로그의 의미
일정한 차이와 일정한 비율을 구별합니다
면적 50→100㎡와 200→250㎡는 모두 50㎡ 증가지만 비율은 다릅니다. 반대로 50→100㎡와 200→400㎡는 차이는 달라도 모두 두 배입니다. 로그변환은 이러한 비율 관계를 다루기 편하게 만듭니다.
이 장은 밑이 e인 자연로그 ln을 씁니다. ln(ab)=ln a+ln b, ln(b/a)=ln b−ln a이며 역변환은 exp입니다. ln 값 자체를 백분율로 읽지 말고 로그의 차이를 비율과 연결하세요.
네 가지 모형
어느 변수에 로그를 취했는지 먼저 확인합니다
원래 척도: ŷ=a+bX. X가 Δ만큼 다를 때 적합값 차이는 bΔ입니다. b의 단위는 Y단위/X단위입니다.
Y만 로그: m(X)=a+bX, m은 ln Y의 적합값. X가 Δ만큼 다를 때 exp(m)의 비는 exp(bΔ), 변화율은 100[exp(bΔ)−1]%입니다. bΔ가 작으면 약 100bΔ%입니다.
X만 로그: ŷ=a+b ln X. X가 c% 증가하면 적합값 차이는 b ln(1+c/100)입니다. 작은 c에서는 약 bc/100이며 Y의 원래 단위로 읽습니다. Y의 c% 변화라는 뜻이 아닙니다.
둘 다 로그: m(X)=a+b ln X. exp(m)=exp(a)Xᵇ이며 b는 이 곡선의 탄력성입니다. X가 c% 증가할 때 정확한 변화율은 100[(1+c/100)ᵇ−1]%, 작은 c에서는 약 bc%입니다. 두 배가 되면 100(2ᵇ−1)%입니다.
Y가 로그인 두 모형에서 위 비율은 우선 지수변환한 로그 적합값에 관한 것입니다. 산술평균의 비율로 읽으려면 재변환 보정이 X에 따라 어떻게 달라지는지까지 고려해야 합니다.
공통 자료 계산
같은 자료를 서로 다른 척도에서 적합합니다
면적 X와 단가 Y의 공통 30건은 모두 양수입니다. ln Y 모형은 m=5.42759 -0.004342X, ln–ln 모형은 m=7.33942 -0.53136 ln X입니다. X만 로그인 식은 ŷ=570.562 -91.683 ln X입니다.
100㎡에서 ln Y 모형의 단순 역변환값은 147.43, ln–ln은 133.28만원/㎡입니다. 반올림 전 계수로 계산했습니다. ln Y 모형에서 10㎡ 차이의 비율 변화는 -4.25%입니다.
로그 OLS는 로그 잔차의 제곱합을 최소화합니다. 원래 단가의 제곱오차나 절대오차를 최소화하는 것과 목적이 다릅니다. 로그를 취하면 큰 단가의 절대적 차이가 상대적으로 압축되지만, 이상치나 영향력 문제가 자동으로 사라지는 것은 아닙니다.
탄력성과 근사
1% 근사를 큰 변화에 그대로 적용하지 않습니다
공통 자료의 로그–로그 기울기는 -0.5314입니다. 면적 1% 증가에 대해 지수변환 적합값은 약 0.53% 감소합니다. 이는 모형상 연관이며 면적을 실제로 늘리는 인과효과가 아닙니다.
백분율과 퍼센트포인트도 구별합니다. ln Y 모형에서 exp(b)−1을 계산한 비율은 Y의 상대 변화이지 비율 변수의 퍼센트포인트 차이가 아닙니다. 다른 변수를 함께 넣었다면 해당 변수를 고정한 비교이며 상호작용이 있으면 변화율도 조건에 따라 달라집니다.
원래 단위로 복원
지수변환만으로 산술평균이 되지는 않습니다
ln Y=m(X)+ε에서 E[ε|X]=0이라면 exp(m(X))는 조건부 기하평균입니다. ε의 조건부 중앙값까지 0이면 Y의 조건부 중앙값이기도 합니다. 평균 0만으로 중앙값 0이 따라오는 것은 아닙니다.
E[Y|X]=exp(m(X))×E[exp(ε)|X]이므로 산술평균에는 추가 요인이 필요합니다. 조건부 오차가 N(0,σ²)이면 exp(m+σ²/2)입니다. 추정한 계수와 분산을 대입하는 데도 추정 불확실성이 남습니다.
정규성을 가정하지 않는 방법으로 잔차의 exp를 평균한 스미어링 계수 S=(1/n)Σexp(eᵢ)를 곱할 수 있습니다. 하나의 공통 S가 적절하려면 E[exp(ε)|X]가 일정하다는 조건 등이 필요합니다. 이분산으로 이 요인이 달라지면 조건부 보정이 필요할 수 있습니다. 보정계수는 학습 자료에서만 추정해 검증 자료의 결과값 누출을 피합니다.
로그 척도의 구간 양 끝을 지수변환하면 원래 척도에서 비대칭 구간이 됩니다. 로그 평균의 신뢰구간을 변환한 것을 산술평균의 신뢰구간이라고 부르면 안 됩니다. 개별 관측의 로그 예측구간은 그 가정 아래 단조변환으로 Y 예측구간에 옮길 수 있습니다.
모형 비교
같은 평가 자료와 같은 목표 단위에서 비교합니다
같은 30건에 적합하고 같은 30건에서 측정한 원 단위 MAE는 원래 척도 38.16, ln Y 단순 역변환 32.04, ln–ln 단순 역변환 27.16만원/㎡입니다. 이것은 학습 오차이며 미래 성능 순위가 아닙니다. 산술평균 보정은 적용하지 않았습니다.
Y와 ln Y의 R²는 서로 다른 결과변수의 변동을 기준으로 하므로 숫자를 직접 비교해 승자를 정하지 않습니다. 같은 검증 표본에서, 원 단위인지 상대 오차인지 목적에 맞춘 지표로 평가하세요. MAE와 RMSE도 선호하는 점예측 대상이 다릅니다.
변환 후 잔차 대 적합값·시간·집단 패턴과 영향 관측을 다시 점검해야 합니다. 로그가 정규성·등분산·선형성을 모두 해결한다는 보장은 없습니다.
0·음수와 단위
로그의 정의역을 먼저 확인합니다
실수 범위에서 ln X는 X>0에서만 정의됩니다. 0이나 음수를 조용히 제외하면 분석 대상이 바뀔 수 있습니다. 누락·오류인지, 실제 0인지, 음수가 의미 있는 변수인지 먼저 확인하세요.
ln(1+X)는 다른 모형입니다. 작은 값에서는 단위에 민감하고 일반 로그의 탄력성 해석을 그대로 쓸 수 없습니다. 임의 상수를 더하기보다 자료의 생성 과정과 목적에 맞는 변환·모형을 선택하고 처리 규칙을 기록합니다.
로그에는 선택한 단위로 표시한 수치를 넣습니다. X의 단위를 일정 배수로 바꾸면 ln X에 상수가 더해져 절편이 이동합니다. 같은 표본·절편·모형을 유지한 로그–로그 기울기는 변하지 않지만, 원 단위 X를 쓰는 ln Y 모형의 기울기 숫자는 X 단위에 따라 바뀝니다.
비선형 관계
곡선이어도 계수에 선형이면 선형회귀입니다
Y=a+b ln X+ε와 Y=a+bX+cX²+ε는 원래 X축에서 곡선이지만 미지의 계수에는 선형입니다. 변환한 열을 설명변수로 넣어 선형 최소제곱으로 적합할 수 있습니다. 제곱항 모형의 기울기는 b+2cX이므로 일정하지 않습니다.
반면 Y=A exp(bX)+u를 원 단위의 가산 오차로 적합하는 것과 ln Y=a+bX+ε를 적합하는 것은 오차 구조와 최소화 대상이 다릅니다. 둘이 지수 모양이라는 이유로 같은 모형이라고 부르지 않습니다. 곡선 형태를 바꾸어도 관측 범위 밖 외삽의 불확실성은 남습니다.
확인 문제
변화량과 복원 대상을 구별하세요
- ln Y=a+0.1X에서 X가 1 증가하면 정확히 10% 증가하나요?
답과 해설
정확한 비율은 100(exp(0.1)−1)≈10.52%입니다. 지수변환한 로그 적합값에 관한 비교입니다.
- Y=a+b ln X에서 X가 1% 증가하면 Y가 b% 바뀌나요?
답과 해설
아니요. 정확한 변화는 b ln(1.01), 약 b/100이며 Y의 원래 단위입니다.
- 로그 평균을 지수변환하면 산술평균인가요?
답과 해설
아니요. 기하평균이며 산술평균에는 조건부 오차의 지수 평균을 반영해야 합니다.
- ln(1+X)에서도 b를 그대로 탄력성으로 읽나요?
답과 해설
아니요. 변환한 함수가 달라졌으므로 변화율을 그 식에서 다시 계산해야 합니다.
CH2 Macro에서 읽기
변환·복원·평가 방식을 함께 확인합니다
서비스 결과를 읽을 때 어떤 변수에 어떤 로그를 썼는지, 0·음수 처리와 단위, 단순 역변환인지 산술평균 보정인지, 검증 오차의 척도를 확인하세요. 이 장의 연습 모형이 실제 서비스의 산식이라고 전제하지 않습니다.
공통 자료는 출처 미확인 학습 예제입니다. 로그 곡선과 계수는 관계를 이해하는 연습이며 개별 적정가나 확정적인 인과효과를 제시하지 않습니다.
정리와 참고자료
로그의 위치가 계수의 의미를 바꿉니다
차이·비율·탄력성을 구별하고, 작은 변화의 근사와 정확식을 나누어 읽으세요. 원래 단위로 돌아갈 때는 기하평균·중앙값·산술평균 중 무엇을 추정하는지 확인합니다.
다음 21장 「회귀모형의 적합도와 추정의 불확실성」으로 이어집니다.
본문과 그림은 공통 학습 자료 및 별도 가상 예제로 직접 작성했습니다. 참고자료 확인: 2026-10-08.