ABCμ 로 모델 비판: 베이지안 근거와 실용적 활용

본 논문은 Robert·Mengersen·Chen(RMC)이 제기한 “ABCμ 은 베이지안 기반이 아니며, 모델 비판에 부적절하다”는 주장에 대해 체계적인 반박과 상세한 이론적·실험적 설명을 제공한다. 먼저 저자들은 ABCμ 의 기본 구조를 소개한다. 전통적인 Approximate Bayesian Computation(ABC)은 시뮬레이션된 데이터 x 를 요약통계 S(x) 로 변환하고, 관측 요약통계 S(x₀) 와의 거리 ρ(S(x),S(x₀)) 가 허용오차 τ 이하일 때 파라미터 θ 를 받아들인다. ABCμ 은 여기서 확장하여, 각 요약통계마다 개별 오차 ε_k = ρ_k(S_k(x),S_k(x₀)) 를 정의하고, 이 다중 오차 벡터 ε₁:K 를 상태공간에 포함시킨다. 이렇게 하면 θ 와 ε₁:K 의 결합 사후분포 f_{ρ,τ}(θ,ε₁:K|x₀,M) 를 직접 추정할 수 있다. 핵심 수식은 (1)에서 제시된 확장된 밀도이며, 여기서 ξ_{x₀,θ}(ε₁:K) 는 “augmented likelihood” 로 불린다. 저자들은 ξ 를 사전예측오차밀도 L_ρ(ε₁:K|M) 와 사전오차밀도 π_{ε}(ε₁:K) 의 곱으로 표현함으로써, ABCμ 이 기존 베이지안 프레임워크와 일관됨을 증명한다. 특히 식 2와 3을 통해 사후오차밀도 f_{ρ,τ}(ε₁:K|x₀,M) 가 π_{ε}(ε₁:K)·L_ρ(ε₁:K|M) 로 가중된 형태임을 보이며, 이는 Box(1980)의 사전예측오차 개념과 동일하다. 다음으로 저자들은 ABCμ 의 가정(A1–A6)을 명시한다. A1 은 오차분포가 독립적이며 중심이 0, 스케일 τ 로만 조정된다고 가정한다. 이는 동일한 데이터가 두 번 사용되는 것을 방지한다. A2–A3 은 τ 를 가능한 작게 설정하고, ρ 함수가 θ 변화에 민감하도록 설계해야 함을 강조한다. A4는 ρ_k 가 실값을 반환하고, ρ_k=0 ⇔ S_k(x)=S_k(x₀) 이어야 함을 요구한다. A5는 사전예측오차밀도가 대칭·중심이 0 이어야 함을 명시하고, A6는 누적분포함수의 연속미분가능성을 가정해 ξ 를 미분가능하게 만든다. 이러한 가정들은 ABCμ 이 통계적으로 일관되고, 파라미터 변환에 대해 적절히 보정될 수 있음을 보장한다. RMC 가 제기한 두 가지 주요 비판에 대해 저자들은 구체적인 반박을 제시한다. 첫째, ξ_{x₀,θ}(ε₁:K) 를 “likelihood” 라고 부르는 것이 부적절하다는 주장에 대해, ξ 가 실제 데이터 x₀ 를 조건으로 한 무한소 빈도이며, ε₁:K 를 관측값이 아닌 시뮬레이션 결과에 대한 확률밀도로 해석해야 함을 강조한다. 포아송 예시에서는 ε = x−x₀ 로 정의된 ξ 가 x₀ 가 음수일 때도 정의되며, 이는 전통적인 우도와 달리 관측값에 제한이 없음을 보여준다. 둘째, 파라미터 재파라미터화 시 ξ·π_{ε} 가 불변하지 않는다는 비판에 대해서는, τ 를 재조정하고 Jacobian 을 반영하면 불변성을 회복할 수 있음을 수식적으로 증명한다. 이론적 논의를 뒷받침하기 위해 세 가지 예시를 제시한다. 예시 1은 포아송 모델에서 ε 를 정의하고, ξ 가 실제 포아송 확률질량함수와 동일하게 동작함을 보여준다. 예시 2는 가우시안 모델에서 사전이 평탄할 경우 사후오차가 사전오차와 동일해지며, 이는 모델이 데이터를 설명하지 못함을 의미한다. 또한 근사 베이즈 요인 B_{ρ,τ} 를 계산해, 사전이 비정보적일 때 모델 비교가 무의미해짐을 확인한다. 예시 3은 100개의 독립 샘플을 가진 지수분포 데이터를 두 개의 요약통계(평균, 중앙값)로 요약하고, 다중 오차 ε₁, ε₂ 를 사용해 MCMC-ABCμ 로 사후오차밀도를 추정한다. 결과는 부적절한 사전 설정이나 모델 불일치가 있을 때 ε₁, ε₂ 의 사후밀도가 0 에서 멀어지는 것을 명확히 보여준다. 특히 다중 오차와 상호 의존적인 요약통계가 모델 불일치를 강력히 탐지한다는 점을 강조한다. 마지막으로 저자들은 ABCμ 의 실용적 활용 방안을 논의한다. τ 와 ρ 의 선택이 결과에 큰 영향을 미치므로, 민감도 분석이 필수적이며, 다중 요약통계를 가능한 많이 포함하는 것이 모델 불일치를 더 잘 드러낸다. 또한 사전예측오차밀도와 사후오차밀도의 비교를 통해 모델이 데이터에 적합한지 직관적으로 판단할 수 있다. 결론적으로, ABCμ 은 베이지안 원칙에 부합하면서도, 복잡한 모델에서 직접적인 우도 계산이 불가능한 상황에서도 모델 비판과 비교를 수행할 수 있는 강력하고 정당한 도구임을 입증한다.