M-SGWR: Multiscale Similarity and Geographically Weighted Regression

기술 요약: M-SGWR: 다중 척도 유사성 및 지리적 가중 회귀 (Multiscale Similarity and Geographically Weighted Regression)

문제 제기
지리적 가중 회귀(GWR) 및 다중 척도 GWR(MGWR)과 같은 전통적인 국지적 회귀 모델은 토블러의 지리학 제1법칙을 준수하며, 공간적 관계를 정량화하기 위해 오로지 지리적 근접성(물리적 거리)에만 의존한다. 그러나 세계화와 디지털 연결성이 가속화되는 시대에 지리적 거리만으로는 위치 간의 상호 연결성을 포착하기에 불충분한 경우가 많다. 질병 확산, 사회적 네트워크 결속, 경제적 흐름과 같은 현상은 물리적 가까움보다는 "기능적 연결성" 또는 속성 유사성(예: 공유된 언어, 이동 경로, 사회경제적 맥락)에 의해 구동되는 경우가 빈번하다. 또한, 기존의 MGWR과 같은 모델은 변수별 공간 척도(대역폭)를 허용하지만, 여전히 공간적 의존성을 단일 차원(지리적 공간)으로 제한한다. 저자들은 균일한 척도를 가정하거나 유클리드 거리에만 의존하는 것이 편향된 추정치를 초래할 수 있으며, 특히 "원격 근접성"(속성 공간에서의 유사성)이 중요한 역할을 할 때 공간적 상호작용을 잘못 표현할 수 있다고 주장한다.

방법론
본 논문은 두 가지 차원, 즉 지리적 공간과 속성(변수) 공간에 걸쳐 공간적 상호작용을 특징짓는 새로운 국지적 회귀 프레임워크인 **M-SGWR(Multiscale Similarity and Geographically Weighted Regression)**을 제안한다.

1. 이중 가중치 행렬: 각 예측 변수 $j$에 대해 모델은 두 개의 별도 가중치 행렬을 구축한다:
   • 지리적 가중치 행렬 ($W_G^{(j)}$): 거리 감쇠(적응형 비스퀘어 커널 사용)를 기반으로 한다.
   • 속성 유사성 가중치 행렬 ($W_S^{(j)}$): 예측 변수 값들 사이의 유사성을 기반으로 하며, 국지적 표준 편차에 의해 정규화된다.
2. 변수별 혼합 파라미터 ($\alpha$): 모든 예측 변수에 단일한 전역 혼합 파라미터 ($\alpha$)를 적용하는 SGWR 모델과 달리, M-SGWR은 각 독립 변수에 고유한 $\alpha_j$를 할당한다. 이 파라미터는 0에서 1 사이의 값을 가지며, 지리적 근접성과 속성 유사성의 상대적 기여도를 조절한다:
   • $\alpha_j \approx 1$: 관계가 주로 지리적 근접성에 의해 구동됨.
   • $\alpha_j \approx 0$: 관계가 주로 속성 유사성에 의해 구동됨.
   • $0 < \alpha_j < 1$: 두 차원이 모두 기여하는 혼합 효과.
3. 다중 척도 최적화: 모델은 각 예측 변수에 대해 두 가지 파라미터를 동시에 최적화하기 위해 **백피팅 알고리즘(backfitting algorithm)**을 사용한다:
   • 대역폭 ($bw_j$): 각 변수의 공간적 척도(국지적 vs. 전역적 변동)를 제어한다.
   • 혼합 파라미터 ($\alpha_j$): 지리적 가중치와 속성 가중치 사이의 균형을 제어한다.
   • 최적화는 AICc 또는 교차 검증(CV) 점수를 사용하여 수행되며, 후보 대역폭에 대한 최적의 $\alpha$를 찾기 위해 분할 정복(divide-and-conquer) 또는 탐욕적 힐 클라이밍(greedy hill-climbing) 전략을 활용한다.
4. 수학적 공식: 위치 $i$에서의 국지적 계수 $\beta_j$는 $\alpha_j$와 $(1-\alpha_j)$에 의해 가중치가 부여된 $W_G^{(j)}$와 $W_S^{(j)}$의 선형 결합인 결합 가중치 행렬 $W_{GS}^{(j)}$를 사용하는 가중 최소 제곱법을 통해 추정된다.

주요 기여

• SGWR의 다중 척도 확장: 본 논문은 변수별 대역폭과 혼합 파라미터를 도입함으로써 SGWR 프레임워크를 확장하여, 순수하게 지리적인 과정, 순수하게 속성 중심적인 과정, 또는 혼합된 과정을 구분할 수 있게 하였다.
• 통합 프레임워크: M-SGWR은 GWR, SGWR, MGWR을 특수한 경우로 포함하는 통합 모델로 제시된다. 최적화된 파라미터에 따라, 이 모델은 표준 GWR(단일 대역폭, $\alpha=1$), SGWR(단일 대역폭, 혼합 $\alpha$), 또는 MGWR(변수 대역폭, $\alpha=1$)로 축소될 수 있다.
• 비매끄러운 공간 프로세스 처리: 속성 유사성을 통합함으로써, 모델은 전통적인 거리 기반 커널이 과도하게 매끄럽게 만드는(over-smooth) 경향이 있는 "원격 근접성" 및 파편화된 공간 패턴을 포착할 수 있다.

결과
연구는 두 가지 시뮬레이션 실험과 한 가지 실증 적용(미국 동남부의 COVID-19 사례 수)을 통해 M-SGWR을 평가하였다:

1. 혼합 효과 시뮬레이션: 일부 계수는 매끄러운 지리적 표면을 따르고 다른 계수는 불규칙한 속성 중심적 패턴을 따르는 데이터셋에서, M-SGWR은 MGWR보다 유의미하게 우수한 성능을 보였다.
   • M-SGW가 모든 계수에서 더 낮은 평균 제곱근 오차(RMSE)를 달성했다.
   • M-SGWR은 순수 지리적 변수에 대해서는 $\alpha=1$을, 혼합 변수에 대해서는 $\alpha < 1$을 정확히 식별해 냈으나, MGWR은 비매끄러운 속성 중심적 변동을 포착하지 못하고 과도하게 매끄러운 추정치를 생성했다.
   • 적합도 지표(수정된 $R^2$, AICc, RSS) 역시 M-SGWR에서 더 우수했다.
2. 순수 지리적 시뮬레이션: 데이터가 순수하게 지리적 근접성에 의해 생성되었을 때, M-SGWR은 MGWR 솔루션(모든 $\alpha_j = 1$)으로 수렴하였으며, 이는 모델이 불필요할 때 속성 가중을 강제하지 않고 기존의 지리적 가중 방식과 일관성을 유지함을 입증한다.
3. 실증 적용 (COVID-19): 카운티 단위 데이터에 적용했을 때, M-SGWR은 모든 지표에서 OLS, GWR, SGWR, MGWR보다 뛰어난 성능을 보였다 (수정된 $R^2$가 MGWR의 0.701에서 M-SGWR의 0.782로 증가; AICc 및 RMSE 최소화).
   • 모델은 히스패닉 인구 비율 및 중위 소득과 같은 예측 변수가 낮은 $\alpha$ 값(예: 0.143 및 0.205)을 가짐을 밝혀냈으며, 이는 이들이 COVID-19 사례에 미치는 영향이 물리적 근접성보다는 사회경제적 유사성에 의해 구동됨을 나타낸다.
   • 잔차 공간 자기상관(Moran's I)은 다른 모델들에 비해 M-SGWR에서 감소하였다.

의의 및 주장
본 논문은 M-SGWR이 복잡하고 전 지구적으로 연결된 세상에서 공간적 상호작용을 더욱 미묘하고 정확하게 표현할 수 있다고 주장한다. 지리적 거리에 대한 제약을 넘어섬으로써, 모델은 "가깝다"와 "관련이 있다"는 개념이 다차원적임을 인정한다. 저자들은 M-SGWR이 각 예측 변수가 공간적 가중치와 속성 기반 가중치 사이의 균형을 스스로 "학습"할 수 있게 함으로써 모델 적합도, 추론 및 해석력을 향상시킨다고 단언한다. 이러한 유연성은 전통적인 모델이 놓치기 쉬운 "원격 근접성"을 포함한 복잡한 공간 패턴을 포착할 수 있게 한다. 연구는 지리적 거리가 순수하게 물리적인 과정에는 여전히 유효하지만, 현대의 사회적 상호작용을 완전히 이해하기 위해서는 속성 공간의 통합이 필요하다고 결론짓는다.

저자가 인정한 한계점
저자들은 M-SGWR이 $\alpha$의 추가 최적화 및 속성 가중치 계산으로 인해 MGWR보다 계산 집약적이라는 점을 언급했다. 그들은 향후 연구에서 대역폭과 $\alpha$의 동시 최적화, 로컬 미니마(local minima)를 피하기 위한 대안적인 메타휴리스틱 탐색 방법, 그리고 더 큰 데이터셋을 처리하기 위한 병렬 컴퓨팅의 적용을 탐구할 것을 제안한다. 또한 더 넓은 범위의 데이터셋과 커널 함수에 대해 모델을 테스트할 것을 권고한다.