공기오염과 건강 영향의 시간 규모 추정: 특이 스펙트럼 분석 활용

1. 서론 대기 중 미세먼지(PM₁₀)와 호흡기·심혈관 질환 사이의 연관성은 다수의 역학 연구에서 보고되었지만, 급성(단기) 효과와 장기 효과를 구분하는 데는 여전히 불확실성이 존재한다. 기존 연구에서는 사전 정의된 윈도우(예: 3 일, 7 일, 30 일 등)나 푸리에 변환을 이용해 시간 규모를 나누었으며, 이는 연구자가 직접 구간을 선택해야 하는 주관적 요소가 포함된다. 저자들은 이러한 문제점을 해결하기 위해, 데이터 자체가 내포한 고유한 시간 구조를 추출할 수 있는 특이 스펙트럼 분석(SSA)을 도입한다. 2. 데이터 및 전처리 연구 대상은 이탈리아 바리시의 2000년 6월 1일부터 2001년 12월 31일까지 579일간의 일일 입원 건수(호흡기 질환, ICD‑9 460‑519)와 4개 측정소에서 수집된 PM₁₀, 온도, 상대 습도 데이터이다. 원 데이터는 2시간 간격(PM₁₀) 및 1시간 간격(기상)으로 측정되었으며, 결측치 비율이 60 %에 달하는 경우가 많았다. 저자들은 최소공분산행렬(MCD) 기반 이상치 탐지로 5개의 다변량 관측치를 제거하고, 75 % 이상 관측치가 존재할 경우 평균을 취해 일일값을 산출하였다. 이후 각 측정소의 일일값을 공간 평균하여 도시 전체의 대표 시계열을 만들었으며, 남은 결측치는 15일 이동 평균으로 보간하였다. 3. 특이 스펙트럼 분석(SSA) 이론 및 적용 SSA는 (i) 임베딩 단계: 창 길이 L(예: L≈N/2)으로 원 시계열을 L‑차원 궤적 행렬 X로 변환, (ii) 특이값 분해(SVD): X Xᵀ의 고유값 λᵢ와 고유벡터 uᵢ, vᵢ를 구해 eigentriple을 형성, (iii) 그룹화 단계: eigentriple을 의미 있는 그룹으로 묶어 각 그룹이 Hankel 형태가 되도록 한다. 저자들은 고유값의 크기와 주기성을 기준으로 계층적 군집 알고리즘을 적용해, (a) 장기 추세, (b) 계절성(중기), (c) 단기 잔차(노이즈) 등 3가지 주요 구성요소를 자동으로 도출하였다. 각 그룹은 역해밀턴화 과정을 거쳐 실제 시계열 형태로 복원되며, 이는 독립적인 노출 변수로 사용된다. 4. 시간 규모 추정 및 GAM 적용 복원된 각 노출 변수는 일반화 가법 모델(GAM)에 투입된다. 모델식은 log(ϕₜ)=β₀+∑_{k}f_k(Z_{k,t})+s(time)+s(temp)+s(humidity)+DOW 여기서 f_k는 각 시간 규모별 PM₁₀ 노출의 비선형 효과를 나타내며, s(·)는 스무딩 함수이다. 스무딩 파라미터는 자동 선택(AIC 기반)으로 결정되어, 급성(수일~수주)와 장기(수개월~수년) 효과를 동시에 추정할 수 있다. 결과는 장기 PM₁₀ 노출이 호흡기 입원 위험을 5 %~10 % 정도 증가시키는 반면, 단기 노출은 통계적으로 유의미하지만 효과 크기가 작으며, “harvesting” 현상을 시사한다는 점을 보여준다. 5. 결과 및 비교 SSA 기반 분해는 기존의 STL(LOESS)이나 고정 푸리에 구간과 달리, 데이터가 스스로 제시하는 시간 구조를 반영한다. 비교 실험에서 SSA‑GAM 조합은 AIC와 교차 검증 점수에서 기존 방법보다 우수했으며, 특히 중기(30‑60 일) 효과를 보다 명확히 구분했다. 6. 논의 및 결론 본 연구는 (1) 비모수적 SSA를 통해 사전 가정 없이 시간 규모를 자동 추출, (2) GAM과 결합해 급·장기 효과를 동시에 추정, (3) 바리시 사례에서 장기 PM₁₀ 노출이 공중보건에 미치는 잠재적 위험을 정량화했다는 점에서 의의가 크다. 한계로는 창 길이 L 선택이 결과에 영향을 줄 수 있고, 결측치 보간이 장기 추세를 왜곡할 가능성이 있다. 향후 연구에서는 다지역·다국가 데이터를 적용하고, SSA와 베이지안 구조화 모델을 결합해 불확실성 전달을 강화할 필요가 있다.