근사 베이지안 계산(ABC) 방법론의 최신 동향과 실용적 구현 가이드

본 설문 논문은 근사 베이지안 계산(Approximate Bayesian Computation, ABC) 방법론을 체계적으로 정리하고, 지난 10년간의 주요 발전을 종합한다. 먼저 서론에서는 우도 함수가 수식적으로 존재하지 않거나 계산적으로 비현실적인 경우가 많아, 시뮬레이션 기반의 “likelihood‑free” 접근이 필요함을 강조한다. 전통적인 MCMC가 사전‑우도 구조에 의존하는 반면, ABC는 모델을 시뮬레이션할 수만 있으면 사후분포를 근사할 수 있다는 점을 강조한다. **2절**에서는 ABC의 기원을 살펴본다. Rubin(1984)의 철학적 논의에서 시작해, Tavare et al.(1997)의 인구유전학 적용을 통해 최초의 거부 샘플링 형태가 제시된다. 여기서는 요약통계 η와 거리 ρ, 허용오차 ε가 핵심 파라미터이며, ε→0 일 때 정확한 사후분포에 수렴함을 수식적으로 증명한다. 연속 데이터에 대한 직접 매칭이 불가능하므로, 요약통계 선택이 필수적이며, 충분통계가 존재하지 않을 경우 정보 손실을 최소화하는 통계 설계가 필요함을 언급한다. **3절**은 ABC 캘리브레이션 문제에 집중한다. 요약통계 η는 모델‑특정 특성을 반영해야 하며, 차원 축소 기법(주성분, 부분 최소제곱, 회귀 보정) 등이 활용된다. ε는 acceptance rate와 근사 오차 사이의 트레이드오프를 조절한다. 저자들은 ε를 사전 시뮬레이션을 통해 목표 acceptance rate(예: 1%~5%)에 맞추는 방법과, 순차적 알고리즘에서 ε를 점진적으로 감소시키는 적응 스케줄을 제안한다. 또한, 거리 함수 ρ는 유클리드 거리 외에 Mahalanobis 거리, 정규화된 L1 거리 등 데이터 특성에 맞는 형태를 선택해야 함을 강조한다. **4절**에서는 MCMC‑ABC와 순차적 개선을 다룬다. Marjoram et al.(2003)의 메트로폴리스‑헤이스팅스 기반 MCMC‑ABC는 제안분포 q와 사전 π를 이용해 사후분포를 목표로 하지만, 높은 차원에서 acceptance가 낮아지는 문제를 안다. 이를 해결하기 위해 SMC‑ABC(Sequential Monte Carlo), PMC‑ABC(Population Monte Carlo), Adaptive‑ABC 등 순차적 샘플링 프레임워크가 도입되었다. 특히, Fearnhead & Prangle(2010)의 “semi‑automatic ABC”는 회귀 모델을 통해 요약통계를 자동 생성하고, 이를 통해 ε를 크게 늘려도 높은 정확도를 유지한다. 또한, Beaumont et al.(2002)의 회귀 보정(post‑processing regression adjustment) 기법이 사후 샘플을 재가중해 bias를 감소시키는 방법으로 소개된다. **5절**은 “노이즈 ABC”와 필터링 응용을 설명한다. Wilkinson(2008)은 커널 Kε를 도입해 ABC 목표를 π(θ)f(z|θ)Kε(y−z) 형태로 정의하고, Kε를 실제 측정오차 분포로 설정하면 정확한 베이지안 추론이 가능하다고 주장한다. 이 접근은 “noisy ABC”라 불리며, 커널 폭 ε가 직접적인 허용오차 역할을 한다. 이어서 Jasra et al.(2011)과 Dean et al.(2011)은 숨은 마코프 모델(HMM)에서 관측분포가 불가능할 때 ABC 필터링을 적용하는 방법을 제시한다. 여기서는 요약통계가 HMM 구조를 보존하도록 설계해야 오류가 누적되지 않으며, 충분한 데이터와 적절한 ε 선택 시 일관성(consistency)과 asymptotic unbiasedness를 보장한다. **6절**은 ABC를 이용한 모델 선택에 초점을 맞춘다. 모델 선택에서는 사후 모델 확률을 직접 추정하기 어려워, 베이지안 팩터(Bayes factor) 추정이 불안정할 수 있다. Beaumont et al.(2010)과 Robert et al.(2011)은 포스트 프로세싱 회귀, 로짓 변환, 혹은 “ABC‑model choice” 전용 요약통계 설계 등을 통해 신뢰성을 높이는 방법을 제시한다. 또한, 모델 비교 시 “sufficient statistics for model discrimination”가 존재한다면 ABC의 정확도가 크게 향상된다는 이론적 근거를 제공한다. 마지막으로 논문은 **실무적 권고사항**을 정리한다. (1) 가능한 경우 충분통계 사용, (2) ε는 자동 적응 스케줄로 점진적 감소, (3) MCMC‑ABC보다 SMC‑ABC가 고차원에서 효율적, (4) 회귀 보정 및 semi‑automatic 요약통계 활용, (5) 모델 선택 시 별도 요약통계와 교차 검증 적용을 권장한다. 전반적으로 ABC는 복잡 모델에 대한 베이지안 추론을 가능하게 하는 강력한 도구이지만, 캘리브레이션과 요약통계 설계가 성공 여부를 좌우한다는 점을 강조한다.