선거 결과 예측 로지스틱 회귀 (고급 R)

개요

선거 결과(승리/패배)를 이분형 종속변수로 설정하고, 지지율, 경제성장률, 실업률, 현직 여부를 독립변수로 하는 로지스틱 회귀모형을 R로 추정한다. 선거 결과 예측은 정치학에서 가장 활발히 연구되는 주제 중 하나다.

분석 절차

1단계: 모형 적합

glm() 함수에 family = binomial(link = “logit”)을 지정하여 로지스틱 회귀모형을 적합한다.

2단계: 오즈비 해석

exp(coef())를 통해 오즈비(Odds Ratio)를 계산한다. 오즈비가 1보다 크면 해당 변수가 승리 확률을 높이고, 1보다 작으면 낮춘다.

3단계: 예측 정확도 평가

predict() 함수로 예측 확률을 계산하고, 0.5를 임계값으로 분류한다. 혼동 행렬(confusion matrix)로 정확도를 확인한다.

4단계: ROC 곡선과 AUC

pROC 패키지로 ROC 곡선을 그리고 AUC(Area Under Curve)를 계산한다. AUC가 0.7 이상이면 허용 가능한 예측력, 0.8 이상이면 우수한 예측력이다.

코드 예제

# 로지스틱 회귀모형 적합
model <- glm(winner ~ approval_rate + gdp_growth + unemployment + incumbent,
             data = election_data,
             family = binomial(link = "logit"))

# 결과 요약
summary(model)

# 오즈비(Odds Ratio) 계산
exp(coef(model))

# 예측 확률
election_data$predicted_prob <- predict(model, type = "response")

# 분류 정확도
election_data$predicted_class <- ifelse(election_data$predicted_prob > 0.5, 1, 0)
table(election_data$predicted_class, election_data$winner)

# ROC 곡선
library(pROC)
roc_curve <- roc(election_data$winner, election_data$predicted_prob)
plot(roc_curve)
auc(roc_curve)

참고문헌

Agresti, A. (2015). Foundations of Linear and Generalized Linear Models. Wiley.

심화 내용

고급 분석에서는 다음을 추가로 고려해야 합니다:

• 부트스트래핑(Bootstrapping)을 통한 강건성 검증
• 교차 검증(Cross-validation)으로 모형 일반화 성능 평가
• 민감도 분석(Sensitivity Analysis)으로 가정 위반 시 영향 평가