From Structural Equation Modelling to Double Machine Learning: Robustness Analysis for Survey-Based Research

기술 요약: 구조방정식 모델링에서 이중 머신러닝으로

문제 제기
구조방정식 모델링(SEM)은 잠재적 구성 개념(예: 신뢰, 만족도, 의도)을 포함하는 설문 기반 연구의 표준 프레임워크이다. SEM은 측정 모델을 평가하고 이론 중심의 구조적 관계를 추정하는 데 효과적이지만, 경로의 유의성은 특정 모델 명세에 의존한다. SEM에서의 유의한 경로 계수가 대안적인 추정 프레임워크, 점수 표현 방식 또는 유연한 통제 조절 하에서도 안정성을 갖는다는 것을 본질적으로 입증하지는 못한다. 결과적으로, 연구자들은 핵심 관계가 잠재 변수 모델링에서 전통적인 회귀 분석이나 머신러닝 기반의 조절 방식으로 전환될 때 어떻게 견고하게 유지되는지를 결정할 수 있는 체계적이고 투명한 워크플로우가 부족한 실정이다. 최근 문헌은 정보 시스템 분야에 이중 머신러닝(Double Machine Learning, DML)을 도입하고 이를 핀테크 맥락에 적용했으나, DML이 잠재 구성 개념 모델을 위한 post-SEM, 경로별(path-by-path) 강건성 진단 도구로서 활용되는 경우는 드물다.

방법론: 단계별 SEM–OLS–DML 프레임워크
본 논문은 SEM, 최소제곱회귀(OLS), 그리고 이중 머신러닝(DML)을 통합하는 2개 층, 8단계의 강건성 프레임워크를 제안한다. 이 워크플로우는 머신러닝이 SEM을 대체하는 것이 아니라 보완하도록 설계되어, 강건성 증거의 생성과 해석을 분리한다.

1. 레이어 1: 증거 생성

   • 측정 정교화 및 기초 SEM: 과정은 측정 모델을 정교화하는 것(지표 타당성, 신뢰도 및 적합도 검증)에서 시작된다. 결정적으로, 유의성에 기반하여 경로를 제거하기 전에 전체 이론 명시적 구조 모델을 "강건성-기초 SEM 모델"로서 재추정한다.
   • 점수 구축: 두 가지 유형의 응답자 수준 구성 점수를 생성한다: (a) 잠재 구조와 요인 적재량을 보존하는 SEM 요인 점수(factor scores), (b) 투명하고 단순한 벤치마크인 평균 합성 점수(mean composite scores).
   • SEM-to-Regression 변환: 기초 SEM의 각 구조적 경로는 OLS 및 DML를 위한 경로별 명세로 변환된다. 구조 방정식 $Y \sim D + X$에 대하여, 핵심 예측 변수 $D$는 관심 변수이며, 동일 방정식 내의 다른 예측 변수 $X$는 공통 예측 통제 변수로 취급된다.
   • OLS 벤치마크: 구성 점수에 대해 OLS 회귀를 실행하여 투명한 선형 벤치마크를 제공한다. 이는 SEM이 시사하는 경로 패턴이 전통적인 회귀 가정 하에서도 여전히 관찰되는지 확인한다.
   • DML 스타일 잔차화: 유연한 통제 조절 하에서의 안정성을 조사하기 위해 DML을 적용한다. 종속 변수($Y$)와 핵심 예측 변수($D$)를 통제 벡터($X$)에 대해 회귀 분석하며, 이때 섭동 함수(nuisance functions)를 추정하기 위해 머신러닝 학습기(Random Forest, Gradient Boosting, Support Vector Machine)를 사용한다. 이후 잔차를 사용하여 핵심 관계를 추정한다. 과적합을 방지하기 위해 교차 적합(cross-fitting)이 사용된다.
   • 민감도 체크: 학습기 민감도(RF, GBM, SVM 비교) 및 점수 민감도(요인 점수 vs 합성 점수 비교)에 대한 체크를 포함한다. 선택된 역방향 진단(reverse-direction diagnostics)도 수행하여 방향적 강건성을 테스트한다.

2. 레이어 2: 통합적 해석

   • SEM, OLS, DML의 출력값들을 방법론, 점수 유형, 학습기에 따라 비교한다.
   • 경로는 다음과 같이 수렴 또는 발산 여부에 따라 분류된다:
     • 강력한 강건성(Strongly Robust): 모든 방법론에서 방향성과 유의성이 안정적임.
     • 부분적 강건성/DML 민감성(Partially Robust/DML-Sensitive): 방향성은 안정적이나, 유연한 통제 조절 하에서 유의성이 약화됨.
     • 점수 민감성(Score-Sensitive): 결과가 요인 점수를 사용하는지 혹은 합성 점수를 사용하는지에 따라 크게 달라짐.
     • 방향적 불안정성(Directionally Unstable): 부호가 반전되거나 역방향 진단이 반대 방향에 대한 더 강한 지지를 보임.

실증적 시연
프레임워크는 17개의 구조적 경로와 인지된 품질, 사용자 경험, 신뢰, 정서적 연결 등의 구성 개념을 포함하는 핀테크 디지털 고객 친밀도(DCI) 설문 모델에 적용되었다.

• 결과: 대부분의 경로(예: $PQ \to AT$, $AT \to BI$, $EC \to DCI$)는 두 가지 점수 유형 모두에서 SEM, OLS, DML 학습기에 걸쳐 강력한 강건성을 유지했다.
• 미세한 발견:
  • $UB \to SA$ (사용 행동 $\to$ 만족도): SEM과 요인 점수 기반 DML에서는 유의하고 음(-)의 관계였으나, 합성 점수 기반 체크에서는 약하거나 유의하지 않았으며, 이는 점수 표현의 민감성을 나타낸다.
  • $TR \to EC$ (신뢰 $\to$ 정서적 연결): SEM에서는 비유의적이었으나, 점수 기반 체크에서는 부호 민감성을 동반한 유의성을 보여 이론적 검토가 필요함을 시사한다.
  • $CA \to AT$ (고객 인지도 $\to$ 태도): 모든 방법론에서 약하게 나타났으며, 이는 이론적 근거가 약할 경우 제거 후보가 될 수 있음을 시사한다.
  • 역방향 진단: 정서적 연결과 DCI 사이의 관계는 양방향 모두에서 안정성을 보여, 상호적 연관성을 시사했다.

주요 기여

1. 실용적 워크플로우: 본 논문은 머신러닝을 잠재 변수 모델링의 대체제로 취급하지 않으면서, SEM이 시사하는 경로를 OLS 및 DML 스타일의 강건성 체크로 변환하는 재현 가능한 단계별 워크플로우를 제공한다.
2. 진단적 명확성: 설문 기반 연구 내에서 점수 표현 민감도(요인 점수 vs 합성 점수)와 학습기 민감도(RF vs GBM vs SVM)를 어떻게 해석해야 하는지 명확히 한다.
3. 리소스 가용성: 저자들은 연구자들이 이 강건성 워크플로우를 다른 설문 기반 잠재 구성 개념 연구에 적응시켜 사용할 수 있도록 Google Colab 워크북과 생성된 결과 파일을 Zenodo를 통해 제공한다.

의의 및 주장
본 논문은 이 프레임워크를 단순한 강건성 부록이 아닌 "모델 결정 지원 프로세스"로 규정한다. 주요 의의는 연구 관행을 "제거 후 확인"(SEM 직후 비유의한 경로를 즉시 제거하는 방식)에서 "확인 후 결정"하는 방식으로 전환하는 데 있다. 전체 이론적 경로 체계를 사후 강건성 분석을 위해 유지함으로써, 연구자는 잠재 변수 모델링, 투명한 회귀 분석, 유연한 머신러닝 조절로부터 얻은 증거의 수렴을 바탕으로 최종적인 구조적 결정을 내릴 수 있다.

저자들은 이 접근법이 강건성 평가를 강화하지만, 횡단적 설문 데이터에 대해 확정적인 인과 관계(중재적 또는 반사실적)를 설정하지는 않는다고 명시한다. 이 프레임워크는 어떤 관계가 안정적이고 어떤 관계가 주의 깊은 해석, 추가적인 이론적 논의 또는 종단적 검증을 필요로 하는지 식별하도록 설계되었다. 또한, DML을 인과 추론이나 SEM-ML 통합 연구의 주요 추정 도구가 아닌, 잠재 구성 개념 모델을 위한 post-SEM 진단 도구로 위치시킴으로써 방법론적 공백을 메운다.