관계적 사건 모델링 (Relational Event Modelling, REM) 소개: 기술적 요약

이 문서는 Martina Boschi 와 Ernst-Jan Camiel Wit 에 의해 작성된 "Introduction to Relational Event Modelling"이라는 제목의 프리프린트 논문으로, 관계적 사건 모델링 (REM) 에 대한 실용적인 튜토리얼을 제공합니다. 이 논문은 기존 이론적 검토와 에세이를 보완하여, 최신 발전 사항을 반영한 REM 의 구현, 시뮬레이션, 그리고 다양한 실증 적용 사례를 다루고 있습니다.

1. 문제 제기 (Problem)

현대 사회 및 자연 현상에서 발생하는 상호작용 (이메일, 통화, 인용, 금융 거래, 질병 전파 등) 은 단순한 네트워크 상태가 아니라 **특정 시점에 발생하는 관계적 사건 (Relational Events)**으로 이해되어야 합니다.

• 기존 접근법의 한계: 전통적인 동적 네트워크 모델은 이산적인 시간 간격으로 데이터를 집계하여 정적 네트워크의 변화를 분석하는 데 중점을 두었습니다. 이는 사건의 순간적 특성 (instantaneous nature) 과 시간적 순서에 대한 정보를 손실하게 만듭니다.
• 필요성: 사건의 발생 시점, 빈도, 그리고 과거 사건들이 미래 사건에 미치는 영향을 정밀하게 분석할 수 있는 프레임워크가 필요합니다. 특히, 선형적 가정을 넘어 비선형적 효과와 시간 가변적 효과를 포착할 수 있는 유연한 모델링이 요구됩니다.

2. 방법론 (Methodology)

이 논문은 REM 을 **일반화 가법 모델 (Generalized Additive Models, GAMs)**의 프레임워크로 확장하여 제시합니다. 주요 방법론적 구성 요소는 다음과 같습니다.

2.1. 모델의 기본 형식

관계적 사건 $e_i = (s_i, r_i, t_i)$ (발송자 $s$, 수신자 $r$, 시간 $t$) 의 발생 위험도 (hazard rate, $\lambda_{sr}(t)$) 를 모델링합니다.
$$\lambda_{sr}(t) = I_{sr}(t) \times \lambda_0(t) \times \exp\{f[x_{sr}(t)]\}$$

• $I_{sr}(t)$: 위험 집합 (risk set) 내의 사건인지 여부를 나타내는 지표.
• $\lambda_0(t)$: 기준 위험도 (baseline hazard). 시간에 따라 변하거나 전역적 (global) 인 공변량을 포함할 수 있음.
• $f[x_{sr}(t)]$: 공변량의 효과. 선형 효과뿐만 아니라 **비선형 효과 (splines)**와 시간 가변적 효과를 포함할 수 있음.

2.2. 공변량 (Covariates)

• 내생적 공변량 (Endogenous): 과거 사건들의 이력 (history) 에서 도출된 네트워크 통계량 (예: 상호성, 반복, 전이적 폐쇄, 발신자 활동도 등).
• 외생적 공변량 (Exogenous): 시스템 외부의 정보 (예: 거리, 무역량, 요일, 시간대 등).
• 잠재 효과 (Latent Effects): 관찰되지 않은 이질성을 설명하기 위한 무작위 효과 (Random Effects) 또는 잠재 공간 (Latent Space) 모델링.

2.3. 추정 기법 (Inference Techniques)

전체 위험 집합 (full risk set) 을 고려하는 것은 계산 비용이 매우 크므로, 다음과 같은 효율적인 추정 기법을 다룹니다.

• 부분 가능도 (Partial Likelihood): Cox 비례위험 모델과 유사한 접근법.
• 중첩 사례 - 대조군 샘플링 (Nested Case-Control, NCC): 각 사건 발생 시점에 관찰된 사건 (case) 과 위험 집합에서 샘플링된 비사건 (controls) 만을 사용하여 계산 효율성을 높임.
• 이중 사례 - 대조군 (Case-Control) 및 GAM: 비사건을 1 개만 샘플링하고, 사건과 비사건의 공변량 차이를 사용하여 로지스틱 회귀 (GAM) 로 변환하여 추정. 이를 통해 비선형 효과와 **스무딩 (smoothing)**을 용이하게 구현합니다.
• 시프트된 과정 (Shifted Counting Process): 전역 공변량 (global covariates) 의 효과를 추정하기 위해 시간 시프트 (time-shift) 기법을 도입하여 공변량의 상쇄 문제를 해결합니다.
• 최대 가능도 추정 (MLE) 및 기계학습: 확률적 경사 상승법 (Stochastic Gradient Ascent, ADAM) 과 신경망 (Neural Additive Models) 을 활용한 대규모 데이터 처리 기법도 소개됩니다.

2.4. 모델 평가 및 검증

• 모델 선택: 수정된 조건부 AIC (Corrected Conditional AIC) 를 사용하여 복잡한 모델 (비선형, 무작위 효과 포함) 간의 최적 모델을 선택합니다.
• 적합도 검정 (Goodness-of-Fit): 마팅갈 잔차 (martingale residuals) 의 누적 합을 기반으로 한 Kolmogorov-Smirnov 유형의 검정을 통해 모델의 가정이 데이터와 일치하는지 검증합니다.

3. 주요 기여 (Key Contributions)

1. 실용적 튜토리얼 제공: REM 에 대한 이론적 배경뿐만 아니라, **R 언어 (mgcv, survival, eventnet 패키지)**를 이용한 실제 데이터 시뮬레이션, 모델 피팅, 결과 해석을 위한 구체적인 코드와 절차를 제공합니다.
2. GAM 프레임워크 통합: REM 을 GAM 과 통합하여 비선형 효과와 시간 가변적 효과를 유연하게 모델링할 수 있음을 보여줍니다. 이는 기존 선형 REM 의 한계를 극복합니다.
3. 계산 효율성 및 확장성: 대규모 데이터셋 (수백만 개의 사건) 에 적용 가능한 NCC 샘플링, 시프트된 과정, 그리고 기계학습 기반 추정 기법을 체계적으로 정리합니다.
4. 다양한 적용 사례 제시:
   • 합성 데이터: 모델의 편향 없는 추정 능력을 검증.
   • WTC 응급 통신 데이터: 재난 상황에서의 통신 패턴 분석 (선형 모델).
   • 외래종 침입 데이터: 종과 지역 간의 이원적 (bipartite) 네트워크 분석 (비선형 및 무작위 효과 포함).
   • 회사 내 이메일 데이터: 시간대, 요일 등 전역 공변량과 내부 시간적 메커니즘 (상호성 등) 의 비선형적 상호작용 분석.

4. 결과 (Results)

• 시뮬레이션 결과: 제안된 추정 기법 (시프트된 NCC 포함) 은 선형 및 비선형 공변량에 대해 편향 없는 (unbiased) 계수 추정을 제공하며, 실제 데이터 생성 과정을 정확하게 복원함을 확인했습니다.
• 실증 분석 결과:
  • 외래종 침입: 무역의 영향이 시간에 따라 감소하는 경향 (시간 가변적 효과) 을 발견했으며, 거리의 영향은 비선형적으로 나타났습니다 (짧은 거리는 높지만, 매우 먼 거리는 다시 감소하는 등 복잡한 패턴). 또한 특정 종의 침입성 (invasiveness) 을 설명하는 무작위 효과가 유의미했습니다.
  • 이메일 통신: 상호성 (reciprocity) 의 효과는 시간이 지남에 따라 감소하는 경향이 있지만, 요일과 시간대 (Time of Day) 와 같은 전역적 요인을 통제함으로써 이러한 패턴이 명확해짐을 보였습니다. 이메일 활동은 하루 중 특정 시간대 (오전 8 시~오후 3 시) 에 집중되는 비선형 패턴을 보였습니다.
  • WTC 통신: 상호성과 발신자/수신자의 역할 (조정자 여부) 이 통신 발생 확률에 유의미한 영향을 미쳤으며, 전이적 폐쇄 (transitive closure) 는 경로 단축 동기를 반영했습니다.

5. 의의 및 의의 (Significance)

• 학문적 기여: REM 을 단순한 기술적 도구를 넘어, **이벤트 역사 분석 (Event-History Analysis)**과 네트워크 모델링의 교차점에 있는 강력한 통계적 프레임워크로 정립했습니다.
• 실용적 가치: 복잡한 사회과학, 생태학, 의학, 금융 데이터에서 발생하는 동적 상호작용을 이해하는 데 필수적인 도구를 제공합니다. 특히 비선형성과 시간 의존성을 고려할 수 있어 기존 모델보다 현실을 더 잘 반영합니다.
• 미래 연구 방향: REM 의 계산 효율성 향상, 인과 추론 (Causal Inference) 과의 결합, 그리고 초사건 (Hyper-events, 다중 참여자 상호작용) 모델링으로의 확장을 위한 기초를 마련했습니다.

결론적으로, 이 논문은 관계적 사건 모델링을 이론, 시뮬레이션, 실증 분석을 아우르는 포괄적인 가이드로 제시하며, 연구자들이 복잡한 동적 네트워크 데이터를 효과적으로 분석할 수 있는 접근성을 크게 높였습니다.