베이지안 원형 모델을 위한 원칙 기반 사전분포 설계

초록

본 논문은 원형 데이터 분석에 필요한 베이지안 사전분포를 체계적으로 설계하기 위해 Penalized Complexity(PC) 프레임워크를 도입한다. von Mises, Cardioid, Wrapped Cauchy 등 주요 원형 분포의 농축 파라미터에 대한 PC 사전분포를 유도하고, 기존 사전분포와의 시뮬레이션 및 실제 사례 비교를 통해 과적합 방지와 해석 용이성을 입증한다.

상세 분석

이 연구는 원형 통계에서 베이지안 접근을 적용할 때 가장 큰 난관 중 하나인 사전분포 선택 문제를 PC(prior complexity) 사전분포 개념으로 해결한다. PC 사전분포는 “단순 모델”과 “복잡 모델” 사이의 Kullback‑Leibler 거리 d를 복잡도 측정으로 삼아, 거리 증가에 대해 일정 비율 r로 확률밀도가 감소하도록 설계한다(식 7). 이는 Simpson et al. (2017)의 네 가지 원칙—오컴의 면도날, 복잡도 측정, 일정 비율 페널티, 사용자 정의 스케일링—을 그대로 적용한다는 점에서 이론적 일관성을 확보한다.

논문은 먼저 원형 분포들의 공통 구조를 살펴보며, 농축 파라미터(κ, ℓ, ρ)가 0일 때 균등분포라는 “베이스 모델”로 수렴한다는 점을 강조한다. 이를 기반으로 각 분포별 PC 사전분포를 다음과 같이 도출한다.

1. von Mises(κ): 베이스 모델 κ=0과의 KL 거리 d(κ)=√(2κ) · I₁(κ)/I₀(κ) (근사식) 를 이용해, p(κ)=λ exp(−λ d(κ))·|∂d/∂κ| 형태의 지수‑감쇠 사전분포를 얻는다. λ는 사용자가 “κ가 특정 값 이하일 확률”을 지정함으로써 스케일링한다.

2. Cardioid(ℓ): ℓ∈