사회 연결망 분석(Social Network Analysis, SNA) 연구는 이제 노드(node)와 엣지(edge)로 구성된 복잡한 네트워크의 구조를 시각화하거나 기술적 지표(descriptive measures)를 제시하는 수준을 넘어 네트워크 변수를 활용한 인과 추론(causal inference)의 단계로 진입하였습니다. 이러한 발전은 연구자들에게 통계적 난제를 함께 안겨주었는데, '관측치 간의 상호의존성(interdependency)'이라는 네트워크 데이터의 본질적 특성과 연관된 문제입니다.

​

전통적 통계학의 근간을 이루는 일반 선형 모델(General Linear Model, GLM)은 오차항의 독립성(independence of error terms)을 가정합니다. t-test, ANOVA, OLS 회귀분석 등은 샘플이 무작위로 추출되었으며, 하나의 관측치가 다른 관측치에 영향을 미치지 않는다는 전제 하에 유의확률(p-value)을 계산합니다.

그러나 네트워크 데이터는 그 정의에서부터 관계적이며, 따라서 의존적입니다. 철수의 친구 관계는 영희의 친구 관계와 독립적이지 않으며, 한 조직 내의 의사소통 빈도는 조직의 구조적 제약에 묶여 있습니다. 이런 데이터에 전통적인 통계 검정을 그대로 적용할 경우, 표준오차(Standard Error)는 과소 추정되고 검정 통계량(t-value, F-value 등)은 과대 포장되어, 실제로는 존재하지 않는 효과를 유의하다고 판단하는 오류의 위험이 증가하게 됩니다.

​

다양한 학문 분야의 연구자들은 이 문제를 어떻게 해결해 왔을까요?

가령, 순열 검정(permutation test)은 특정 확률 분포를 가정하지 않고, 데이터를 무작위로 섞어(순열) 귀무가설 하에서 통계량 분포를 생성하여 가설을 검정하는 비모수 통계 기법으로, 데이터를 무작위로 재배열하여 관측값의 극단성을 판단하는 방법입니다. 실제 관측값보다 우연히 더 극단적인 결과가 나올 확률(p-value)을 계산하여 통계적 유의성을 평가합니다.

이 문서에서는 행렬형(네트워크) 변수를 독립변수나 종속변수로 설정하여 사용하는 통계 기법들 중

(1) 관계적 상관성 분석(QAP correlation)

(2) 행렬(관계) 수준의 예측을 위한 선형 및 로지스틱 회귀분석(MRQAP)

(3) 노드 수준의 연관성 파악과 예측을 위한 회귀분석

을 중심으로 주목할 만한 최근 연구 사례들을 살펴보겠습니다. 진행 중이거나 계획 중인 연구설계에 어떻게 반영할 수 있을지 참고하시길 바랍니다.

☞ 전문 보기