연속 베이즈를 이용한 기본 재생산수와 연쇄 간격 공동 추정

초록

본 논문은 감염병 초기에 발생하는 일일 확진자 수만을 이용해 기본 재생산수(R₀)와 연쇄 간격(SI)을 동시에 추정하는 새로운 베이즈 프레임워크를 제안한다. SIR 모델을 전제로 하며, 로그‑감마 분포를 각각의 주변분포로 하고 가우시안 코플라를 통해 두 파라미터의 의존성을 반영한 약한 사전분포를 설정한다. 순차 베이즈 업데이트를 통해 실시간으로 사후분포를 갱신하고, 시뮬레이션 및 캐나다 COVID‑19 데이터 적용을 통해 기존 White‑Pagano 방법보다 편향은 비슷하면서도 추정 정확도와 안정성이 크게 향상됨을 보였다.

상세 분석

이 연구는 감염병 역학에서 가장 핵심적인 두 파라미터인 기본 재생산수(R₀)와 연쇄 간격(SI)을 동시에 추정하는 방법론적 공백을 메우고 있다. 기존의 White‑Pagano 접근법은 최대우도 추정을 기반으로 하여 사전 정보를 거의 활용하지 못하고, 특히 초기에 데이터가 부족할 때 추정 변동성이 크게 나타난다. 저자들은 이러한 한계를 극복하기 위해 베이즈적 사고를 도입하고, 특히 ‘순차 베이즈(sequential Bayes)’라는 프레임워크를 적용하였다. 핵심 아이디어는 매 관측 시점마다 이전 시점의 사후분포를 새로운 사전분포로 사용함으로써, 데이터가 누적될수록 추정이 점진적으로 수렴하도록 하는 것이다.

사전분포 설계는 두 파라미터가 서로 독립적이지 않다는 점을 명시적으로 반영한다. R₀와 γ(=1/SI)는 로그‑감마 분포를 각각의 주변분포로 두고, 가우시안 코플라를 이용해 상관계수 ρ(대체로 음수)를 매개로 결합한다. 이는 기존 연구에서 흔히 사용되는 비정보적(Uniform) 사전보다 ‘약하게 정보가 있는(mildly informative)’ 사전으로, 과거 유행 데이터나 문헌값을 반영하면서도 과도한 편향을 방지한다. 로그‑감마 선택은 θ = Δt·γ·(R₀−1)라는 변환에 대해 공액(conjugate)성을 제공해 계산 효율성을 높인다.

모델 가정은 SIR 미분방정식 기반이며, 감염자 수 I(t)의 전이 확률을 포아송 분포로 근사한다. 이때 λ = I(tₖ)·exp