[논문]연관규칙을 이용한 잠재성장모형의 개선방법론

조영빈; 전재훈; 최병우

doi:10.15207/jkcs.2019.10.2.217

연관규칙을 이용한 잠재성장모형의 개선방법론
A Methodology for Improving fitness of the Latent Growth Modeling using Association Rule Mining 원문보기

한국융합학회논문지 = Journal of the Korea Convergence Society, v.10 no.2, 2019년, pp.217 - 225

조영빈 (건국대학교 국제비즈니스학부 경영학전공) , 전재훈 (건국대학교 ICT융합공학부 의학공학전공) , 최병우 (건국대학교 국제비즈니스학부 경영학전공)

초록
AI-Helper

대표적인 종단자료 분석방법인 잠재성장모형(Latent Growth Modeling)은 무조건적 모형과 조건적 모형으로 구분한다. 잠재성장모형의 무조건적 모형 성장궤적은 선형으로 가정하여 분석하는 경우가 많다. 본 연구는 선형 성장궤적으로 가정하여 모형 적합도가 미달하는 경우 연관규칙기법을 이용하여 모형 적합도를 제고하는 방법론을 제안한다. 방법론은 연관규칙 마이닝의 순차패턴(Sequential Pattern)을 사용한다. 이를 위하여 종단자료를 분위별로 나누고, 각 분위에 속한 종단자료의 기간 변화를 산출한 뒤 이를 순차 패턴 화하였다. SPSS AMOS를 이용하여 한국고용정보원의 2001년부터 6년간 조사한 청년 패널 자료로 효과성을 검증하였다. 기존 단순선형함수를 가정할 때와 비교하여 모형 적합도가 상승하는 것을 확인할 수 있었다.

Abstract ▼ AI-Helper

The Latent Growth Modeling(LGM) is known as the typical analysis method of longitudinal data and it could be classified into unconditional model and conditional model. It is common to assume that the growth trajectory of unconditional model of LGM is linear. In the case of quasi-linear, the methodology for improving the model fitness using Sequential Pattern of Association Rule Mining is suggested. To do this, we divide longitudinal data into quintiles and extract periodic changes of the longitudinal data in each quintiles and make sequential pattern based on this periodic changes. To evaluate the effectiveness, the LGM module in SPSS AMOS was used and the dataset of the Youth Panel from 2001 to 2006 of Korea Employment Information Service. Our methodology was able to increase the fitness of the model compared to the simple linear growth trajectory.

주제어

표/그림 (15)

그림 Fig. 1. Longitudinal data characteristics
그림 Fig. 2. longitudinal trajectory of ‘lr_wage’ variable
그림 Fig. 3. Unconditional model of LGM in SPSS AMOS
표 Table 1. Model fitness of simple linear growth trajectory
$Fig. 4. 4-fractile 2-sequences association (sequential pattern) rules$ 그림 Fig. 4. 4-fractile 2-sequences association (sequential pattern) rules
$Fig. 5. 4-fractile 3-sequences association (sequential pattern) rules$ 그림 Fig. 5. 4-fractile 3-sequences association (sequential pattern) rules
$Fig. 6. 4-fractile 4-sequences association (sequential pattern) rules$ 그림 Fig. 6. 4-fractile 4-sequences association (sequential pattern) rules
$Fig. 7. 4-fractile 5-sequences and 6-sequences association (sequential pattern) rules$ 그림 Fig. 7. 4-fractile 5-sequences and 6-sequences association (sequential pattern) rules
$Fig. 8. 5-fractile 2-sequences association (sequential pattern) rules$ 그림 Fig. 8. 5-fractile 2-sequences association (sequential pattern) rules
$Fig. 9. 5-fractile 3-sequences association (sequential pattern) rules$ 그림 Fig. 9. 5-fractile 3-sequences association (sequential pattern) rules
$Fig. 10. 5-fractile 4-sequences association (sequential pattern) rules$ 그림 Fig. 10. 5-fractile 4-sequences association (sequential pattern) rules
그림 Fig. 12. Conditional Model of LGM
표 Table 2. Model fitness of derived sequential patterns vs simple linear pattern
표 Table 3.Rresult of initial status and slope
표 Table 4. Model fitness of Conditional Model

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

본 연구는 잠재성장모형 성장궤적의 기울기를 추정하는 데 있어서 선형성장궤적을 가정하지 않고, 종단자료의 특성에 따라 기울기를 추정하는 방법을 제안한다. 이를 위하여 연관 규칙 마이닝 중 순차패턴(Sequential Pattern)을 이용하여 모형 적합도를 제고하는 방법론을 제시한다.
최근 종단 자료 분석을 할 수 있는 통계 프로그램(예, AMOS, LISREL프로그램)이 있으며, 이러한 프로그램은 복잡한 통계적 수식보다는 도형을 도식화하여 모형을 설계하고, 결과를 쉽게 그리고 정확하게 해석할 수 있도록 되어 있다[14]. 본 연구에서는 SPSS AMOS의 잠재성장모형 모듈을 바탕으로 잠재성장모형의 성장궤적을 추정하는 방법을 제안한다.
기존 연구[9]는 추정한 기울기가 선형 성장궤적보다 모형 적합도를 증진시키기는 했으나, 모형 적합도가 너무 낮아서 실제 연구에 제안한 방법론을 적용하기는 어려웠다. 본 연구에서는 대규모 자료를 기반으로 좀 더 일반화된 방법론을 제안 하였다. 또한 잠재성장모형의 조건적 모형도 구축하여 분석 완결성을 높였다.
본 연구의 의의는 단순 선형 성장궤적으로 모형 적합 도가 미달할 경우 모형 적합도를 제고할 수 있는 방법론을 제시하였다는 데 있다. 기존 연구[13-16]에서는 성장 궤적 기울기의 함수형태를 가정하고 기울기 계수를 함수에 따라 추정하는 방법을 사용하는 것이 일반적이었다.
청년 패널 조사는 15∼29세 청년층의 직업선택 및 노동시장 이동 등을 조사한 종단 자료이다. 비록 최근 데이터는 아니지만 방법론의 효과성을 검증하기 위한 목적으로 사용하였다. 데이터는 분석목적에 맞게 발췌하여 종단자료를 구성하였다.
그렇지만 단순 선형 성장궤적의 모형 적합도가 미달할 경우, 이를 조정할 방법이 없었다. 이런 경우 모형 적합도를 제고할 수 있는 방법을 제시하였다.

가설 설정

무조건적 모형을 추정할 때 통상적으로 기울기는 선형(linear)을 가정한다. 이는 LGM이 성장궤적 함수형태를 사전에 정하는 모형기반 방법이기 때문이다.

제안 방법

SPSS Modeler의 연관규칙 모듈을 사용하여 연관 규칙을 도출하였다. lr_wage변수를 분위 수(fractile)로 전환하였다.
기본 적으로는 연관 규칙 마이닝과 유사하지만 거래 데이터베이스로부터 고객 선호 항목들의 순차 패턴을 추출하고 순차(Sequence)적인 데이터베이스를 생성한다. 거래 순서에 따라 각 거래의 상품 항목들의 연관성을 탐색하고 거래의 순차패턴을 파악하여 선행 상품을 검색한다. 즉 고객 구매 패턴을 분석하여 미래 구매 가능 상품 예측에 사용할 수 있다[20-22].
독립변수는 성별과 대학졸업여부이다. 결측치와 이상치는 사전에 제거하거나 적당한 값으로 대체하는 전처리를 실시하였다.
비선형 잠재성장모형의 성장궤적의 기간별 기울기를 추정하기 위하여, 종단자료를 4, 5, 10분위로 각각 나누고, 각 분위에 속한 종단자료의 기간 변화를 산출하였다. 다음으로 종단 자료별 기간 변화 자료를 연관규칙 기법을 이용하여 순차 패턴 화하였다. 기존 연구[9]는 추정한 기울기가 선형 성장궤적보다 모형 적합도를 증진시키기는 했으나, 모형 적합도가 너무 낮아서 실제 연구에 제안한 방법론을 적용하기는 어려웠다.
비록 최근 데이터는 아니지만 방법론의 효과성을 검증하기 위한 목적으로 사용하였다. 데이터는 분석목적에 맞게 발췌하여 종단자료를 구성하였다. SPSS AMOS 25와 STATA, SPSS Modeler를 사용하였다.
두 번째 도출된 순차패턴의 가중치 계산과정에서 가중(+)과 감중(-)되는 경우를 구분하여 가중치 부여의 논리적인 일관성을 제고하였다. 이는 성장궤적이 증가하는 경우 뿐 만 아니라 감소하는 경우에도 적용할 수 있는 방법을 제시하였다는 의의가 있다.
분위 수 전환은 SPSS Modeler의 기능을 사용하였다. 따라서 lr_wage변수는 각각 4, 5, 10개의 범주를 가진 3 개의 변수로 치환되었고, 치환된 변수를 이용하여 연도별 순차패턴을 추출하였다.
본 연구에서 제시한 방법론은 한국고용정보원의 2001 년부터 2006년까지의 청년 패널 데이터를 사용하여 방법론의 효과성을 검증하였다. 사용한 데이터의 샘플 수는 2,172개 이었다.
이를 위하여 연관 규칙 마이닝 중 순차패턴(Sequential Pattern)을 이용하여 모형 적합도를 제고하는 방법론을 제시한다. 비선형 잠재성장모형의 성장궤적의 기간별 기울기를 추정하기 위하여, 종단자료를 4, 5, 10분위로 각각 나누고, 각 분위에 속한 종단자료의 기간 변화를 산출하였다. 다음으로 종단 자료별 기간 변화 자료를 연관규칙 기법을 이용하여 순차 패턴 화하였다.
본 연구는 잠재성장모형 성장궤적의 기울기를 추정하는 데 있어서 선형성장궤적을 가정하지 않고, 종단자료의 특성에 따라 기울기를 추정하는 방법을 제안한다. 이를 위하여 연관 규칙 마이닝 중 순차패턴(Sequential Pattern)을 이용하여 모형 적합도를 제고하는 방법론을 제시한다. 비선형 잠재성장모형의 성장궤적의 기간별 기울기를 추정하기 위하여, 종단자료를 4, 5, 10분위로 각각 나누고, 각 분위에 속한 종단자료의 기간 변화를 산출하였다.

대상 데이터

1에서와 같이 샘플 수는 362명이며, 6년 동안 종단조사를 실시하였기 때문에 총 샘플은 2,172개이다. 2001년부터 2006년까지 6년간 임금과 임금에 영향을 미치는 독립변수 2개를 선정하였다. 독립변수는 성별과 대학졸업여부이다.
Fig. 1에서와 같이 샘플 수는 362명이며, 6년 동안 종단조사를 실시하였기 때문에 총 샘플은 2,172개이다. 2001년부터 2006년까지 6년간 임금과 임금에 영향을 미치는 독립변수 2개를 선정하였다.
본 연구의 종단자료는 한국고용정보원의 2001년부터 2006년까지 조사한 청년 패널 데이터이다. 청년 패널 조사는 15∼29세 청년층의 직업선택 및 노동시장 이동 등을 조사한 종단 자료이다.
본 연구에서 제시한 방법론은 한국고용정보원의 2001 년부터 2006년까지의 청년 패널 데이터를 사용하여 방법론의 효과성을 검증하였다. 사용한 데이터의 샘플 수는 2,172개 이었다. 제시한 방법론을 적용한 결과, 잠재성장 모형의 모형 적합도가 상승함을 확인할 수 있었고 모형 적합도 값도 일반적인 분석에 사용할 수 있는 수준이 되었다.

이론/모형

즉 고객 구매 패턴을 분석하여 미래 구매 가능 상품 예측에 사용할 수 있다[20-22]. 순차패턴은 본 연구에서 잠재성 장모형의 성장궤적추정에 사용한다.
잠재성장모형에서 모형 적합도는 CFI(Comparative Fit Index), NFI(Normed Fit Index), IFI (Incremental Fit Index), TLI (Tucker-Lewis Index)와 같은 적합도 지수와 상대적 적합도 지수인 X2 값을 사용한다.
종속변수인 임금은 월 평균임금이며, 본 연구에서는 2005년 불변가격기준의 로그 치환치(lr_wage)를 사용하였다. Figure.

성능/효과

본 연구에서는 대규모 자료를 기반으로 좀 더 일반화된 방법론을 제안 하였다. 또한 잠재성장모형의 조건적 모형도 구축하여 분석 완결성을 높였다.
추가 연구로는 선형성(linearity) 검증에 대한 방법론 개선이 필요하다. 본 연구에서는 선형 궤적을 가정하고 모형 적합도에 따라 가정의 타당성을 검증하였지만 선형성을 통계적으로 검증하면 방법론의 효율성을 제고할 수 있다. 또한 선형 성장궤적이 아닌 2차 함수, 지수 함수에도 제안한 방법론이 사용될 수 있는지 추가 연구가 필요하다.
추출된 8개의 패턴 모형에 대한 적합도와 단순선형형의 적합 도를 Table 2에 제시하였다. 분석 결과 8개 패턴 모형 모두 단순선형모형보다 적합도가 좋은 것으로 나타났으며, 가장 적합도가 높은 순차패턴은 4분위 3순차패턴으로 나타났다. 특히 절대적 모형적합도가 0.
는 임금의 종단 추이를 나타낸다. 전체적으로는 우 상향 선형이지만, 미세하게 비선형임을 알 수 있다. 기울기는 2001년부터 2003년까지 완만한 상승세를 보이다가 2004년에 기울기가 줄어들었고, 2005년, 2006년 에는 상승폭이 커지는 것을 발견할 수 있다.
사용한 데이터의 샘플 수는 2,172개 이었다. 제시한 방법론을 적용한 결과, 잠재성장 모형의 모형 적합도가 상승함을 확인할 수 있었고 모형 적합도 값도 일반적인 분석에 사용할 수 있는 수준이 되었다.

후속연구

본 연구에서는 선형 궤적을 가정하고 모형 적합도에 따라 가정의 타당성을 검증하였지만 선형성을 통계적으로 검증하면 방법론의 효율성을 제고할 수 있다. 또한 선형 성장궤적이 아닌 2차 함수, 지수 함수에도 제안한 방법론이 사용될 수 있는지 추가 연구가 필요하다. 이를 위해서 다양한 종단자료 확보 및 적용이 필요할 것이다.
본 연구의 한계는 조건적 모형 분석과정에서 사용한 독립변인이 너무 적고, 시간 고정 형(time-invariant) 변수로만 한정하였다는 점에 있다. 다양한 독립변인을 사용하여 방법론의 효과성을 검증해볼 필요가 있다.
또한 선형 성장궤적이 아닌 2차 함수, 지수 함수에도 제안한 방법론이 사용될 수 있는지 추가 연구가 필요하다. 이를 위해서 다양한 종단자료 확보 및 적용이 필요할 것이다.
또한 연관규칙의 지지도와 신뢰도 적용을 사용자가 임의로 정한 면이 있다. 최적 수준에 대한 추가연구가 필요하다.

질의응답

핵심어	질문	논문에서 추출한 답변
	잠재성장모형이란 ?	대표적인 종단자료 분석방법은 잠재성장모형(Latent Growth Modeling: LGM)이다. 잠재성장모형은 먼저 변수의 종단적인 변화추이를 분석한다.
	경향 분석이란 ?	왜냐하면 연령이 핵심 변수이지만 연령의 영향은 복합적이기 때문이다. ② 경향 분석 (Trend Study): 반복적인 횡단연구(Repeated Crosssectional Study) 라고 생각할 수 있다. 동일 모집단의 상이한 샘플에 대하여 각각 두 번이상의 횡단분석을 할 경우를 지칭한다.
	잠재성장모형은 변화추이를 분석한 후 어떤 절차를 따르는가 ?	잠재성장모형은 먼저 변수의 종단적인 변화추이를 분석한다. 다음으로는 무조건적 모형(Unconditional Model)은 종속변수와 관련된 모형으로서 모형 적합도가 높은 초기 값과 기울기를 찾고, 독립변인을 포함한 조건적 모형(Conditional Latent Curve Model)을 만들어 시간의 변화를 반영한 변수를 반영하여 종단 인과관계 검증을 하게 된다[8].

참고문헌 (23)

Hankyoreh (2018.1.22.) http://www.hani.co.kr/arti/international/america/828794.html
E. J. Lee & C. H. Cho. (2013). A Longitudinal Study on the Effects of Franchise's Factors and Performance -Disclosure Agreement, Korean J. of Business Administration, 26(8), 2185-2209.
E. J. Lee & C. H. Cho. (2014). A Longitudinal Study on the Service Quality in Korean Service Industry: Focusing on KS-SQI, Journal of Korea Service Management Society, 15(2), 23-47. DOI : https://doi.org/10.15706/jksms.2014.15.2.002
H. J. Lim & J. S. Cho. (2012). The Effect of Ownership Concentration on Firm Performance : Static and Dynamic Panel Data Analysis, Korean J. of Business Administration, 25(8), 3265-3291.
J. H. Kim. (2018). A longitudinal study of the relationships between commitment type HRM, work team autonomy and innovation performance. The Korean Journal of Human Resource Development Quarterly, 20(2), 1-24. DOI : https://doi.org/10.18211/kjhrdq.2018.20.2.001
Y. B. Cho, S. K. Lee & K. H. Ro. (2015). A Methodology for Analyzing the Longitudinal Data using SOM Technique, Korean J. of Business Administration, 28(1), 93-102.
J. S. Lee & S. Y. Kim. (2017). An Exploration of Nonlinear Latent Growth Model Using Exponential Function: As an Alternative to Quadratic LGM, J. of Educational Evaluation, 30(4), 791-816.
K. S. Kim. (2009). AMOS and LISREL, Han Academy.
Y. B. Cho. (2018). A Data Based Methodology for Estimating the Unconditional Model of the Latent Growth Modeling, J. Digital Convergence, 16(6), 85-93.
S. W. Menard. (2002). Longitudinal research (2nd. ed.). London: Sage Publications Inc.
Toon Taris. (1999). A Primer in Longitudinal Data Analysis, SAGE Publications Inc. DOI : http://dx.doi.org/10.4135/9781849208512.n1
S. S. Yeo & S. H. Park. (2012). An Appliation of Latent Growth Modeling: Use of Curriculum-Based Measurement as longitudinal Data. Asian J. of Education, 13(4), 247-273. DOI :https://doi.org/10.15753/aje.2012.13.4.011

상세보기
K. L. McArdle & D. B. Epstein. (1987). Latent Growth curves within development structural equation models. Child Development, 58, 110-133. DOI : https://doi.org/10.2307/1130295

상세보기
B. M. Byrne. (2016). Structural Equation Modeling With AMOS Basic Concepts, Applications, and Programming, Third Edition. New York; Routledge, DOI : https://doi.org/10.4324/9781315757421
R. B. Kline. (2004). Principles and practice of structural equation modeling. New York: Guilford.
K. A. Bollen & P. J. Curran. (2006). Latent curve models: a structural equation perspective. Hoboken, NJ: Wiley-Interscience.
Annie Britton, Yoav Ben-Shlomo, Michaela Benzeval, Diana Kuh & Steven Bell. (2015). Life course trajectories of alcohol consumption in the United Kingdom using longitudinal data from nine cohort studies. BMC Medicine, 13(1), 47. DOI : https://doi.org/10.1186/s12916-015-0273-z

상세보기
James A. Cranford, Patrick E. Shrout, Masumi Iida, Eshkol Rafaeli, Tiffany Yip & Niall Bolger. (2006). A Procedure for Evaluating Sensitivity to Within-Person Change: Can Mood Measures in Diary Studies Detect Change Reliably? Personality and Social Psychology Bulletin, 32(7), 917-929. DOI :https://doi.org/10.1177/0146167206287721

상세보기
R Agrawal, T. Imielinski & A. Swami. (1993). Mining association rules between sets of items in large databases, Proceedings of the ACM SIGMOD Conference on Management of Data, 207-216. DOI : https://doi.org/10.1145/170036.170072
B. W. Jin, Y. S. Cho & K. H. Ryu. (2010). Personalized e-Commerce Recommendation System using RFM method and Association Rules. J. of the Korea Society of Computer and Information, 15(12), 227-235. DOI : https://doi.org/10.9708/jksci.2010.15.12.227

원문보기 상세보기
J. C. Kim, H. I Jung, H. Yoo & K. Y. Chung. (2018). Sequence Mining based Manufacturing Process using Decision Model in Cognitive Factory. Journal of the Korea Convergence Society, 9(3), 53-59.
Y. J. Shin & M. S. Yim. (2012). A Study of the Relationship Analysis between Mobile Application by Using An Association Rules. Journal of the Korea Convergence Society, 3(2), 19-25.
C. G Park & K. E Lee. (2014). A linearity test statistic in a simple linear regression. Journal of the Korean Data and Information Science Society, 25(2), 305-315. DOI : 10.7465/jkdi.2014.25.2.305

원문보기 상세보기

저자의 다른 논문 :

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증