존재 전용 데이터의 선형 로지스틱 회귀를 위한 베이지안 모델링과 MCMC 추정

본 논문은 ‘존재 전용(presence‑only)’ 데이터라는 특수한 상황을 다루기 위해 베이지안 통계와 사례‑대조(case‑control) 설계를 결합한 새로운 로지스틱 회귀 프레임워크를 제시한다. 서론에서는 존재 전용 데이터가 생태학, 역학 등에서 흔히 나타나며, 기존 문헌(Ward et al., 2009; Di Lorenzo et al., 2011; Dorazio, 2012 등)이 제시한 다양한 접근법—포아송 점과정, 변형된 로지스틱 모델, 최대 엔트로피(MaxEnt) 방법—을 검토한다. 대부분의 기존 방법은 모집단 발생률 π 에 대한 사전 지식이 필요하거나, 독립성 가정을 위배하는 경우 추정이 불안정하다는 한계를 지적한다. 2절에서는 두 단계 확률 모델을 도입한다. 첫 번째 레벨에서는 전체 모집단 U (크기 N)에서 반응 변수 Y∈{0,1}가 공변량 X 에 조건부로 독립적으로 발생한다는 가정 하에, 로짓 변환 φ(x)=logit π\*(x) 를 사용해 선형 로지스틱 구조 π\*(x)=exp(φ(x))/(1+exp(φ(x))) 를 정의한다. 두 번째 레벨에서는 표본 추출 메커니즘을 설명한다. 존재( Y=1 ) 표본은 실제 관측된 존재 데이터 Sₚ 에 포함되고, 통제( Y=0 ) 표본은 전체 모집단에서 무응답으로 남은 공변량만을 포함하는 배경 표본 Sᵤ 을 무작위로 추출한다. 여기서 표본 포함 확률 ρ₀=Pr(C=1|Y=0) 와 ρ₁=Pr(C=1|Y=1) 을 도입하고, 베이즈 규칙을 적용해 관측된 조건부 확률 Pr(Y=1|C=1,x) 를 도출한다. 수식(3)–(5)에서 보듯, 사례‑대조 설계에 의해 로그오즈는 원래 로짓 φ(x) 에 상수 log(ρ₁/ρ₀) 가 더해지는 형태가 된다. 저자는 이를 다시 모집단 발생률 π 와 표본 크기 n₀, n₁ 으로 표현한다. 그러나 실제 데이터에서는 π 와 배경 표본에서 관측된 존재 수 n₁ᵤ 이 미지수이므로, 기존 연구는 두 가지 근사법을 제시한다. 첫 번째는 π 를 사전 알려진 값으로 가정하거나 기대값으로 대체하는 EM 기반 방법이며, 두 번째는 π 에 베타 사전분포를 부여하고 베이지안 추정을 수행하는 방법이다. 두 접근법 모두 π 와 회귀 절편 사이의 강한 상관관계 때문에 추정 효율이 저하될 위험이 있다. 본 논문은 이러한 문제를 해결하기 위해 ‘데이터 증강(data augmentation)’ 아이디어를 차용한다. 배경 표본 Sᵤ 에서 관측되지 않은 반응 변수 yᵤ 을 잠재 변수로 두고, 전체 데이터(관측된 Sₚ + 증강된 Sᵤ)에 대해 완전 데이터 우도를 구성한다. 이때 π 는 베타 사전분포와 결합해 폐쇄형 사후분포를 갖게 되며, Gibbs 샘플링을 통해 직접 업데이트가 가능하다. 구체적인 MCMC 알고리즘은 다음 단계로 이루어진다. 1. 현재 파라미터 (β, π) 를 이용해 배경 표본의 잠재 yᵤ 을 Bernoulli(π\*(xᵤ)) 분포에서 샘플링한다. 2. 전체 데이터(관측된 Sₚ + 증강된 Sᵤ)의 로짓 회귀를 메트로폴리스‑헤이스팅스(MH) 단계로 업데이트한다. 여기서 제안된 로그오즈는 φₚₒₙ₍ₓ₎ = φ(x)+log(n₁ᵤ+nₚ)/n₁ᵤ 와 같이 π 와 n₁ᵤ 에 대한 의존성을 포함한다. 3. π 는 베타 사전분포와 결합해 사후 베타 분포를 얻으며, Gibbs 단계에서 직접 샘플링한다. 이 알고리즘은 ‘모집단 발생률을 사전에 알 필요 없음’이라는 저자의 주장에 직접적인 근거를 제공한다. 또한, 완전 데이터 우도를 이용함으로써 EM 기반 방법보다 수렴 속도가 빠르고, 사후 분포를 직접 얻을 수 있어 불확실성 정량화가 가능하다. 시뮬레이션 연구에서는 네 가지 시나리오(다양한 π, 표본 비율, 공변량 상관구조)를 조합해 총 24 000개의 데이터셋을 생성하였다. 각 시나리오마다 제안된 MCMC 방법, EM 기반 최대우도 방법, 그리고 베타 사전 π 고정 베이지안 방법을 비교하였다. 결과는 다음과 같다. - 평균 추정 편향은 제안 방법이 거의 0에 가깝게 나타났으며, 특히 π 와 절편 간 상관관계가 강한 경우에도 편향이 최소였다. - 평균 제곱오차(MSE)는 제안 방법이 다른 두 방법보다 현저히 낮았다. - MCMC 체인의 유효표본 크기(ESS)와 Gelman‑Rubin 수렴 진단값도 제안 방법이 우수했으며, 계산 시간은 EM 방법에 비해 약 1.5배 정도 증가했지만, 현대 컴퓨팅 환경에서는 실용적인 수준이었다. 결론에서는 본 연구가 존재 전용 데이터 분석에 있어 베이지안 접근법의 새로운 표준을 제시한다는 점을 강조한다. 두 단계 모델은 검열 메커니즘과 표본 설계를 명시적으로 분리함으로써 이론적 투명성을 확보하고, 데이터 증강 MCMC는 사전 발생률에 대한 의존성을 완전히 제거한다. 향후 연구 과제로는 (1) 공간 상관 구조를 포함한 확장 모델, (2) 대규모 실데이터(예: 전 세계 종 분포 데이터) 적용, (3) 변분 추정법 등 계산 효율성을 높이는 대안적 알고리즘 개발을 제시한다.