상관 입력 모델을 위한 지역 다항식 기반 민감도 분석

논문은 먼저 민감도 분석의 배경과 기존 방법들의 한계를 서술한다. 독립 입력을 전제로 하는 Sobol·FAST 방법은 입력 간 상관관계가 존재할 경우 분산 분해가 성립하지 않아 잘못된 해석을 초래한다. 이를 보완하려는 시도로 Ratto et al.(2001)의 복제 라틴 하이퍼큐브 샘플링, Jacques et al.(2004)의 다차원 블록 기반 민감도 지수, 그리고 Oakley·O’Hagan(2004)의 베이지안 kriging 접근이 제시되었지만, 각각 (1) 모델 실행 비용 과다, (2) 블록 정의의 어려움, (3) 조건부 밀도와 고차원 적분의 계산 복잡성이라는 문제점을 가진다. 이에 저자들은 입력‑출력 샘플 (X_i, Y_i)만을 이용해 조건부 기대와 분산을 비모수적으로 추정하는 새로운 프레임워크를 제안한다. 핵심 도구는 지역 다항식 회귀이며, 이는 커널 함수와 밴드폭 h를 사용해 각 입력 X_i 주변에서 다항식(1차 혹은 2차)을 적합한다. 조건부 평균 μ_i(x)=E(Y|X_i=x)와 조건부 분산 σ_i^2(x)=Var(Y|X_i=x)는 각각 지역 다항식 추정값 \hat μ_i(x), \hat σ_i^2(x)로 얻어진다. 첫 번째 제안된 추정기는 \hat S_i = \frac{ \frac{1}{n}\sum_{j=1}^n (\hat μ_i(X_{ij})-\bar Y)^2 }{ \frac{1}{n}\sum_{j=1}^n (\hat μ_i(X_{ij})-\bar Y)^2 + \frac{1}{n}\sum_{j=1}^n \hat σ_i^2(X_{ij}) } 로 정의되며, 이는 전통적인 분산 분해식 V(Y)=Var(E(Y|X_i))+E(Var(Y|X_i))와 일치한다. 두 번째 추정기는 고차 다항식과 부트스트랩을 결합해 \hat S_i의 표준오차를 직접 추정한다. 두 방법 모두 밴드폭 h가 n^{-1/(4+d)} 수준으로 선택될 때 최적의 MSE를 달성한다는 이론적 증명을 제공한다. 또한, 비편향성, 일관성, 그리고 √n 수렴률을 보이며, 조건부 밀도 형태에 대한 가정이 필요 없다는 점을 강조한다. 이론적 결과를 검증하기 위해 두 종류의 실험이 수행된다. 첫 번째는 단순 2차원 선형·비선형 모델에서 입력 상관계수를 0.5로 설정하고, 제안 방법과 Ratto·LHS, Oakley·O’Hagan을 비교한다. 제안 방법은 평균 절대 오차가 0.02 이하로 가장 낮았으며, 표본 수가 200일 때도 안정적인 추정값을 제공한다. 두 번째는 실제 화학 반응 속도 모델(5개의 상관 파라미터, 상관 행렬이 비대칭)에서 적용한다. 여기서도 제안된 지역 다항식 기반 추정기가 각 파라미터의 1차 민감도 지수를 정확히 파악했으며, 특히 상관이 강한 파라미터 쌍(ρ≈0.8) 사이의 상호작용을 기존 방법보다 명확히 드러냈다. 계산 시간 측면에서 제안 방법은 전체 모델 실행 1회(≈5 min)와 후처리(≈30 s)만 필요했지만, Ratto·LHS는 최소 5000회 실행이 필요했고, Oakley·O’Hagan은 다중 적분을 위한 수천 회의 몬테카를로 샘플링이 요구되었다. 논문의 마지막 부분에서는 한계와 향후 연구 방향을 논의한다. 밴드폭 선택이 결과에 큰 영향을 미치므로 자동화된 선택 알고리즘(예: 교차 검증, AIC 기반)이 필요하고, 고차원(>20)에서는 샘플 희소성으로 인한 추정 편향이 발생할 수 있다. 또한, 현재는 1차 민감도 지수에 초점을 맞추었지만, 다중 입력 상호작용을 포착하는 고차 민감도 지수 확장도 가능하다는 점을 제시한다. 전반적으로 본 연구는 상관 입력을 가진 복잡한 모델에 대해 비모수적이면서도 효율적인 민감도 분석 도구를 제공함으로써, 엔지니어링, 환경 과학, 생물학 등 다양한 분야에서 모델 불확실성 관리에 실질적인 기여를 한다.