베이지안 비모수 접근으로 재해석한 종 민감도 분포

초록

본 논문은 종 민감도 분포(SSD) 방법을 베이지안 비모수 혼합 모델로 재구성한다. 정규·로그정규 등 고정된 파라메트릭 가정의 한계를 넘어, 정규화된 랜덤 측도(NRMI)를 혼합분포의 사전으로 사용해 데이터가 적거나 검열된 경우에도 안정적인 밀도 추정과 군집화를 제공한다. 시뮬레이션과 실제 데이터 분석을 통해 기존 파라메트릭 SSD와 커널 밀도 추정 기반 SSD보다 정확도와 불확실성 정량화 측면에서 우수함을 입증한다. 또한 Shiny 앱을 공개해 실무 적용을 용이하게 한다.

상세 분석

이 연구는 SSD의 전통적 파라메트릭 접근이 데이터 부족·다양한 종군집 구조를 충분히 반영하지 못한다는 비판에 근거해, 베이지안 비모수(NBP) 프레임워크를 도입한다. 핵심은 정규화된 랜덤 측도(NRMI) 중 하나인 정규화된 안정 과정(Normalized Stable Process)을 혼합분포의 사전으로 채택한 점이다. γ 파라미터(0.4)와 독립적인 위치·스케일 베이스 측도(P0) 설정을 통해 군집 수와 형태에 대한 사전 정보를 최소화하면서도, 데이터가 충분히 있을 경우 자동으로 복잡한 다중모드 구조를 학습한다. 모델은 로그 변환된 CEC 데이터를 정규 커널(k)로 혼합하고, 검열 데이터는 누적분포함수(F) 형태로 likelihood에 직접 삽입한다는 점에서 기존의 검열 처리 방식보다 일관적이다. MCMC 샘플링은 Ferguson‑Klass 알고리즘과 Metropolis‑Hastings‑within‑Gibbs를 결합해 효율적으로 수행되며, BNPdensity R 패키지를 활용해 구현한다.

불확실성 정량화는 HC5(5% 위험 농도)의 사후 분포를 직접 추출함으로써 이루어진다. 매 MCMC 반복마다 누적분포함수 ˜F를 계산하고, 그 역함수(quantile)로 HC5를 얻어 전체 사후 분포와 95% 신뢰구간을 제공한다. 이는 기존에 점 추정값에 안전계수를 부가하는 관행을 대체한다.

시뮬레이션에서는 다양한 샘플 크기(10~30)와 검열 비율을 갖는 데이터셋에 대해 파라메트릭 정규 SSD, 커널 밀도 추정(KDE) SSD와 비교했을 때, BNP‑SSD가 평균 절대 오차와 평균 제곱 오차 모두에서 우수함을 보였다. 특히 작은 샘플(≤15)에서 KDE는 과도한 변동성을 보이지만, BNP‑SSD는 사전 정보와 군집 구조를 활용해 안정적인 추정을 제공한다. 실제 데이터(수은, PCB 등)에서는 다중모드 패턴이 발견되었으며, 군집 분석을 통해 특정 분류군(예: 연체동물 vs 어류)이나 작용 메커니즘에 따른 민감도 차이를 시각화했다.

또한 저자들은 Shiny 기반 웹 애플리케이션을 배포해 사용자가 데이터 업로드, 검열 지정, 사후 추정 시각화 등을 손쉽게 수행하도록 지원한다. 이는 규제 기관이나 환경 평가 실무자가 복잡한 베이지안 모델링 지식 없이도 최신 비모수 SSD를 적용할 수 있게 한다.

전반적으로 이 논문은 SSD 분야에 베이지안 비모수 혼합 모델을 체계적으로 도입함으로써, 데이터 희소성, 검열, 다중군집 구조 등 현실적인 제약을 동시에 해결하고, 규제 목적에 부합하는 불확실성 정량화와 해석 가능한 군집 정보를 제공한다는 점에서 학술적·실무적 기여가 크다.