다변량 이산 데이터 생성: 일반화 포아송·음이항·이항 마진을 위한 새로운 알고리즘

초록

본 논문은 일반화 포아송, 음이항, 이항 분포를 마진으로 갖는 다변량 이산 데이터를 사전 지정된 상관 행렬에 따라 생성하는 알고리즘을 제시한다. 기존의 단일 분포 기반 방법과 달리, 이 접근법은 마진만 지정하면 되고 양·음의 상관 구조를 모두 구현할 수 있다. 알고리즘 단계, 상관 한계 이론, 시뮬레이션 및 실제 데이터 적용 결과를 통해 정확도·정밀도가 검증되었다.

상세 분석

이 연구는 다변량 이산 데이터 생성 분야에서 중요한 공백을 메우는 시도로, 특히 일반화 포아송(Generalized Poisson), 음이항(Negative Binomial), 이항(Binomial)이라는 세 가지 대표적인 마진 분포를 동시에 다룰 수 있다는 점이 혁신적이다. 기존 방법들은 NORMA‑to‑Anything(NORTA) 기반으로 단일 분포에 국한되거나, 양의 상관만 허용하고 차원 수가 늘어날수록 계산 복잡도가 급증하는 한계를 가지고 있었다. 본 논문은 Demirtas(2006)의 순서형 데이터 생성 프레임워크를 확장하여, 각 이산 변수의 모든 가능한 값들을 “카테고리”로 간주하고, 이를 중간 이진 변수로 변환한 뒤 다변량 정규(또는 다변량 이진) 샘플을 생성하고 다시 원래 스케일로 복원하는 ‘Generate‑Sort‑Correlate(GSC)’ 절차를 적용한다.

핵심 기술은 (1) 각 마진의 중앙값을 기준으로 0/1 이진 변수를 정의하고, (2) 목표 피어슨 상관 δij와 이진 상관 δbij 사이의 관계 |δbij| ≥ |δij| 를 이용해 반복적으로 이진 상관을 조정한다는 점이다. 이 과정에서 Emrich‑Piedmonte(1991) 방법을 사용해 이진 데이터를 생성하고, Higham(2002)의 nearPD 알고리즘으로 양정(positive‑definite) 상관 행렬을 보정한다. 또한 Hoefding‑Frechet 이론을 인용해 마진별 상관 가능한 최소·최대값을 사전에 계산함으로써 비현실적인 상관 지정이 발생하지 않도록 한다.

시뮬레이션에서는 5차원 변수군을 대상으로 작은 표본(N=200)과 큰 표본(N=2000) 두 경우를 검증하였다. 결과는 평균 추정값(AE)이 진짜값(TV)과 거의 일치하고, 상대 편향(RB)이 5% 이하, 표준화 편향(SB)이 50% 이하, 커버리지(CR)가 90% 이상이라는 사전 설정 기준을 모두 만족한다. 특히 상관 추정에서도 목표값과 0.01 이내 차이로 재현되었으며, 분산·분산 파라미터(λ) 추정에서도 안정적인 성능을 보였다. 실제 데이터 적용 사례(임상 발작 횟수, 미생물 군집, RNA‑seq 차등 발현)에서도 알고리즘이 기존 방법보다 더 유연한 마진 선택과 상관 구조를 제공함을 확인하였다.

한계점으로는 (i) 이진 변환 과정에서 중앙값 기준이 비대칭 마진에 대해 최적이 아닐 수 있으며, (ii) 매우 높은 상관(>|0.8|)이나 극단적인 언더디스퍼전(λ≈‑1) 상황에서는 근사 과정이 수렴하지 않을 위험이 있다. 또한 연산 복잡도가 O(N·J²) 수준으로, 차원(J)이 수십 이상으로 확대될 경우 메모리·시간 부담이 커질 수 있다. 향후 연구에서는 중앙값 외에 최적 임계값 탐색, 고차원 고속 근사 알고리즘, 그리고 베이지안 프레임워크와의 통합을 제안한다.