[연구방법론] 성장혼합모형(Growth Mixture Model, GMM)

 

1. 성장혼합모형의 탄생과 목적

1.1. 종단데이터의 한계와 GMM의 등장

종단연구는 동일한 집단을 여러 시점에 걸쳐 반복적으로 관찰함으로써 현상의 변화 양상과 그 원인을 심층적으로 분석하는 연구 방법입니다. 그러나 전통적인 성장모형(예: 잠재성장모형, LGM)은 전체 집단의 평균적인 변화곡선만을 추정하는 경향이 있습니다. 이로 인해 개별 차이, 즉 집단 내 이질성은 무시되거나 축소될 수밖에 없습니다. 실제로 학교 밖 청소년의 진로불안 변화를 분석한 연구에서도, 단일 곡선 모형은 집단 내 다양한 변화 양상을 포착하지 못해 연구의 해석력이 제한된다는 한계가 지적되었습니다. 

이러한 한계를 극복하기 위해 등장한 것이 성장혼합모형(Growth Mixture Model, GMM)입니다. GMM은 종단자료 안에 존재하는 이질적인 하위집단(잠재계층)을 동시에 추정함으로써, 개별 차이를 무시하지 않고 다양한 변화 양상을 분석할 수 있도록 해줍니다. 이는 연구자가 집단 내 이질성을 명확히 구분하여 각 하위집단의 특성과 변화 양상을 세밀하게 분석할 수 있게 합니다. 실제로 GMM은 개인차 중심의 접근(person-centered approach) 분석기법으로 널리 활용되고 있습니다.  

1.2. GMM의 통계적 원리와 모형 구조

GMM은 잠재계층분석(Latent Class Analysis, LCA)과 잠재성장모형(LGM)을 결합한 하이브리드 모형입니다. LCA는 횡단자료에서 이질적인 하위집단을 분류하는 데 사용되며, LGM은 종단자료에서 평균적인 변화곡선을 추정합니다. GMM은 이 두 가지 기법을 결합하여, 각 하위집단마다 다른 초기치(시작점)와 변화율(변화의 속도)을 가정합니다. 

GMM의 모형 구조는 다음과 같습니다. 첫째, 잠재클래스 변수를 통해 전체 집단을 이질적인 하위집단(잠재계층)으로 분류합니다. 둘째, 각 하위집단 내에서 LGM을 적용하여 개별적인 변화곡선을 추정합니다. 이 과정에서 각 하위집단의 초기치와 변화율은 서로 독립적으로 추정되며, 이는 전체 집단의 평균 변화곡선만을 추정하는 전통적 방법과 근본적으로 차별화됩니다.  

 

성장혼합모형 예. https://doi.org/10.5723/kjcs.2021.42.1.45

2. 숨겨진 궤적을 드러내다: 실제 연구 사례

2.1. 학교밖청소년의 진로불안 변화유형

학교 밖 청소년을 대상으로 한 연구에서는 GMM을 활용하여 진로불안의 변화양상을 세 가지 하위집단으로 분류하였습니다. 첫째, ‘고불안 지속’ 집단은 진로불안이 지속적으로 높은 수준을 유지하는 특성을 보였고, 둘째, ‘중간 감소’ 집단은 시간이 지남에 따라 진로불안이 점차 감소하는 양상을 보였으며, 셋째, ‘저불안 안정’ 집단은 진로불안이 낮은 수준에서 안정적으로 유지되는 특성을 보였습니다.  

이러한 결과는 단일 곡선 모형에서는 드러나지 않았던 집단 내 이질성을 명확히 보여줍니다. 특히 각 하위집단은 진로결정권 인식 수준, 부모애착, 사회적 낙인감 등 다양한 심리사회적 변인에 따라 구분되었으며, 이는 개별 차이를 고려한 정책적 개입의 필요성을 시사합니다.  

2.2. 고령자의 사회참여와 사회적 건강

고령자를 대상으로 한 연구에서는 GMM을 적용하여 사회참여 변화양상을 세 가지 유형으로 분류하였습니다. 첫째, ‘활동적 참여 지속’ 집단은 사회참여가 지속적으로 높은 수준을 유지하는 특성을 보였고, 둘째, ‘활동 감소’ 집단은 시간이 지남에 따라 사회참여가 점차 감소하는 양상을 보였으며, 셋째, ‘최소 참여’ 집단은 사회참여가 낮은 수준에서 안정적으로 유지되는 특성을 보였습니다. 

또 다른 연구에서는 GMM을 통해 고령자의 사회적 건강 변화를 네 가지 잠재계층으로 분류하였고, 교육수준, 경제활동 여부, 지역사회 참여 등 다양한 사회경제적 변인이 계층 분류에 영향을 미친다는 사실을 밝혀냈습니다. 이는 고령자의 사회참여와 건강 변화가 단순히 연령에만 의존하는 것이 아니라, 개인의 사회경제적 배경과 생활환경에 따라 크게 달라질 수 있음을 시사합니다. 

2.3. 우울증상의 시간적 변화패턴

우울증상을 CES-D 척도로 측정한 연구에서는 GMM을 적용하여 ‘고증상 지속’, ‘중증상 감소’, ‘저증상 안정’ 등 세 가지 하위집단을 도출하였습니다. 이 연구에서는 낮은 소득, 불규칙한 수면, 만성질환 등 다양한 심리사회적 변인이 고증상 집단에 유의미하게 관련되어 있음을 밝혀냈습니다. 

또 다른 연구에서는 동일한 척도를 사용하여 네 가지 잠재계층을 분류하였고, 성별, 만성질환, 경제적 지위 등이 계층 분류에 영향을 미친다는 사실을 확인하였습니다. 이는 우울증상의 변화양상이 개인의 심리적 특성과 사회경제적 환경에 따라 다양하게 나타난다는 점을 보여줍니다. 

 

3. GMM 분석의 핵심 절차와 수식

3.1. 측정동등성 검증과 잠재성장모형

GMM 분석의 첫 단계는 종단자료의 측정동등성 검증입니다. 이는 각 시점에서 측정된 변수가 동일한 의미를 가지는지, 즉 측정편향이 없는지를 확인하는 과정입니다. 이를 위해 종단적 확인적 요인분석(Longitudinal Confirmatory Factor Analysis, LCFA)과 잠재성장모형(LGM)을 활용합니다. LCFA를 통해 측정동등성이 성립하면, 잠재성장모형 단계에서 초기치와 변화율을 추정할 수 있습니다.  

3.2. 조건 GMM과 로짓회귀를 통한 계층특성 분석

조건 GMM에서는 성별, 소득수준, 부모애착 등 다양한 공변량을 포함하여 초기치와 변화율에 영향을 미치는 변인을 추정합니다. 이 과정에서 각 공변량이 하위집단 분류에 어떻게 기여하는지 분석하기 위해 다항 로지스틱 회귀분석을 활용합니다. 이를 통해 각 하위집단의 특성을 심층적으로 해석할 수 있습니다.  

4. 변수와 영향력의 해석 전략

4.1. 초기치와 변화율에 영향을 미치는 공변량

GMM 분석에서는 초기치와 변화율에 영향을 미치는 공변량을 신중하게 선정해야 합니다. 예를 들어, 성별, 부모애착, 경제활동 여부, 사회적 낙인감 등이 초기치와 변화율에 유의미한 영향을 미치는 경우, 이를 공변량으로 포함하면 하위집단 분류의 타당성을 높일 수 있습니다. 

그러나 공변량을 과잉포함하면 모형의 복잡도가 증가하고 해석의 명확성이 떨어질 수 있으며, 반대로 중요한 변인을 누락하면 편향된 결과가 도출될 수 있습니다. 따라서 공변량 선정 시 이론적 타당성과 통계적 유의성을 모두 고려해야 합니다. 

4.2. 계수 해석의 주의사항

GMM 분석에서 계수를 해석할 때는 표준오차와 신뢰구간을 반드시 함께 고려해야 합니다. p-value만으로 유의성을 판단해서는 안 되며, 효과의 실질적 크기와 해석의 타당성을 함께 검토해야 합니다. 

또한, 연구 대상의 변화양상이 비선형적일 경우, 2차 또는 3차 항을 추가하여 곡선형 함수를 적용할 수 있습니다. 예를 들어, 청소년 학업스트레스 연구에서는 2차 함수를 적용하여 초기 급증 후 감소하는 곡선형 변화를 포착하였고, 이는 정책적 시사점을 제시하는 근거가 되었습니다. 

5. 종단적 변화 해석의 의미와 시사점

5.1. 다양한 궤적의 정책적 함의

GMM을 통해 도출된 다양한 하위집단의 변화양상은 정책적 개입의 방향과 강도를 달리해야 함을 시사합니다. 예를 들어, ‘고수준 지속’ 집단은 즉각적이고 집중적인 개입이 필요하며, ‘감소’ 집단은 자연스러운 호전 경로를 따르는 경우가 많으므로 지원 전략을 유형별로 맞춤화할 수 있습니다. 

이처럼 GMM은 정책 설계 시 개별 차이를 고려한 맞춤형 개입을 가능하게 하여, 자원 배분의 효율성과 개입의 효과성을 높이는 데 기여할 수 있습니다.

5.2. 곡선형 함수 적용의 통찰

GMM은 단순한 선형 변화뿐만 아니라, 곡선형 변화양상을 포착할 수 있습니다. 예를 들어, 청소년 학업스트레스 연구에서는 2차 함수를 적용하여 학기 중·말기에 따라 스트레스 변화 양상이 달라짐을 확인하였고, 이는 학기별 정책 지원 시기를 제안하는 근거가 되었습니다. 

이처럼 GMM은 정책적 시사점을 제시하는 데 있어 시간적 변화 양상의 세밀한 분석을 가능하게 합니다.

6. GMM 연구의 장단점과 미래 전망

6.1. 강점과 약점

GMM의 가장 큰 강점은 집단 내 이질적인 하위집단을 동시에 추정할 수 있다는 점입니다. 이는 연구의 해석력을 크게 높이고, 정책적 개입의 방향성을 명확히 제시합니다.  

그러나 GMM은 모형 선택 과정이 복잡하고, 통계적 계산 비용이 높다는 한계가 있습니다. 또한, 하위집단의 수를 결정할 때 다양한 적합도 지수와 해석적 타당성을 모두 고려해야 하므로, 연구자의 전문성과 경험에 대한 요구가 높습니다. 

6.2. 발전 방향과 연구자 역량

앞으로 GMM 연구는 기계학습 기반 GMM과 딥러닝 기법의 융합, 다수준분석과의 접목 등으로 더욱 발전할 것으로 기대됩니다. 이에 따라 연구자는 종단연구 설계, 통계모형 이론, 실질적 해석 능력을 두루 갖추어야 하며, 새로운 데이터 분석 기법에 대한 지속적인 학습이 필요합니다. 

 

---

결론

성장혼합모형(GMM)은 종단자료 분석에서 집단 내 이질성을 명확히 구분하고, 다양한 변화양상을 세밀하게 분석할 수 있는 강력한 도구입니다. GMM을 활용한 연구는 학교 밖 청소년, 고령자, 우울증 환자 등 다양한 인구집단의 심리사회적 변화 양상을 분석하였으며, 각 하위집단의 특성과 영향요인을 심층적으로 밝혀내어 정책적 시사점을 제시하였습니다. GMM 분석의 핵심 절차와 해석 전략을 체계적으로 이해하고, 연구자의 전문성과 경험을 바탕으로 모형 선택과 해석을 신중하게 수행할 때, GMM은 개인차 중심의 심층 분석을 가능하게 하여 사회과학 연구의 발전에 크게 기여할 것입니다.