선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- 본 연구의 범위는 잠재성장모형의 모형 적합도를 향상시키기 위하여 무조건적 모델의 기울기를 추정하는 방법론을 제시한다. 기존 방법론은 단순 선형함수, 2차 혹은 지수함수 등을 가정하여 기울기를 추정해왔다.
- 본 연구의 의의는 잠재성장모형 중 무조건적 모델의 기울기 추정문제에 새로운 방법론을 제시하였고, 제시한 방법론이 종단자료와 무조건적 모델의 적합성을 제고했다는 데 있다. 이지선, 김세영[1]의 연구처럼 수학적 방법으로 잠재성장모형의 방법론적 효율성을 제고하기 보다는 휴리스틱한 방법을 사용했다는데 의의가 있다.
제안 방법
- 2001년부터 2006년까지 6년간 임금과 임금에 영향을 미치는 11개의 독립변수가 수집되었다. Fig. 1에서 제시하는 바와 같이 결측치는 사전에 제거하여 종단분석을 위한 전처리를 실시하였다.
- 본 연구 대상인 데이터 셋의 종속변수는 실수형 척도이므로 이를 범주형 척도로 전환하였다. SPSS Modeler에서 제공한 기능을 사용하여 wage를 분위 수(fractile)로 전환하였으며, 각각 4분위, 5분위, 10분위로 전환하였다. 따라서 wage는 각각 4, 5, 10개의 범주를 가진 3개의 변수로 치환되었다.
- 연관규칙(association rule)은 자동화된 필터링 기능을 갖고 있으면서 신뢰성이 높은 규칙을 도출할 수 있기 때문에 이러한 상황에서 사용하기에 적절한 기법이라 할 수 있다. SPSS Modeler의 연관규칙 모듈을 사용하여 연관 규칙을 도출하였다.
- 두 번째는 종단자료분석을 위한 잠재성장모형에 기존의 데이터 마이닝 기법을 적용하여 성능을 향상했다는데 있다. 기존 연구[1, 7, 9, 11]에서는 통계적인 방법을 이용하여 성능향상을 시도하였지만, 본 연구에서는 연관규칙이라는 데이터마이닝 기법을 적용하여 적용기법의 범위를 확장하였다. 세 번째로 본 연구의 방법론 중 연관규칙의 순차패턴은 데이터 시각화(Data Visualization) 도구로 사용될 수 있을 것이다.
- 기울기와 초기 값의 분산이유의하다는 의미는 개별 패널들의 변화가 동일하지 않다는 것을 의미한다. 따라서 패널 간 변화 유형의 차이를 설명하는 조건적 모델 분석을 실시하게 된다.
- 무조건적 모델의 초기치와 기울기를 입력한 후 모형 적합성을 평가하기 위하여 실제 종단자료와의 적합도 정도를 평가한다. 즉 가설된 연구모형이 종단자료의 특성을 잘 반영하고 있는지를 평가해야한다.
- 연관규칙을 사용하려면 실수형 척도를 서열형이나 범주형 척도로 전환하여야 한다. 본 연구 대상인 데이터 셋의 종속변수는 실수형 척도이므로 이를 범주형 척도로 전환하였다. SPSS Modeler에서 제공한 기능을 사용하여 wage를 분위 수(fractile)로 전환하였으며, 각각 4분위, 5분위, 10분위로 전환하였다.
- 본 연구에서는 무조건적 모델의 기울기 추정에 대표적인 데이터 마이닝 기법인 연관 규칙(Association Rule)의 순차패턴(Sequential Pattern)을 이용하였다. 일정 수준이상의 지지도(Support)와 신뢰도(Confidence) 이상의 시계열 패턴을 찾아서 이를 순차별로 정리하여 무조건적 모델의 기울기 추정에 사용하였다.
- 잠재성장모형의 분석은 무조건적 모델과 조건적 모델의 분석으로 구분한다. 무조건적 모델은 독립변인을 포함하지 않은 모형을 의미한다.
- 따라서 wage는 각각 4, 5, 10개의 범주를 가진 3개의 변수로 치환되었다. 치환된 변수를 이용하여 연도별 순차패턴을 추출하였다.
대상 데이터
- 샘플 수는 76명이며, 6년 동안 종단조사를 실시하였기 때문에 총 샘플은 456개이다. 2001년부터 2006년까지 6년간 임금과 임금에 영향을 미치는 11개의 독립변수가 수집되었다. Fig.
- 본 연구에서 사용된 종단자료는 한국고용정보원의 2001년∼2006년에 조사한 청년 패널 데이터로서, 청년 패널 조사는 15∼29세의 청년층을 대상으로 직업선택 및 노동시장 이동 등을 조사한 자료이다.
- 샘플 수는 76명이며, 6년 동안 종단조사를 실시하였기 때문에 총 샘플은 456개이다. 2001년부터 2006년까지 6년간 임금과 임금에 영향을 미치는 11개의 독립변수가 수집되었다.
- 제시한 방법론을 적용한 데이터는 한국고용정보원의 2001년∼2006년에 조사한 청년 패널 데이터로서, 청년 패널 조사는 15∼29세의 청년층을 대상으로 직업선택 및 노동시장 이동 등을 조사한 자료이다.
데이터처리
- 최근 종단자료 분석을 할 수 있는 다양한 통계 프로그램(예, AMOS, STATA, LISREL)이 소개되고 있으며, 이러한 프로그램은 시각적인 도형으로 모형을 설계하고 결과를 쉽고 정확하게 해석할 수 있도록 고안되었다. 본 연구에서는 SPSS AMOS 24와 STATA프로그램을 사용하였다.
이론/모형
- 그렇지만 종단자료의 형태가 가정한 특정 함수와 다를 경우 모형 적합도를 향상시킬 수 있는 방법론이 없는 상태이다[7, 9]. 본 연구에서는 무조건적 모델의 기울기 추정에 대표적인 데이터 마이닝 기법인 연관 규칙(Association Rule)의 순차패턴(Sequential Pattern)을 이용하였다. 일정 수준이상의 지지도(Support)와 신뢰도(Confidence) 이상의 시계열 패턴을 찾아서 이를 순차별로 정리하여 무조건적 모델의 기울기 추정에 사용하였다.
성능/효과
- 제시한 방법론을 적용한 데이터는 한국고용정보원의 2001년∼2006년에 조사한 청년 패널 데이터로서, 청년 패널 조사는 15∼29세의 청년층을 대상으로 직업선택 및 노동시장 이동 등을 조사한 자료이다. 공개된 종단 데이터를 사용하여 제시한 방법론을 실험해본 결과, 기존 단순선형함수를 가정할 때와 비교하여 모형적합도가 상승하는 것을 확인할 수 있었으며, 기울기 추정 과정을 시각화할 수 있는 부수적인 장점이 있었다. 잠재성장모형과 데이터마이닝 기법을 결합할 수 있는 계기를 마련하였다.
- 6개 순차패턴을 이용하여 추정한 기울기와 단순선형모형의 적합도 지수가 Table 2에 제시되어 있다. 분석 결과 6개 순차패턴 모두 단순선형모형보다 적합도가 좋은 것으로 나타났다. 가장 적합도가 높은 순차패턴은 4분위 2순차패턴으로 나타났다.
- 산출된 초기값과 기울기 값의 분산은 모두 통계적으로 유의한 것으로 나타났다.
후속연구
- 종단자료 개념, 통계적인 기초지식 뿐만 구조방정식과 위계적 선형모형 등 복잡한 분석기법도 학습해야하기 때문이다. 그렇지만 빅데이터가 강조되면서 축적되는 데이터의 양과 질이 급격히 증가하고 있는 최근의 상황에 비추어 볼 때 종단자료에 대한 분석이 더욱 활성화될 것 이다.
- 또한 본 연구에서 사용한 데이터는 단속적인 비선형 모델이 아니라 2차 함수나 지수함수 형태가 아닌지 검토할 필요가 있다. 두 번째로는 한국고용정보원의 한정된 데이터를 사용하여 시행한 탐색적 연구(Exploratory Study)이기 때문에 다른 다양한 데이터를 사용하여 본 연구에서의 방법론을 시험할 필요가 있다.
- 본 연구의 한계는 연관규칙의 지지도와 신뢰도를 선정하는데 있어서 경험적인 수치를 사용하였다는데 있다. 또한 본 연구에서 사용한 데이터는 단속적인 비선형 모델이 아니라 2차 함수나 지수함수 형태가 아닌지 검토할 필요가 있다. 두 번째로는 한국고용정보원의 한정된 데이터를 사용하여 시행한 탐색적 연구(Exploratory Study)이기 때문에 다른 다양한 데이터를 사용하여 본 연구에서의 방법론을 시험할 필요가 있다.
- 본 연구의 한계는 연관규칙의 지지도와 신뢰도를 선정하는데 있어서 경험적인 수치를 사용하였다는데 있다. 또한 본 연구에서 사용한 데이터는 단속적인 비선형 모델이 아니라 2차 함수나 지수함수 형태가 아닌지 검토할 필요가 있다.
- 기존 연구[1, 7, 9, 11]에서는 통계적인 방법을 이용하여 성능향상을 시도하였지만, 본 연구에서는 연관규칙이라는 데이터마이닝 기법을 적용하여 적용기법의 범위를 확장하였다. 세 번째로 본 연구의 방법론 중 연관규칙의 순차패턴은 데이터 시각화(Data Visualization) 도구로 사용될 수 있을 것이다. 이를 사용할 경우 SPSS 통계패키지의 성능 향상에도 도움이 될 것으로 예상한다.
- 추가적인 연구로는 방법론으로만 제한하지 말고 이론적인 배경에 따른 행태적인 연구를 같이 하면서, 기술적인 성능 향상과 함께 이론 검증과 새로운 사실발견도 포함하는 종합적인 연구가 필요할 것이다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.