혼합로짓모형

왜 배우는가: 교통수단 선택에서는 통행자마다 요금과 시간에 대한 민감도가 다르고, 자가용과 대중교통처럼 대체 관계가 복잡하다. 이 개념은 선호 이질성과 대체 패턴을 한 모형에서 함께 다루는 기본 도구이며, 기출에서 여러 차례 출제된 개념이다.

출제 이력: 제132회 1교시 3번, 제102회 1교시 11번

1. 한 줄 정의와 핵심 키워드

답안 첫 줄 정의: 혼합로짓모형은 선택 주체마다 다른 선호 계수를 확률분포로 두고, 로짓 선택확률을 그 분포에 대해 적분한 이산선택모형이다.

핵심 키워드

• 확률적 선호 계수(Random Taste): 개인마다 값이 달라지는 효용 계수다.
• 선호 이질성(Preference Heterogeneity): 같은 대안에 대해 개인별 선호가 다른 성질이다.
• 혼합 로짓 확률(Mixed Logit Probability): 계수 분포에 대해 평균을 낸 선택확률이다.
• IIA 완화: 무관한 대안의 독립성 가정을 풀어 대체 패턴을 자유롭게 표현하는 것이다.
• 시뮬레이션 추정(Simulation Estimation): 닫힌 형태가 없는 적분을 표본 추출로 근사하는 방법이다.
• 확률적 효용(Random Utility): 결정적 효용과 확률항의 합으로 나타낸 효용이다.

2. 개념 풀이

쉬운 말로 풀면, 같은 요금 인상이라도 어떤 사람은 민감하게 반응하고 어떤 사람은 둔감하게 반응한다. 기존 로짓모형은 이 민감도를 모든 사람에게 같은 값으로 고정한다. 혼합로짓모형은 이 민감도를 고정값이 아니라 분포로 바꾼다.

정식 정의는 다음과 같다. 혼합로짓모형은 효용식의 계수 β가 고정값이 아니라 확률분포 f(β|θ)를 따르는 확률 변수인 이산선택모형이다. 여기서 θ는 분포의 모수이며, 평균과 분산 같은 값이 들어간다.

혼합로짓모형의 핵심은 계수를 고정값이 아니라 분포로 보는 데 있다.

확률적 계수(Random Coefficient)는 개인 n의 계수 β_n이 모집단 분포에서 뽑힌다는 뜻이다. 개인의 계수 값은 관측되지 않으므로 분포 전체에 대해 평균을 낸다.

혼합 로짓 확률은 계수 β가 주어졌을 때의 조건부 로짓 확률을 분포 f에 대해 적분한 값이다. 이름의 혼합은 이 확률이 여러 로짓 확률의 가중 평균이라는 뜻이다.

$P_{ni}=\int L_{ni}(\beta)\,f(\beta\mid\theta)\,d\beta,\quad L_{ni}(\beta)=\frac{e^{V_{ni}(\beta)}}{\sum_{j}e^{V_{nj}(\beta)}}$

P_{ni}는 개인 n이 대안 i를 선택할 확률, L_{ni}(\beta)는 계수 β가 주어졌을 때의 조건부 로짓 확률, V_{ni}는 결정적 효용, f는 계수의 분포 밀도다.

확률항(Random Error)은 서로 독립이고 동일한 극값(Gumbel) 분포를 따른다고 가정한다. 이 가정을 두면 선택확률이 로지스틱 형태가 되므로 로짓 식을 그대로 쓸 수 있다. 계수의 분산이 0이면 혼합로짓모형은 조건부 로짓모형으로 환원된다.

적분에는 닫힌 형태가 없어서 계수를 여러 번 추출해 평균하는 시뮬레이션으로 근사한다. 이 점이 실제 추정 절차에서 가장 큰 계산상의 특징이다.

3. 등장 배경과 필요성

로짓 계열 모형은 세 가지 한계를 가진다. 첫째, 모든 통행자가 같은 계수를 가진다고 보아 선호 이질성을 무시한다. 둘째, IIA 특성 때문에 두 대안의 선택 비율이 다른 대안의 존재와 무관하게 정해진다. 가상의 예로, 새로운 교통수단이 추가되어도 기존 두 수단의 상대 선택 비율이 그대로 유지되는 비현실적 결과가 나온다. 셋째, 패널자료에서 개인에게 지속되는 관찰되지 않는 요인을 반영하지 못한다.

다항로짓모형(Multinomial Logit)은 IIA를 전제로 하므로, 유사한 대안이 많을수록 한계가 커진다. 프로빗(Probit)은 대안 간 상관을 표현할 수 있지만 계수를 정규분포로만 가정한다. 반면 혼합로짓은 계수에 임의의 분포를 선택할 수 있다는 점에서 더 일반적이다.

교통수단 선택에서는 통행자마다 요금과 시간 민감도가 다르고, 자가용과 대중교통, 자전거처럼 유사한 대안이 섞여 있다. 따라서 이질성과 대체 패턴을 함께 다루는 모형이 필요하다. 국내 환경 선호 연구에서도 응답자 간 이질성의 존재를 먼저 검토한 뒤 조건부 로짓과 혼합로짓 중 모형을 고르는 방식이 쓰였다. 이질성이 뚜렷한 집단에서는 혼합로짓 같은 모형으로 선호 이질성을 반영해야 한다는 결과가 나왔다.

시뮬레이션 기법이 발전하면서 추정이 쉬워졌다. 이것이 혼합로짓이 실무와 학술 분야에서 널리 쓰이게 된 기술적 배경이다.

4. 구성요소·원리·절차

혼합로짓모형은 로짓모형의 효용식에 확률적 계수를 넣은 모형이다. 구성요소는 확정 효용, 확률적 계수, 오차항, 조건부 로짓 확률, 비조건부 선택확률의 다섯 가지다.

확정 효용은 관측된 속성으로 설명되는 부분이다. 오차항은 관측되지 않은 요인을 담으며, 오차항 척도는 척도 1로 고정한다.

개인 n이 대안 j에서 얻는 효용은 다음과 같다.

$U_{nj}=β_n′x_{nj}+ε_{nj}$

x_nj는 대안 j의 속성 벡터, β_n은 개인 n의 계수 벡터, ε_nj는 Gumbel 분포를 따르는 오차항이다. 계수 β_n을 고정하면 선택확률은 로짓과 같은 형태가 되며, 이를 조건부 로짓 확률이라 한다.

$L_{ni}(β_n)=exp(β_n′x_{ni}) / Σ_{j∈J} exp(β_n′x_{nj})$

J는 선택 가능한 대안 집합이다. 분석자는 β_n을 관측할 수 없으므로, 계수가 따르는 분포에 대해 평균을 낸 확률을 쓴다.

$P_{ni}=∫L_{ni}(β)f(β; θ)dβ$

θ는 분포의 평균·분산 같은 모수이고, f는 계수 분포의 밀도다. 이 식의 핵심은 계수 분포 가정이다. 계수를 정규분포로 두면 β_n은 평균 b와 표준편차 σ로 표현되며, 추정할 모수는 θ=(b, σ)가 된다.

같은 β_n이 모든 대안의 속성에 곱해지므로 대안 사이의 선택확률 비율은 고정되지 않는다. 로짓모형에서는 한 대안의 속성이 바뀌면 나머지 대안의 확률이 비례해서 줄어든다. 무관한 대안으로부터의 독립성(Independence of Irrelevant Alternatives, IIA) 성질이 그 원인이다. 혼합로짓은 IIA 제약을 완화하는 모형이다. 이로써 대안 간 상관을 표현할 수 있다.

적분식에는 닫힌 해가 없으므로 수치적으로 근사한다. 계수 분포에서 R개의 표본 β^r을 뽑아 평균을 낸다.

$P^{sim}_{ni}=(1/R)Σ_{r=1}^{R}L_{ni}(β^r)$

P^sim_ni는 근사 선택확률, R은 추출 횟수, β^r은 r번째 추출값이다. 이렇게 근사한 확률로 우도를 구해 최대화하는 방식을 시뮬레이션 최우추정법(Simulated Maximum Likelihood)이라 한다.

절차는 다음과 같다.

• 효용식에 넣을 속성과 확률적 계수를 갖는 속성을 정한다.
• 계수 분포 f(β; θ)를 정한다(정규분포 또는 로그정규분포).
• 분포에서 R회 β^r을 추출한다(Halton 등 준난수 사용).
• 각 β^r마다 조건부 로짓 확률 L_ni(β^r)을 계산한다.
• R개 값의 평균으로 P^sim_ni를 구한다.
• 개인별 로그우도의 합을 최대화하여 θ를 추정한다.
• 추정된 평균·표준편차를 검정하고 취향 분포를 해석한다.

R은 결과가 안정되는 수준으로 정한다. 추출 수가 적으면 근사 오차가 커지고, 많으면 계산 시간이 늘어난다.

패널 자료에서는 개인 n이 T회 선택을 반복하므로 같은 β_n이 모든 시점에 적용된다. 이때 시점별 확률을 곱한 뒤 계수 분포에 대해 적분한다.

$P_n=∫(Π_{t=1}^{T}L_{nit}(β))f(β; θ)dβ$

이 구조는 관찰되지 않은 요인이 시간에 걸쳐 지속되는 상관을 설명한다. 단면 로짓을 패널에 그대로 쓰면 이 상관이 무시되므로, 패널에서는 혼합로짓의 장점이 더 크게 나타난다.

추정이 끝나면 계수의 평균은 취향의 크기를, 표준편차는 개인 간 취향 차이를 나타낸다. 평균이 0에서 멀고 표준편차가 작으면 대다수가 같은 방향으로 반응한다고 해석한다. 반대로 표준편차가 평균보다 크면 취향이 방향까지 엇갈린다.

5. 관련 법령·기준·표준

혼합로짓모형에는 법령이나 고시로 정한 산정 기준이 없다. 교통수요분석에서 따르는 기준은 확률효용 이론에 따른 모형 설정과 추정 관행이다. 아래 표의 값은 모형을 세울 때의 기준이며, 자료와 설계에 따라 조정한다.

표의 첫 두 행은 확률효용 모형의 바탕이다. 오차항을 독립·동일 분포로 두면 로짓 식이 도출되며, 척도를 1로 고정하지 않으면 계수의 크기를 식별할 수 없으므로 정규화가 필요하다.

계수 분포의 종류는 분석 목적에 따라 정한다. 부호에 제약이 없는 속성은 정규분포를 쓰고, 비용처럼 부호가 정해진 속성은 로그정규분포를 쓴다. 비용 계수를 음의 로그정규로 두면 추정 중 부호가 뒤바뀌는 해를 막을 수 있다.

프로빗 모형과 비교하면 계수 분포 가정이 핵심 차이다. 프로빗은 오차항을 정규분포로 두어 대안 간 상관을 표현하지만, 혼합로짓은 Gumbel 오차와 임의의 계수 분포를 쓴다. 이 점에서 혼합로짓은 분포 선택의 폭이 더 넓다.

추출 횟수 R은 시뮬레이션 근사의 정확도를 정하는 값이며, 추정값이 달라지지 않을 때까지 늘린다.

법령 기준이 없으므로 개정 연혁은 해당하지 않는다. 계수 분포의 확장과 패널 적용의 최근 발전은 9절에서 다룬다.

6. 유형과 비교

혼합로짓(Mixed Logit)모형은 로짓 계열 중 가장 일반적인 형태다. 계수를 모든 응답자에게 같은 고정값으로 두지 않고, 응답자마다 다른 값을 갖는 확률분포로 둔다. 따라서 다른 로짓 계열과 비교할 때는 계수를 다루는 방식과 대체 패턴의 제약을 함께 본다.