불완전 데이터에서 이산 마코프 모델 추정: 적응형 MCMC 접근

초록

본 논문은 관측이 부분적으로만 이루어진 이산 마코프 체인의 전이 확률을 베이지안 방식으로 추정한다. 결측 데이터 구조를 다양한 스킴으로 분류하고, 각 경우에 맞는 MCMC 알고리즘을 설계한다. 특히 전이 행렬 행 간의 의존성을 활용한 적응형 Metropolis‑Hastings 기법을 제안해 수렴 속도를 크게 향상시켰으며, 시뮬레이션을 통해 성능을 검증한다.

상세 요약

이 논문은 이산 상태 공간을 갖는 정상 마코프 체인의 전이 행렬 추정 문제를, 관측이 시간축 상에서 불완전하게 이루어진 상황에 초점을 맞추어 다룬다. 전통적인 완전 관측 경우에는 한 단계 이동을 단순히 카운트함으로써 최대우도 추정이 가능하지만, 실제 응용에서는 개별 개체의 상태가 특정 시점에만 기록되는 경우가 빈번하다. 이러한 결측 데이터는 관측 시점의 패턴에 따라 “간격 관측”, “불규칙 간격”, “부분 관측” 등으로 구분될 수 있으며, 각각은 잠재적인 전체 경로를 복원하기 위한 별도의 통계적 모델링을 요구한다.

저자는 베이지안 프레임워크를 채택해 사전 분포를 전이 확률의 행마다 독립적인 Dirichlet 로 설정하고, 결측 데이터를 잠재 변수로 두어 전체 데이터의 사후 분포를 MCMC 로 샘플링한다. 기본적인 Gibbs 샘플링은 각 행의 조건부 사후가 다시 Dirichlet 형태가 되지만, 경로 복원 단계에서 제안된 상태 시퀀스가 복잡하고 차원이 높아 Metropolis‑Hastings (MH) 제안이 필요하다. 여기서 핵심 기여는 전이 행렬의 행들 사이에 존재하는 “합계 제약”(각 행의 원소 합이 1)과 “행 간 상관성”(예: 동일한 출발 상태에서의 전이 경향) 을 이용해 제안 분포를 적응적으로 조정하는 메커니즘이다. 구체적으로, 현재 샘플의 행별 평균과 공분산을 추정해 다변량 정규 제안을 구성하고, 이를 Dirichlet 형태로 변환해 제안한다. 이 적응형 MH는 초기 단계에서는 탐색성을 유지하고, 샘플이 충분히 축적되면 제안 분산을 감소시켜 수용률을 높인다.

실험에서는 세 가지 결측 스킴(정규 간격 관측, 무작위 누락, 혼합형)과 다양한 상태 수(3~10)를 대상으로, 제안된 적응형 MH가 전통적인 독립 MH 대비 유효 샘플 크기(ESS)와 수렴 진단(R̂)에서 현저히 우수함을 보인다. 또한, 사후 평균 전이 행렬이 실제값에 근접함을 확인함으로써 추정 정확도도 향상됨을 입증한다. 논문은 알고리즘 복잡도는 O(N·S²) (N: 관측 개체 수, S: 상태 수) 수준이며, 병렬화가 용이함을 강조한다. 한계점으로는 매우 희소한 관측(예: 한 개체당 한 번만 관측)에서는 제안 분포의 적응이 충분히 이루어지지 않을 수 있다는 점을 언급한다.

전반적으로, 이 연구는 불완전 관측 마코프 모델링에 대한 체계적인 베이지안 접근법을 제공하고, 행 의존성을 활용한 적응형 MCMC 설계가 실제 데이터 분석에 실용적인 가속화를 제공한다는 점에서 의미가 크다.