤형 개입 (Just-in-Time Adaptive Interventions) 을 설계하는 데 기여합니다.
• 치료 메커니즘 이해: 치료 동맹과 같은 constructs 가 치료 과정에서 어떻게 진화하는지 (다차원에서 단차원으로의 통합 등) 를 규명함으로써, 치료의 작동 메커니즘에 대한 심층적인 통찰을 제공합니다.
• 방법론적 발전: ILD 분석을 위한 표준적인 방법론으로 DSEM 을 넘어 DLCSEM 을 정립함으로써, 심리학적 현상의 비선형적이고 역동적인 특성을 더 정확하게 포착할 수 있는 기반을 마련했습니다.

6. 제한점 및 향후 과제 (Limitations & Future Directions)

• 계산적 비용: 모델이 복잡해질수록 MCMC 수렴에 많은 계산 시간이 소요되며, 대규모 데이터셋 처리에 한계가 있습니다.
• 표본 크기 요구: 안정적인 추정을 위해 충분한 개인 수 (N ≥ 50) 와 측정 횟수 (T ≥ 25) 가 필요하며, 상태 전환이 드물게 발생하는 경우 추정이 불안정할 수 있습니다.
• 인과관계 해석: DLCSEM 은 연관성 (Association) 을 모델링하므로, 인과관계 (Causality) 를 주장하기 위해서는 추가적인 실험적 조작이나 강력한 식별 전략이 필요합니다.
• 모델 적합도 평가: DLCSEM 을 위한 명확하고 보편적인 모델 적합도 지수 (Fit Indices) 가 아직 부족하여, 연구자들이 여러 모델을 비교하고 이론적 타당성에 의존해야 하는 어려움이 있습니다.

결론적으로, 이 논문은 집중 종단 데이터의 복잡성을 해결하기 위한 강력한 통계적 도구인 DLCSEM 을 실용적으로 소개하고, 이를 통해 임상 심리학 분야에서 치료 과정의 역동성을 심층적으로 이해할 수 있는 새로운 길을 제시했습니다.