다변량 데이터의 방향성 분위수와 깊이 등고선

이 논문은 다변량 데이터 분석에서 “분위수”라는 직관적이고 해석이 쉬운 도구를 어떻게 확장할 수 있는지를 체계적으로 탐구한다. 서론에서는 1차원 분위수의 정의와 그 통계적 의미를 재검토하고, 다변량 상황에서는 순서가 정의되지 않아 직접적인 분위수 적용이 어려움을 강조한다. 이를 해결하기 위해 모든 방향 u∈S^{d‑1}에 대해 데이터 X를 u에 투영한 스칼라 Y_u=⟨X,u⟩의 p‑분위수 Q_u(p)를 계산한다. 이렇게 얻은 방향성 분위수 집합을 “방향성 분위수 envelope”라 명명하고, 이는 모든 반평면 {x:⟨x,u⟩≤Q_u(p)}의 교집합으로 표현된다. 핵심 정리는 이 교집합이 바로 반반평면(Tukey) 깊이 수준집합 D(p)와 동일하다는 점이다. 즉, D(p)=⋂_{u∈S^{d‑1}}{x:⟨x,u⟩≤Q_u(p)}이며, p가 작아질수록 깊이 수준이 외곽을 형성한다. 이 동등성은 “inf” 버전의 분위수를 사용할 때 정확히 성립한다. 다른 분위수 정의(예: 중점, 평균 절대편차 최소화)에서는 완전한 일치가 깨지며, 이는 깊이와의 관계가 약해지는 원인으로 제시된다. 논문은 이러한 차이를 색인 문제와 연결한다. 전통적인 p‑색인은 누적 확률을 의미하지만, 깊이 등고선은 면적이나 부피와 같은 기하학적 척도로 재색인될 수 있다. 저자는 p를 “깊이 수준”이 아닌 “볼륨 비율”으로 변환하는 방법을 제안하고, 이를 통해 서로 다른 분포 간에 비교 가능한 색인을 제공한다. 역추출 가능성에 대해서는, 주어진 깊이 등고선 D(p)로부터 원래의 방향성 분위수 Q_u(p)를 복원하는 문제가 일반적으로 다중해를 갖지만, 타원형(특히 다변량 정규) 분포에서는 유일한 해가 존재함을 증명한다. 이는 타원형 분포에서 깊이 등고선이 밀도 등고선과 일치한다는 사실과 연결된다. 아핀 변환 불변성 측면에서는, X↦AX+b (A는 비특이 행렬, b는 벡터) 변환 후에도 Q_u(p)는 새로운 방향 Au/‖Au‖에 대한 동일한 값으로 변환되고, 따라서 D(p)도 동일하게 보존된다. 이는 방향성 분위수와 깊이 모두가 아핀 불변성을 갖는다는 중요한 통계적 특성을 부여한다. 점근적 성질에 대해서는, 표본 크기 n→∞일 때 Q̂_u(p)→Q_u(p)와 D̂(p)→D(p) 가 거의 확실히 수렴함을 보이며, 수렴 속도는 O_p(n^{-1/2})이다. 부트스트랩을 이용한 신뢰구간 구축 방법도 제시되어 실무 적용성을 높인다. 응용 부분에서는 두 가지 주요 확장 프레임워크를 제시한다. 첫째, 극단 분위수(p≈0 또는 1) 추정을 위해 방향성 분위수의 tail index를 추정하고, 이를 기반으로 다변량 극값 이론을 전개한다. 둘째, “방향성 분위수 회귀”를 도입하여 공변량 Z에 따라 깊이 등고선 D(p;Z) 를 모형화한다. 이는 다변량 성장 차트(예: 키·체중·BMI) 구축에 직접 활용될 수 있다. 실제로 네팔 영유아 데이터(키와 체중) 에 적용한 사례에서는, 전통적인 1차원 백분위와 달리, 깊이 등고선을 이용해 전체 성장 패턴을 시각화하고, 개별 아동의 상대적 위치를 정량적으로 평가할 수 있음을 보여준다. 결론에서는 방향성 분위수와 깊이 등고선 사이의 수학적 동등성을 명확히 함으로써, 다변량 데이터 분석에 새로운 해석적·시각적 도구를 제공한다는 점을 강조한다. 또한, 향후 연구 과제로 고차원에서의 계산 효율성, 비타원형 분포에 대한 일반화, 그리고 복합 공변량 구조를 고려한 다중 깊이 회귀 모델 개발 등을 제시한다.