신뢰구간의 사후 커버리지: 모델 기반 확률 해석

초록

이 논문은 전통적인 Neyman‑Frequentist 신뢰구간 해석이 “구간이 파라미터를 포함하거나 포함하지 않는다”는 이분법에 머무는 것이 아니라, 동일한 확률 모델을 이용해 사후(후행) 커버리지를 예측 확률로 해석할 수 있음을 주장한다. 사고실험과 무한 시퀀스 표본을 통한 형식적 전개를 통해 설계 수준의 1‑α 커버리지를 조건부 확률과 동일한 모델의 다른 조건화 수준으로 보여주며, 단일 구간에 대한 중간 확률 부여의 규범적 기준을 제시한다.

상세 분석

논문은 먼저 Neyman‑Pearson 체계에서 신뢰구간을 “장기적(설계 수준) 커버리지 1‑α를 만족한다”는 조건부 확률로 정의하고, 개별 구간에 대해 사후 확률을 부여하는 것이 통계학적 금기라고 보는 전통적 입장을 비판한다. 이를 위해 저자는 동일한 확률 모델을 두 번 활용한다. 첫 번째는 전통적인 전향적 해석으로, 무한히 반복되는 실험에서 각 구간이 파라미터를 포함할 확률을 1‑α로 정의한다. 두 번째는 후향적 해석으로, 실제 관측된 데이터와 그에 대응하는 커버리지 지표(0/1)를 조건부 확률 변수로 취급한다. 여기서 “커버리지 지표가 1일 확률”은 관측된 전체 데이터가 주어졌을 때는 0 또는 1로 확정되지만, 그 이전 단계에서 전체 데이터 생성 과정을 모델링하면 해당 지표에 대한 예측 확률을 계산할 수 있다.

저자는 무한 시퀀스(θ, X₁, X₂, …)와 그에 대응하는 커버리지 지표 Cₙ을 도입하고, 설계 수준의 커버리지 P(Cₙ=1)=1‑α와 조건부 확률 P(Cₙ=1│X₁,…,Xₙ) 사이의 관계를 수학적으로 전개한다. 이때 P(Cₙ=1│X₁,…,Xₙ) 은 관측된 데이터가 고정된 순간에는 확정값이지만, 데이터 생성 메커니즘을 포함한 전체 확률 공간에서는 여전히 확률 변수이며, 이는 “예측 확률” 혹은 “전망(forecast)”으로 해석될 수 있다.

또한 저자는 “행동주의적(strict behaviorist) 해석”이 모델 자체가 제공하는 사후 확률 정보를 무시함으로써, 설계 수준 오류율을 정의하는 수학적 구조와 모순된다고 주장한다. 실제로 베이지안 사후 확률과는 달리 빈도주의자는 사후 확률을 부정하지만, 여기서 제시된 모델 기반 접근은 빈도주의적 프레임 안에서도 사후 커버리지를 확률적으로 다룰 수 있는 일관된 방법을 제공한다.

마지막으로 논문은 중간 확률을 허용할 “규범적 규칙”을 제시한다. 즉, 관측된 데이터가 충분히 풍부하고, 모델이 명시적으로 데이터 생성 과정을 기술한다면, 해당 구간이 파라미터를 포함할 사후 확률을 보고할 수 있다. 이는 정책 결정, 임상 시험, 공공 보건 등 실무에서 “신뢰구간이 어느 정도 신뢰할 만한가”를 정량적으로 전달하는 데 유용하다.