p값 기반 통계 추론 강의 설계

논문은 먼저 전통적인 통계 추론 교육이 점 추정, 가설 검정, 신뢰 구간을 순차적으로 다루며, 특히 대표본 근사에 크게 의존한다는 문제점을 지적한다. 이러한 구조는 학생들에게 점 추정이 가장 중요한 과제로 인식되게 하고, 검정과 구간 추정은 부차적인 내용으로 전락한다. 저자는 이러한 교육적 불균형을 바로잡기 위해 p값을 중심으로 한 통합적 강의 설계를 제안한다. 2장에서는 p값 함수 p_y(θ)=P_θ{T_θ(Y)≥T_θ(y)}를 정의하고, 이를 통해 (i) 단일 가설 검정, (ii) 복합 가설 검정(Θ₀에 대한 sup), (iii) 신뢰 구간 C_α(y)={θ:p_y(θ)>α}를 일관되게 도출한다. 특히, p값 함수는 연속적인 경우 정확한 1‑α 수준을, 이산 경우 보수적인 수준을 제공한다. 점 추정은 p_y(θ)=1을 만족하는 θ, 즉 최대우도 추정량과 동일함을 보이며, 이는 기존 추정 이론과 일치한다. 2.2절에서는 네 가지 전형적인 예시(정규, 균등, 지수, 이항)를 통해 p값 함수의 구체적 형태와 신뢰 구간을 제시한다. 정규 모델에서는 χ² 분포를 이용해 해석적 식을 얻고, 균등 모델에서는 베타 분포를 이용해 정확한 구간을 도출한다. 지수 모델은 비대칭 형태를 보이며, 수치적 bisection과 pgamma 함수를 활용한다. 이항 모델은 이산성 때문에 계단형 p값 함수를 직접 열거해 구한다. 특히, 이항 모델에서 p값 기반 구간이 Wald 구간보다 더 신뢰성 있음을 강조한다. 3장에서는 실용적인 계산 방법을 다룬다. 대부분의 경우 p값 함수를 해석적으로 구할 수 없으므로, 몬테카를로 시뮬레이션을 이용해 p_y(θ)≈(1/M)∑I{T_θ(Y^{(m)})≥T_θ(y)}를 추정한다. 파라미터 공간을 격자화하거나 최적화 기법을 적용해 sup 혹은 근근값을 찾는 방법을 설명한다. 또한, 누추 파라미터가 존재할 때 프로파일링, 베이지안 마진럴라이제이션, 그리고 대표본 근사(예: 피벗 기반 근사) 등을 논의한다. 4장에서는 보다 복잡한 사례(다변량 정규, 혼합 모델, 비정규 분포 등)를 제시하고, p값 함수 기반 접근이 어떻게 확장될 수 있는지를 보여준다. 여기서는 고차원 적분, 중요도 샘플링, MCMC 등 고급 수치 기법이 필요함을 언급한다. 5장에서는 실제 강의 계획을 제시한다. 첫 주차는 확률과 기본 통계 복습, 2~3주차는 p값 함수 정의와 기본 예시, 4~5주차는 몬테카를로와 수치 최적화 실습, 6~7주차는 복합 가설 검정과 신뢰 구간, 8~9주차는 누추 파라미터와 프로파일링, 10~12주차는 고급 사례와 프로젝트 발표 등으로 구성한다. 교재는 전통 교재와 병행하되, R 코드와 실습 자료를 제공한다. 마지막으로 6장은 결론으로, p값 중심 교육이 학생들에게 추론의 일관성을 제공하고, 대표본 근사에 대한 의존도를 낮추며, 현대 통계 소프트웨어 활용 능력을 동시에 키울 수 있음을 강조한다. 또한, p값에 대한 오해를 바로잡고, “플라시빌리티 함수”라는 새로운 용어를 도입해 교육적 혼란을 최소화한다는 점을 제안한다.