베이지안 사분위 추정 및 회귀를 위한 마팅게일 사후분포

초록

본 논문은 베이지안 프레임워크에서 사분위 함수와 사분위 회귀를 추정하기 위해, 전통적인 가능도‑사전 설정을 탈피한 마팅게일 사후분포(MP) 개념을 확장한 ‘사분위 마팅게일 사후분포(QMP)’를 제안한다. QMP는 추정하고자 하는 사분위 함수를 재귀적으로 업데이트하는 예측 생성기 역할을 하며, 이를 통해 MCMC 없이 병렬적으로 사후 샘플을 얻는다. 또한, 증가 재배열(increasing rearrangement) 이론을 활용해 사분위 교차 문제를 자연스럽게 해결하고, 가우시안 프로세스 기반 근사와 베이지안 부트스트랩과의 연결성을 제공한다. 이론적으로는 Banach 공간 마팅게일 도구를 이용해 존재성, 약한 수렴, 일관성 및 빈도주의적 수축을 증명했으며, 시뮬레이션과 실제 데이터에서 계산 효율성과 정확성을 입증하였다.

상세 분석

이 연구는 베이지안 사분위 추정의 핵심 난제인 ‘가능도와 사전의 선택’ 문제를 근본적으로 회피한다는 점에서 혁신적이다. 기존 방법들은 비대칭 라플라스 가능도나 복잡한 비모수 사전(예: 사분위 피라미드, 반파라메트릭 사전)을 도입했지만, 모두 MCMC 의존도가 높고 사전 설계가 까다롭다. 저자들은 ‘마팅게일 사후분포(MP)’라는 새로운 프레임워크를 차용해, 관측된 데이터 Y₁:ₙ 으로부터 일련의 예측 분포 Pₙ을 직접 정의하고, 이 예측 분포를 순차적으로 샘플링해 남은 무한 모집단 Yₙ₊₁:∞ 을 ‘예측 재샘플링(predictive resampling)’한다. 핵심은 사후 샘플링이 바로 이 예측 재샘플링과 동등하다는 점이다.

QMP는 이 아이디어를 사분위 함수에 적용한다. 먼저 관측 데이터로부터 연속적이지만 반드시 단조가 아닌 사분위 함수 추정 Qₙ을 얻는다. Qₙ 은 U(0,1) 난수를 Vₙ₊₁에 대입해 Yₙ₊₁ = Qₙ(Vₙ₊₁) 를 생성함으로써 예측 생성기 역할을 수행한다. 이 과정은 사실상 Qₙ 의 증가 재배열 Qₙ† 가 정의하는 진정한 사분위 함수 Qₙ† 로부터 샘플을 뽑는 것과 동등하다. 따라서 Qₙ 은 직접 재배열 연산을 수행하지 않아도 사분위 교차 문제를 자연스럽게 해결한다.

재귀적 업데이트는 Qₙ₊₁ = ℱ(Qₙ, Yₙ₊₁) 형태로 정의되며, 여기서 ℱ 는 예를 들어 커널 기반 가중 평균, 혹은 가우시안 코플라를 이용한 적응적 업데이트가 될 수 있다. 저자들은 이 업데이트가 마팅게일 조건 E