구간화 데이터에서 파워법칙 검증 방법

초록

본 논문은 구간화(빈닝)된 실증 데이터를 대상으로 파워법칙 가설을 검증하는 통계적 절차를 제시한다. Clauset‑Shalizi‑Newman의 프레임워크를 빈 데이터에 맞게 확장해 최대우도 추정, KS 적합도 검정, 그리고 대안 모델과의 우도비 검정을 수행한다. 합성 데이터와 12개의 실제 데이터에 적용해 빈닝이 통계적 검정력에 미치는 영향을 정량화한다.

상세 분석

논문은 먼저 파워법칙 분포 (p(x)=C x^{-\alpha}) 를 구간화된 관측값에 적용하기 위해 확률 질량 함수를 구간별 누적 확률로 변환한다. 이를 기반으로 로그우도 함수를 유도하고, (\alpha) 와 최소 적용 구간 (x_{\min}) 를 동시에 최적화하는 새로운 최대우도 추정(MLE) 알고리즘을 제시한다. 기존 연속형 데이터에 사용되는 KS 통계량은 관측값이 구간 중심에 매핑되는 방식으로 수정되어, 실제 빈 데이터와 이론적 파워법칙 누적분포 사이의 최대 절대 차이를 측정한다. 검정 절차는 파라미터 추정 후, 부트스트랩을 통해 합성 빈 데이터를 생성하고, 관측 KS 값이 이 부트스트랩 분포의 상위 5% 이상이면 파워법칙 가설을 기각한다. 대안 모델(지수, 로그정규, 끈끈이 분포 등)과의 비교는 각 모델에 대한 로그우도를 계산하고, 우도비(LR)와 p‑값을 통해 어느 모델이 데이터를 더 잘 설명하는지 판단한다. 합성 실험에서는 알려진 (\alpha)와 (x_{\min})을 가진 데이터를 다양한 구간 폭으로 빈닝했을 때, 파라미터 편향과 검정력 감소를 정량화하였다. 구간 폭이 커질수록 (\alpha) 추정이 약간 과소평가되고, KS 기반 p‑값이 상승해 가설 기각이 어려워지는 현상이 관찰되었다. 실제 12개 데이터셋(지진 규모, 도시 인구, 전쟁 규모 등)에서는 대부분 파워법칙이 통계적으로 유의함을 확인했지만, 몇몇 경우에는 로그정규나 지수 모델이 더 높은 LR 값을 보여 대안 모델의 가능성을 제시한다. 논문은 빈 데이터에서도 신뢰할 수 있는 파워법칙 검정을 수행하려면 구간 설계와 부트스트랩 샘플 수를 신중히 선택해야 함을 강조한다.