비정형 함수에 대한 부트스트랩 경험적 가능성

논문은 정책 평가에서 자주 등장하는 “최적값 함수” τ(P₀)=max₁≤j≤J θⱼ(P₀) 를 대상으로, 기존 경험적 가능성(EL) 이론이 요구하는 매끄러움(smoothness) 가정이 깨지는 경우를 다룬다. 최적값이 유일할 때는 함수가 Hadamard 미분 가능(Hadamard differentiable, HD)하고, EL 비율은 χ²₁ 로 수렴한다. 그러나 실제 의사결정 상황에서는 여러 정책이 거의 동일한 기대보상을 가질 때가 많으며, 이때는 함수가 방향성 미분 가능(Hadamard directionally differentiable, HDD)만을 만족한다. 이 경우 레벨셋이 초평면이 아니라 원뿔 형태가 되며, 기존 EL 이론이 제공하는 χ²₁ 보정은 크게 과소평가된다. 저자는 이러한 비정형 상황을 해결하기 위해 두 가지 주요 기여를 제시한다. 첫째, EL 비율을 듀얼 라그랑주 승수 대신 프라임 가중치 공간에서 직접 다루는 기하학적 접근법을 개발한다. 점수 평균과 목표 함수의 레벨셋 사이의 최소 ℓ₂ 거리(프로파일 통계량)를 Mahalanobis 거리로 변환하는 정리 1을 통해, 레벨셋의 형태(초평면 vs 원뿔)에 따라 asymptotic 분포가 결정됨을 보인다. 둘째, 원뿔 형태에서 일반 부트스트랩이 실패한다는 점을 인식하고, 멀티플라이어 부트스트랩을 이용해 레벨셋의 기하학을 데이터로부터 추정한 뒤, 추정된 원뿔에 대한 거리 통계량을 재계산하는 보정 절차(정리 9)를 제안한다. 이 과정은 점수 배열만을 사용하므로, 부트스트랩 반복마다 복잡한 누설 모델을 다시 적합할 필요가 없으며, O(nJ)의 연산 복잡도로 구현 가능하다. 이론적 결과는 다음과 같이 정리된다. (i) 매끄러운 HD 경우, 레벨셋이 초평면으로 수렴하고, 프로파일 EL 통계량은 χ²₁ 로 수렴한다. 이때 점수 부트스트랩은 일관성을 유지한다(정리 6). (ii) 비정형 HDD 경우, 레벨셋이 원뿔으로 수렴하고, 통계량은 가우시안 벡터가 원뿔에 투영된 거리의 제곱분포에 수렴한다. 일반 부트스트랩은 초평면을 가정하므로 일관성을 잃으며, 제안된 멀티플라이어 부트스트랩이 일관성을 회복한다(정리 9). 실험에서는 정책 평가 시뮬레이션과 실제 데이터(예: 의료 및 교육 분야)에서 제안 방법이 기존 EL 기반 방법보다 신뢰구간 커버리지가 크게 향상되고, 계산 시간도 수십 배 빠른 것을 확인한다. 또한, 다중 최적 정책이 존재하는 근접 동점 상황에서도 정확한 추정이 가능함을 보인다. 결론적으로, 이 논문은 비정형 함수에 대한 EL 이론을 기하학적 프라임 접근과 멀티플라이어 부트스트랩을 결합함으로써, 정책 평가와 같은 실용적인 문제에서 매끄러운 가정 없이도 정확하고 효율적인 추론을 가능하게 만든다.