불균형 순서형 자료에 대한 베이지안 가법 회귀 나무 분석 = Bayesian additive regression trees for imbalanced ordinal outcomes

국문 초록 (Abstract)

순서형 프로빗 베이지안 가법 회귀 나무는 베이지안 가법 회귀 나무 모형을 순서형 반응 변수에 적용시킬 수 있도록 확장한 모형이다. 본 연구에서는 순서형 프로빗 베이지안 가법 회귀 나무를 불균형 데이터에 적용해보고자 한다. 실질 자료인 국민건강영양조사를 이용해 흡연 강도를 예측하기 위한 순서형 프로빗 베이지안 가법 회귀 나무를 적용하였다. 이때 흡연 강도는 순서형이면서 불균형적인 반응 변수의 형태를 띠고 있다. 불균형 데이터에 본 모형이 잘 적용되는지를 심층적으로 확인하기 위해 불균형 상황을 가정한 총 4개의 모의 실험을 진행하였다. 실질 자료와 모의 실험에서 순서형 프로빗 베이지안 가법 회귀 나무 모형과 다른 모형들과의 성능을 비교하고 어느 모형의 성능이 가장 우수한지 확인하였다.
분석 결과, 순서형 프로빗 베이지안 가법 회귀 나무 모형이 예측의 정확도 측면에서 다른 모형에 비해 우수한 성능을 보임을 확인하였다. 따라서 불균형한 순서형 자료에서 순서형 프로빗 베이지안 가법 회귀 나무 모형이 예측 모형의 좋은 대안이 될 수 있음을 확인할 수 있었다.

다국어 초록 (Multilingual Abstract)

The ordered probit Bayesian additive regression trees (OPBART) model is an extension of the Bayesian additive regression trees (BART) framework designed to handle ordinal response variables. In this study, we apply OPBART to imbalanced ordinal data. Specifically, we employ OPBART to predict smoking level using real-world data from the 2023 Korea National Health and Nutrition Examination Survey (KNHANES 2023), in which the response variable (smoking level) exhibits a highly imbalanced distribution.
To examine more concretely how well the OPBART handles imbalanced data, we conducted four simulation scenarios under both balanced and imbalanced conditions.
We compare the predictive performance of OPBART with alternative models in both the real data analysis and simulation study to determine which method performs best. The results demonstrate that OPBART outperforms competing models. These findings suggest that OPBART can serve as a promising alternative for modeling imbalanced ordinal outcomes.