두 표본 평균 차 검정의 새로운 정확 해법

초록

본 논문은 두 표본 문제에서 평균 차이를 검정하기 위한 정확한 분포와 수치적 해법을 제시한다. Welch‑Aspin 접근법과 Fisher‑Behrens 문제를 연결하고, 유사성 원리와 Linnik 현상을 활용해 nuisance parameter 를 효과적으로 제거한다. 시뮬레이션을 통해 제안된 방법의 정확도와 효율성을 검증하였다.

상세 분석

두 표본 문제는 서로 다른 모집단에서 추출된 두 표본의 평균 차이가 통계적으로 유의한지를 판단하는 고전적인 통계학 과제이다. 특히 두 모집단의 분산이 알려지지 않았고 서로 다를 가능성이 있을 때, 전통적인 Student t 검정은 부적합하며, 이를 보완하기 위해 Welch‑Aspin 검정과 Fisher‑Behrens 접근법이 제안되어 왔다. 본 논문은 이러한 기존 방법들의 한계를 정확 분포 수준에서 재조명한다. 먼저, Welch‑Aspin 검정 통계량의 정확한 확률분포를 유도하기 위해 nuisance parameter 로 작용하는 두 모집단 분산의 비율을 통합하는 베이지안적 접근을 채택한다. 이 과정에서 similarity principle, 즉 두 분산 비율이 특정 함수 형태로 변환될 때 검정 통계량의 분포가 동일하게 유지된다는 성질을 이용한다. Linnik 현상은 특히 분산 비율이 극단적인 값으로 수렴할 때, 검정 통계량의 꼬리 부분이 기존 정규 근사보다 더 무거워지는 현상을 의미한다. 논문은 이 현상을 정량화하여, 기존 Welch 검정이 과소평가하는 Type I 오류율을 교정한다. 수치적 해법으로는 고차원 적분을 효율적으로 수행하기 위해 Gauss‑Laguerre와 Gauss‑Hermite 결합 규칙을 설계하고, 이를 통해 정확 p‑값을 빠르게 계산한다. 또한, Monte Carlo 시뮬레이션을 통해 제안된 방법이 기존 Welch‑Aspin 및 Behrens‑Fisher 절차보다 평균 절대 오차와 신뢰구간 커버리지를 현저히 개선함을 입증한다. 특히, 표본 크기가 작고 분산 불균형이 심한 경우에도 안정적인 검정력을 유지한다는 점이 강조된다. 마지막으로, 논문은 제안된 알고리즘을 R 패키지 형태로 구현하여 실무 적용성을 높였으며, 향후 다변량 확장과 비정규 모집단에 대한 일반화 가능성을 논의한다.