날카로운 가설과 양공간 추론

본 논문은 통계적 추론에서 사전 지식이 강하게 존재하는 상황, 즉 파라미터가 특정값 혹은 매우 좁은 구간에 있을 것이라는 믿음이 사전에 확립된 경우를 다룬다. 저자는 이러한 상황을 ‘날카로운 가설(sharp hypothesis)’과 ‘거의 날카로운 가설(almost sharp hypothesis)’으로 정의하고, 이들 가설이 존재할 때 전통적인 베이지안 접근이 갖는 문제점을 상세히 비판한다. 베이지안 방법은 사전 확률을 ‘확산된’ 혹은 ‘비정형’ 형태로 지정해야 하는데, 이는 사전 분산 선택에 따라 사후 확률이 급격히 변하거나, 무한대로 보낼 경우 사후 확률이 1에 수렴하는 비현실적인 결과를 초래한다. 특히, 임상시험에서 상대위험이 1에 가깝다는 사전 기대가 있을 때, 기존 베이지안 분석은 사전 분산 선택에 지나치게 민감해 실제 데이터와 무관하게 가설을 확정짓는 위험이 있다. 이를 해결하기 위해 저자는 ‘양공간 추론(bispatial inference)’이라는 새로운 프레임워크를 제시한다. 양공간 추론은 파라미터 공간 가설 H_P와 샘플링 공간 가설 H_S를 동등하게 설정하고, 두 가설이 서로를 완전히 대체한다는 전제 하에 진행된다. H_P는 전통적인 형태인 “θ∈Θ₀”와 같이 파라미터가 특정 집합에 속한다는 선언이며, H_S는 관측되지 않은 두 번째 표본 X*에 대한 통계량 J(X*)가 데이터 x에 의해 정의된 집합 J₀(x) 안에 들어갈 확률 ρ가 사전에 정해진 구간 P₀에 포함된다는 형태다. 즉, 파라미터에 대한 가설을 샘플링 공간에서의 장기 빈도와 연결시켜 두 개의 ‘공간’에서 동시에 검증한다는 점에서 ‘양공간’이라는 명칭이 유래한다. 양공간 추론의 절차는 다섯 단계로 구성된다. 첫째, 연구자가 관심 있는 파라미터에 대해 적절한 H_P를 설정한다. 둘째, 사전 지식만을 이용해 H_P가 참일 가능성을 평가한다(정량적 확률 부여는 필수 아님). 셋째, H_P와 동등한 H_S를 정의한다. 넷째, 실제 데이터 x를 관측한 후 H_S가 참일 가능성을 평가한다. 이때 사전 단계에서의 평가와 H_P–H_S 동등성을 모두 고려한다. 마지막으로, H_S에 대한 사후 평가를 H_P에 대한 사후 결론으로 전환한다. 논문은 이 알고리즘을 구체적인 예시와 함께 설명한다. 첫 번째 예시는 두 측 p‑값을 이용한 경우이다. 여기서 H_P는 μ=0이라는 날카로운 가설이며, H_S는 ρ({X*<−|x|}∪{X*>|x|})=2Φ(−|x|/σ) 로 정의된다. 오른쪽 항은 관측된 x에 대한 전통적인 두 측 p‑값과 동일하며, 사전 믿음이 강할수록 작은 p‑값이라도 H_S를 기각하기 어려운 ‘보정 효과’를 제공한다. 두 번째 예시는 거의 날카로운 가설 μ∈