파라미터 식별성 및 중복성 이론적 고찰

본 논문은 복잡한 생물학·역학 모델에서 흔히 발생하는 “파라미터 식별 불가능성” 문제를 이론적으로 정리하고, 이를 해결하기 위한 새로운 개념들을 제시한다. 서론에서는 파라미터 식별성(identifiability)과 파라미터 중복성(redundancy)의 중요성을 강조한다. 식별 불가능한 파라미터는 회귀 분석 시 수렴 문제를 야기하고, 모델 해석을 왜곡한다는 점을 들어, 사전 검증의 필요성을 역설한다. 기존 문헌(Rothenberg 1971, Catchpole‑Morgan 1997 등)에서 제시된 전역적 식별성 정의와 로컬 식별성(local identifiability) 개념을 재검토하고, 이를 보다 일반적인 오류 구조(정규, 이항, 포아송 등)로 확장한다. 핵심 이론은 로그우도 함수 L(θ)와 그 2차 미분인 Hessian 행렬 H(θ)=∂²L/∂θ_i∂θ_j의 랭크에 기반한다. 저자들은 다음 네 가지 개념을 정의한다. ① 파라미터 식별성(전역) – 두 파라미터 집합이 동일한 데이터 분포를 만들지 않음. ② 국부 식별성(local identifiability) – 파라미터 공간의 작은 이웃 N 안에서 L이 유일한 최대값을 갖는지 여부. ③ 약한 국부 식별성(weak local identifiability) – 특정 데이터 샘플에 대해 L이 N 안에서 최대값을 하나만 갖는 경우. ④ 그라디언트 약한 국부 식별성(gradient weak local identifiability) – N 안에서 L의 그라디언트가 0이 되는 점이 하나만 존재하는 경우. 정리 1(Theorem 1)에서는 로그우도 L이 C² 연속이고 Hessian의 랭크가 파라미터 차원 p와 동일하면, (i) 전환점(turning point)과 (ii) 국부 최대점이 모두 고립(isolated)한다는 것을 증명한다. 이는 “고립성”이 식별성 판단에 충분조건임을 의미한다. 반대로 Hessian 랭크가 p보다 낮으면, 최대점이 연속적으로 존재하거나 전환점이 무수히 많아 식별 불가능성을 시사한다. 정리 2(Theorem 2)에서는 “약하게 최대(weakly maximal)”와 “강하게 최대(strongly maximal)” 파라미터 집합을 정의한다. 약하게 최대 집합은 어떤 고정된 파라미터 하에서 남은 파라미터가 유일한 최대값을 갖는 경우이며, 강하게 최대 집합은 그 조건이 모든 작은 이웃에서도 유지되는 경우이다. 이 정의를 통해 파라미터 집합의 식별 가능성을 단계적으로 평가할 수 있다. 다음으로 논문은 지수 가족(exp​onential family) 모델에 특화된 결과를 제시한다. 지수 가족에서는 로그우도가 L(θ)=∑