선형 확률 공간에서의 통계 검정: 로그오즈 기반 새로운 패러다임

초록

본 논문은 확률을 0‑1 구간이 아닌 로그오즈(Weight, W)로 변환해 선형 확률 공간을 만든 뒤, 통계 검정, 효과 크기, 베이즈 정리, 유의성(p‑값) 등을 모두 덧셈 형태로 수행할 수 있음을 주장한다. W=log10(p/(1‑p)) 로 정의하고, 두 처리군 평균 차이를 Impact(I)라 부른다. 베이즈 정리는 Wpost=Wpre+I 형태가 되며, p‑값의 W값을 Certainty(C)라 명명한다. 논문은 변환 방법과 이론적 장점을 제시한다.

상세 분석

이 논문은 확률을 로그오즈, 즉 W=log10(p/(1‑p)) 로 변환함으로써 확률 자체를 비선형에서 선형으로 옮긴다. 로그오즈는 이미 로지스틱 회귀와 베이즈 통계에서 핵심 개념으로 사용되고 있으나, 저자는 이를 “선형 확률 공간”이라 명명하고 전통적인 p‑값 기반 검정 대신 W 기반 검정을 제안한다. 주요 주장 중 하나는 “통계 검정은 선형 확률 공간에서만 정확하다”는 것으로, 이는 실제로 검정 통계량이 로그오즈 차이(I)로 표현될 때 정규성 가정이 더 잘 만족될 수 있음을 의미한다. 그러나 논문은 이러한 정규성 검증을 충분히 제시하지 않으며, 샘플 크기와 분포 형태에 따른 왜곡 가능성을 간과한다. 또한 효과 크기를 Impact(I)라 정의하고, 두 평균 W값의 차이로 계산한다는 점은 직관적이지만, 기존의 Cohen’s d와 같은 표준화된 효과 크기와의 비교가 부족하다. 베이즈 정리를 Wpost=Wpre+I 로 단순화하는 것은 로그오즈의 가법성을 활용한 좋은 아이디어이지만, 사전 확률이 로그오즈 형태로 정확히 주어져야 한다는 전제가 있다. 실제 임상 데이터에서는 사전 확률이 불확실하거나 다변량 요인에 의해 변동하므로, 이 단순 가법식이 항상 적용되지는 않을 것이다. 마지막으로 p‑값을 Certainty(C)라는 W값으로 변환한다는 제안은 “유의성”을 직관적인 스케일로 바꾸려는 시도지만, p‑값 자체가 이미 확률적 의미를 갖는 점을 고려하면, C가 실제 의사결정에 어떤 추가 정보를 제공하는지는 명확히 입증되지 않는다. 전반적으로 로그오즈를 활용한 선형 변환은 통계적 해석을 단순화할 잠재력을 가지고 있으나, 논문은 이 접근법의 제한점, 검증 절차, 기존 방법과의 비교 분석을 충분히 제공하지 못한다.