데이터 기반 적합도 검정의 새로운 패러다임

초록

본 논문은 간접·오염·부분 관측 데이터에 대해 일관된 검정을 설계하는 일반적 방법을 제시한다. 모델 선택 규칙을 결합한 데이터‑드리븐 검정은 Neyman의 스무스 검정, 데이터‑드리븐 점수 검정, 다표본 검정 등을 포함한다. 페널티 기반 선택 규칙을 활용해 최적의 검정 통계량을 자동으로 선택하고, 영가설·대립가설 하에서의 행동을 이론적으로 분석한다. 검정의 탐지 한계와 마스터 일관성 정리를 증명했으며, 역문제, 다표본, 비모수 검정 등 다양한 분야에 적용 가능함을 보였다.

상세 분석

이 논문은 통계적 가설 검정에서 관측 데이터가 직접적이지 않거나 손상·불완전한 경우에도 강건하게 적용할 수 있는 프레임워크를 구축한다. 핵심 아이디어는 검정 통계량을 사전 정의된 일련의 후보 모델(예: 다항식 차수, 스무스 함수 계수 등) 중에서 데이터에 기반해 선택하는 ‘데이터‑드리븐’ 접근이다. 이를 위해 저자들은 일반적인 페널티 함수 (pen(k)) 를 도입하여 모델 복잡도와 적합도를 균형 있게 평가한다. 페널티는 AIC, BIC, MDL 등 기존 정보 기준을 포함하며, 최근 문헌에서 제시된 최적 페널티 형태도 그대로 적용 가능하도록 설계되었다.

모델 선택 규칙은
\