Analyzing directional errors in spatial orientation using nonparametric circular regression with mixed covariates

1. 연구 배경 및 문제 정의 (Problem)

• 배경: 공간 방향성은 감각 정보를 통합하여 방향을 업데이트하는 기본 인지 능력입니다. 시각 장애나 감각 정보가 제한된 환경에서는 방향성 정확도가 떨어지고 체계적인 편향 (bias) 이 발생할 수 있습니다.
• 데이터: Legge et al. (2016b) 의 실험 데이터를 사용했습니다. 64 명의 참가자 (시각 정상, 저시력, 맹인) 가 5 가지 감각 조건 (Control, Preview, Forward Facing, Auditory, Deprivation) 하에서 공간 업데이트 작업을 수행했습니다.
• 반응 변수 (Response): 목표 방향과 보고된 방향 간의 **부호 있는 각도 오차 (signed angular error)**입니다. 이는 $(-\pi, \pi]$ 범위의 원형 데이터 (circular data) 입니다.
• 예측 변수 (Predictors):
  • 연속형: 목표까지의 거리 (Target distance).
  • 범주형: 감각 조건 (Sensory condition).
• 문제점: 기존 선형 회귀는 원형 데이터에 부적합하며, 기존 원형 회귀 방법론은 주로 연속형 예측 변수만 다룹니다. 연속형과 범주형 예측 변수가 혼합된 상황에서 데이터 기반의 대역폭 선택 (bandwidth selection) 과 불확실성 정량화 (uncertainty quantification) 를 위한 실용적인 방법론이 부족했습니다.

2. 방법론 (Methodology)

저자들은 곱 커널 (product-kernel) 기반의 Nadaraya-Watson (NW) 추정량을 제안하여 혼합 공변량을 처리합니다.

• 모델: 원형 회귀 함수 $m(x, z)$는 각도 위험 (angular risk) 을 최소화하는 것으로 정의되며, $\sin(\Theta)$와 $\cos(\Theta)$에 대한 두 개의 보조 선형 회귀 모델의 조건부 기대값을 결합하여 추정합니다.
• 추정량:
  • 연속형 변수 $x$와 범주형 변수 $z$에 대해 가중치 $w_i(x, z)$를 곱 커널 형태로 정의합니다.
  • $w_i(x, z) \propto K_h(x - X_i) \cdot L_\lambda(z, Z_i)$
  • 여기서 $K_h$는 연속형 커널 (예: 가우시안), $L_\lambda$는 범주형 커널 (예: Aitchison-Aitken) 입니다.
• 점근적 성질: 추정량의 점근적 편향 (bias) 과 분산 (variance) 식을 유도했습니다.
  • 편향은 연속형 변수에 의한 $O(h^2)$ 항과 범주형 변수에 의한 $O(\lambda)$ 항으로 구성됩니다.
  • 분산은 $O(1/nh^k)$의 차수를 가집니다.
• 대역폭 선택 (Bandwidth Selection):
  • **교차 검증 (Cross-Validation, CV):**Leave-one-out 원형 예측 손실 (cosine loss) 을 최소화합니다.
  • 부트스트랩 (Bootstrap): 원형 데이터에 특화된 코사인 손실 (cosine loss) 을 기반으로 한 잔차 부트스트랩 방법을 제안했습니다. 이는 CV 보다 더 안정적인 성능을 보입니다.
  • 규칙의 엄지손가락 (Rule-of-Thum, RoT): 표본 크기와 공변량의 스케일에 기반한 간단한 계산식 제공.
• 동시 신뢰 구간 (Simultaneous Confidence Bands): 부트스트랩을 사용하여 회귀 함수 전체에 대한 동시 신뢰 구간을 구성하는 알고리즘을 개발했습니다. 이는 특정 거리 구간에서 오차가 0 인가 여부를 통계적으로 검정할 수 있게 합니다.

3. 주요 기여 (Key Contributions)

1. 혼합 공변량 원형 회귀 프레임워크: 연속형과 범주형 예측 변수를 동시에 처리하는 비모수 원형 회귀 추정량을 제안하고, 그 점근적 성질 (편향, 분산) 을 이론적으로 증명했습니다.
2. 데이터 기반 대역폭 선택기 개발: 원형 데이터의 특성 (코사인 손실) 을 반영한 부트스트랩 대역폭 선택 기준을 개발하고, CV 및 RoT 와 비교하여 우수성을 입증했습니다.
3. 불확실성 정량화: 부트스트랩을 이용한 동시 신뢰 구간 구성 방법을 제안하여, 회귀 곡선의 전역적 신뢰도를 평가할 수 있게 했습니다.
4. 실제 데이터 적용 및 R 패키지: 제안된 방법론을 공간 방향성 데이터에 적용하여 비선형적이고 조건별 패턴을 발견했으며, 모든 방법을 구현한 R 패키지 circMixedReg를 공개했습니다.

4. 결과 (Results)

시뮬레이션 연구 (Simulation Study)

• 다양한 시나리오 (표본 크기 $n$, 노이즈 수준 $\kappa$, 회귀 함수 복잡도) 에서 세 가지 선택기 (CV, Bootstrap, RoT) 를 비교했습니다.
• 성능: 부트스트랩 선택기 ($H_{boot}$) 가 평균 제곱 오차 (CASE) 측면에서 가장 낮은 오차를 보였으며, 특히 표본 크기가 작거나 회귀 함수가 복잡한 경우 CV 보다 우월한 안정성을 보였습니다.
• RoT: 계산 비용은 낮았으나 과소적합 (oversmoothing) 경향이 있어 대역폭이 실제 최적값보다 큰 경향이 있었습니다.

실제 데이터 분석 (Spatial Orientation Data)

• 전체적 경향: 시각 정보가 제한될수록 (Auditory, Deprivation) 방향성 오차의 분산이 커지고 체계적인 편향이 발생했습니다.
• 조건별 패턴 (거리와 오차의 관계):
  • Control (전체 감각): 오차가 0 에 가깝고 신뢰 구간이 좁아 안정적입니다.
  • Auditory (청각만): 거리가 증가함에 따라 오차가 점진적으로 양의 방향으로 증가 (drift) 하는 경향을 보였습니다.
  • Deprivation (감각 박탈): 짧은 거리에서 오차가 급격히 증가하다가 중간 거리에서 완만해지고 다시 증가하는 복잡한 비선형 패턴을 보였습니다.
  • Preview (시각 미리보기): 비단조적인 (nonmonotone) 패턴을 보였습니다.
• 통계적 유의성: 부트스트랩 동시 신뢰 구간을 통해, 특정 감각 조건에서 거리가 증가함에 따라 평균 오차가 0 에서 유의하게 벗어남을 확인했습니다.
• 2 차원 확장: 목표 거리와 거리 추정 오차 (보고된 거리 - 실제 거리) 를 동시에 예측 변수로 사용한 모델은 단일 예측 변수 모델보다 적합도 (CASE) 가 향상되었습니다.

5. 의의 및 결론 (Significance)

• 인지과학 및 재활: 이 연구는 감각 제한 환경에서 공간 방향성 오차가 단순히 무작위적이지 않고, 거리와 감각 조건에 따라 구조화된 비선형 패턴을 가짐을 통계적으로 입증했습니다. 이는 시각 장애인의 재활 전략 및 보조 기술 설계에 중요한 통찰을 제공합니다.
• 통계 방법론적 기여: 원형 데이터 분석 분야에서 혼합 공변량을 처리하는 체계적인 방법론과 신뢰 구간 구성 방법을 제공했습니다. 기존의 ANOVA/ANCOVA 방식이나 단순한 그룹 평균 비교를 넘어, 연속형 변수 (거리) 에 따른 미묘한 비선형 변화를 포착할 수 있습니다.
• 실용성: 제안된 방법론은 R 패키지 circMixedReg를 통해 오픈 소스로 제공되어, 다른 연구자들이 원형 반응 변수와 혼합 예측 변수를 가진 데이터를 분석하는 데 활용할 수 있습니다.

요약하자면, 이 논문은 비모수 원형 회귀를 통해 감각 조건과 거리가 인간의 방향성 오차에 미치는 복합적이고 비선형적인 영향을 정량화했으며, 이를 위해 부트스트랩 기반의 대역폭 선택 및 신뢰 구간 추정이라는 새로운 통계적 도구를 개발하고 검증했습니다.