RESAPLE: An Approximate One-Step Restricted Likelihood Estimator of Spatial Dependence for Exploratory Spatial Analysis

1. 연구 배경 및 문제 제기 (Problem)

• 공간 자기상관 분석의 현황: 공간 통계 및 계량경제학에서 공간 의존성 (Spatial Dependence) 을 평가하기 위해 Moran's $I$ 지수나 근사 프로파일 가능도 추정량 (APLE, Approximate Profile Likelihood Estimator) 이 널리 사용됩니다.
• 기존 방법의 한계:
  • Moran's $I$: 탐색적 공간 데이터 분석 (ESDA) 에 유용하지만, 공간 의존성 모수 ($\rho$) 의 추정량으로는 편향 (Bias) 이 크며, 특히 $\rho$가 0 에서 멀어질 때 추정 성능이 떨어집니다.
  • APLE 및 MAPLE: APLE 은 $\rho$에 대한 1 단계 추정량으로 계산이 간편하지만, 공변량 (Covariates) 이 포함된 회귀 모델에서 잔차 (Residuals) 를 기반으로 할 때, 공변량의 처리 방식 (고정 효과 제거) 과 가능도 함수 (Likelihood) 간의 불일치가 발생합니다.
  • 핵심 문제: 실제 응용 연구에서는 공변량을 보정한 후 잔차에 대해 공간 의존성을 분석하는 것이 일반적입니다. 그러나 기존 APLE 계열의 추정량은 전체 프로파일 가능도 (Full Profile Likelihood) 에 기반하여 공변량 계수 ($\beta$) 를 nuisance parameter 로 취급하는 반면, 실제 분석 워크플로는 공변량을 먼저 제거한 후 잔차 공간에서 분석을 수행합니다. 이 불일치로 인해 공변량이 포함된 상황에서 기존 추정량의 성능이 저하될 수 있습니다.

2. 방법론 (Methodology)

저자들은 RESAPLE (Restricted APLE) 을 제안하며, 이는 가우시안 공간 오차 모델 (Spatial Error Model, SEM) 에서 공변량을 보정한 후의 잔차 공간에 기반한 제한 가능도 (Restricted Likelihood, REML) 관점을 따릅니다.

• 모델 정의:
  • $Z = X\beta + U$, $U = \rho W U + \epsilon$
  • 여기서 $Z$는 관측치, $X$는 설계 행렬 (공변량), $\beta$는 회귀 계수, $W$는 공간 가중 행렬, $\rho$는 공간 의존성 모수입니다.
• 잔차 공간 (Residual Space) 구성:
  • 공변량 $X$의 영향을 제거하기 위해 투영 행렬 $M = I - X(X^TX)^{-1}X^T$를 정의합니다.
  • $X$의 직교 여기저기 (Orthogonal complement) 인 기저 행렬 $H$를 사용하여 잔차 변환 $e = H^T Z$를 정의합니다. 이 $e$는 $\beta$에 의존하지 않으며 오차항 $U$의 정보만을 포함합니다.
• RESAPLE 추정량 도출:
  • $\rho=0$에서의 제한 프로파일 스코어 (Restricted Profile Score) 방정식을 기반으로 1 단계 근사 추정량을 유도합니다.
  • 공식:
    $$\hat{\rho}_{RESAPLE} = \frac{e^T (K_r - \mu_r I_r) e}{e^T (W_r^T W_r + \nu_r I_r) e}$$
    • $W_r = H^T W H$, $K_r = (W_r + W_r^T)/2$
    • $\mu_r, \nu_r$은 각각 $K_r$과 $W_r^T W_r$의 대각합 (Trace) 을 차원으로 나눈 값입니다.
  • 이 추정량은 Rayleigh 계수 (Rayleigh coefficient) 의 형태를 가지며, 공변량 $X$의 재매개변수화 (Reparameterization) 에 불변 (Invariant) 입니다.
• ESDA 도구로서의 확장:
  • 검정 (Testing): 정규 분포 가정 하의 정확한 검정, 퍼뮤테이션 (Permutation) 검정, 점근적 $z$-검정 등 다양한 검정 방식을 제공합니다.
  • 산점도 (Scatterplot): Moran 산점도와 유사하게, RESAPLE 산점도를 구성하여 단위별 기여도 (Local contributions) 를 시각화할 수 있습니다.
  • 공간 가중 행렬 ($W$) 선택 가이드: 제한 정보량 (Restricted Fisher Information, $\mathcal{I}_r(0)$) 을 계산하여, 공변량 보정 후 공간 의존성을 탐지하는 데 가장 효과적인 가중 행렬을 선택하는 기준을 제공합니다.

3. 주요 기여 및 결과 (Key Contributions & Results)

가. 이론적 기여

• REML 기반의 일관된 프레임워크: 공변량이 있는 공간 회귀 모델에서 잔차 기반의 탐색적 분석을 REML 관점에서 체계화했습니다.
• 불변성 (Invariance): 추정량이 공변량 행렬 $X$의 기저 선택이나 재매개변수화에 영향을 받지 않음을 증명했습니다.
• 국소 정보량 (Local Information): $\mathcal{I}_r(0)$을 통해 가중 행렬 $W$의 선택이 검정력 (Power) 에 미치는 영향을 분석적으로 설명했습니다.

나. 시뮬레이션 결과

• 편향 및 RMSE: 다양한 샘플 크기 ($n$), 공변량 차원 ($p$), 그리고 공간 위상 (정규 격자 및 불규칙 그래프) 에서 RESAPLE 은 Moran's $I$, APLE, MAPLE, 그리고 REML 추정량과 비교했을 때 가장 낮은 RMSE (평균 제곱근 오차) 를 보였습니다. 특히 $n$이 작거나 $p$가 큰 경우 (잔차 자유도가 작은 경우) 편향 감소 효과가 두드러졌습니다.
• 검정력 (Power): 공변량이 포함된 상황에서 공간 자기상관 존재 여부 ($H_0: \rho=0$) 를 검정할 때, RESAPLE 기반 검정은 기존 방법들보다 더 높은 검정력을 보여주었습니다.
• 가중 행렬 선택: $\mathcal{I}_r(0)$ 값이 클수록 검정력이 높아지는 경향이 있음을 확인하여, $W$ 선택 시 실용적인 가이드라인을 제공했습니다.

다. 실증 분석 (Case Study)

• 데이터: 미국 워싱턴주 킹 카운티 (King County) 의 인구조사 구역 (Tract) 단위 중위 가구 소득 데이터 (ACS 2019-2023) 를 사용했습니다.
• 분석: 다양한 공변량 모델 (소득, 교육, 실업률, 지리적 좌표 등) 을 적용하여 잔차 공간의 공간 의존성을 분석했습니다.
• 결과: RESAPLE 은 REML 추정량 (Gold Standard) 과 가장 유사한 값을 보였으며, Moran's $I$나 APLE 보다 공변량 보정 후의 공간 의존성을 더 정확하게 추정했습니다. 또한, RESAPLE 산점도와 지역 기여도 지도를 통해 시애틀 지역과 같은 고소득 지역의 공간적 이상치 패턴을 명확히 식별했습니다.

4. 의의 및 결론 (Significance)

• 실무적 적합성: 실제 공간 데이터 분석에서 공변량을 보정한 후 잔차를 분석하는 표준 워크플로우와 이론적으로 완벽하게 정합 (Alignment) 되는 첫 번째 ESDA 도구입니다.
• 계산 효율성과 정확성의 균형: REML 기반의 정확한 추정 (계산 비용이 높음) 과 Moran's $I$의 계산 효율성 사이에서 최적의 균형을 제공합니다. 1 단계 추정량으로서 계산이 간편하면서도 REML 과 유사한 정확도를 가집니다.
• 공간 가중 행렬 선택의 모호성 해소: 공간 분석에서 가장 흔한 문제 중 하나인 "어떤 공간 가중 행렬 ($W$) 을 선택해야 하는가?"에 대해, 제한 정보량 ($\mathcal{I}_r(0)$) 을 기준으로 객관적인 선택 기준을 제시합니다.
• 확장 가능성: 이 프레임워크는 SAR-Lag 모델이나 다른 분산 성분 모델 등으로 확장될 수 있는 잠재력을 가지고 있습니다.

요약하자면, RESAPLE 은 공변량이 포함된 공간 데이터 분석에서 기존 방법들의 편향과 불일치 문제를 해결하고, 계산 효율성을 유지하면서 REML 수준의 정확도를 제공하는 혁신적인 탐색적 공간 분석 도구입니다.