AMP 프레임워크에서 라소 통계 기반 경험적 베이즈 변수 선택

초록

**
본 논문은 고차원 선형 회귀에서 라소 추정량을 이용해 두 집단 모델을 근사하고, 경험적 베이즈 방식으로 지역 거짓 발견율(lfdr)을 추정해 변수 선택 순서를 정한다. AMP 이론을 활용해 선택 절차의 FDP‑TPP 트레이드오프 곡선을 정확히 예측하고, 평균 제곱오차를 최소화하는 λ가 최적임을 증명한다. 교차검증을 통해 λ를 추정하고, 시뮬레이션에서 기존 라소·임계값 라소 대비 큰 파워 향상을 확인한다.

**

상세 분석

**
이 연구는 n/p → 일정한 비율, i.i.d. Gaussian 설계 행렬, 선형 희소성이라는 전형적인 AMP(Approximate Message Passing) 설정을 전제로 한다. 기존 연구들(예: Su et al., 2017; Wang et al., 2020)은 라소 경로 자체 혹은 절댓값 임계값을 이용한 선택 방법이 FDP와 TPP 사이에 근본적인 트레이드오프를 보인다고 밝혀냈다. 그러나 두 방법 모두 λ(정규화 파라미터)를 고정하고 임계값을 변화시키는 방식이었으며, 선택 통계 T_i 를 어떻게 정의하느냐가 파워에 결정적인 영향을 미친다는 점을 충분히 활용하지 못했다.

본 논문은 라소 추정량 β̂_i(λ) 의 경험적 분포가 AMP 이론에 의해 “두 집단 모델”—즉, 0에 집중된 null 부분과 비null 부분이 혼합된 형태—로 수렴한다는 사실을 이용한다. 이때 각 β̂_i 에 대한 사후 확률인 지역 거짓 발견율(lfdr)
\