복제 연구를 위한 혼합 사전: 베이지안 새 접근법

초록

**
본 논문은 원본 연구의 사후분포와 비정보적 사전분포를 혼합한 ‘혼합 사전’을 제안한다. 혼합 가중치 ω는 원본 데이터와 복제 데이터의 결합 정도를 조절하며, 고정 가중치와 가중치 자체에 사전분포를 부여하는 두 전략을 제시한다. 베이지안 팩터를 이용해 효과 존재 여부, ω = 0· 또는 1 가설 등을 정량적으로 검정한다. 세 개의 실제 복제 사례에 적용해 계층모형·파워 사전과 비교했으며, R 패키지 repmix를 공개한다.

**

상세 분석

**
이 연구는 복제 과학에서 “얼마나 원본 결과를 신뢰할 수 있는가”라는 질문에 베이지안 관점에서 답하고자 한다. 핵심 아이디어는 원본 연구의 사후분포 π(θ|ȳ₀)와 넓은 분산을 갖는 비정보적 사전 N(μ,τ²) 를 가중치 ω 로 혼합해 새로운 사전 π(θ|ȳ₀,ω)=ω N(θ|θ̂₀,σ₀²)+(1‑ω) N(θ|μ,τ²) 를 만든다. ω=1이면 두 연구를 완전 결합, ω=0이면 원본 데이터를 완전히 배제한다.

두 가지 가중치 설정 방법이 제시된다. 첫 번째는 사전 지정된 고정값(예: 0.5, 0.8 등)으로, 연구자가 사전 지식이나 분야별 관행에 따라 직관적으로 선택한다. 두 번째는 ω 자체에 베타 사전 Beta(a,b) 를 부여해 데이터에 의해 자동 조정되도록 한다. 이는 원본과 복제 간 이질성(heterogeneity)을 정량화하는데 유용하며, 사후 분포에서 ω의 추정값이 0에 가까우면 원본과 크게 다르다는 증거, 1에 가까우면 일치한다는 증거가 된다.

모델링 가정으로는 효과 크기 θ̂₀, θ̂ᵣᵢ 가 정규분포(N(θ,σ²))를 따른다는 근사와 표준오차 σ₀, σᵣᵢ 가 알려졌다는 전제가 있다. 이는 대규모 복제 연구에서 흔히 만족되는 조건이며, Fisher의 z‑변환을 이용해 정규성을 강화한다.

베이지안 팩터는 다음과 같은 가설을 검정하는데 활용된다.

1. H₀: θ=0 (효과 부재) vs H₁: θ≠0.
2. H₀: ω=0 (원본 데이터 전혀 사용 안 함) vs H₁: ω>0.
3. H₀: ω=1 (완전 결합) vs H₁: ω<1.

이때 각 가설에 대한 사전을 명시하고, 사후 확률비를 계산해 증거 강도를 정량화한다. 또한 사후 예측 검증(posterior predictive checks)으로 모델 적합도를 평가한다.

세 개의 실제 복제 사례(‘Moral Credentialing’ 실험의 Toronto, Montana State, Ashland 대학)에서 혼합 사전을 적용했다. Toronto와 Montana 사례는 ω̂≈0.7‑0.8로 원본과 높은 일치를 보였으며, 효과 크기도 양의 방향으로 유지되었다. 반면 Ashland 사례는 ω̂≈0.2 이하로 원본과 큰 차이를 나타냈으며, 효과 방향이 반대로 전환돼 원본 데이터를 거의 배제하는 결과가 나왔다.

계층모형(공통 평균 θ와 이질성 τ²를 추정)과 파워 사전(α 파라미터로 원본 데이터 영향 조절)과 비교했을 때, 혼합 사전은 가중치를 직관적으로 해석 가능하고, ω에 대한 사후 불확실성을 직접 제공한다는 장점이 있다. 또한 구현이 간단해 R 패키지 repmix를 통해 실무에 바로 적용할 수 있다.

한계점으로는 (1) 정규성 가정이 깨지는 소규모 복제에서는 적용이 어려울 수 있다. (2) 비정보적 사전의 선택(μ,τ²)이 결과에 민감할 수 있어 사전 민감도 분석이 필요하다. (3) ω에 대한 베타 사전 파라미터 선택이 주관적일 수 있다. 향후 연구에서는 비정규 모델(예: 베타‑베르누이, 포아송)과 다층 구조(여러 원본 연구를 동시에 고려)로 확장하고, 경험적 베이지안 방법으로 ω의 사전 하이퍼파라미터를 데이터 기반으로 추정하는 방안을 모색할 수 있다.

**