세 변수 교차표의 주변 로그선형 그래프 모델 베이지안 분석

본 연구는 3차원 범주형 교차표에 적용되는 주변 독립성 그래프 모델을 베이지안 관점에서 체계적으로 분석한다. 먼저, 양방향(bidirected) 그래프가 표현하는 주변 독립성 개념을 소개하고, 연결된 집합 마코프 속성(Connected Set Markov Property)과 전역 마코프 속성(Global Markov Property)의 동등성을 통해 그래프 구조가 의미하는 확률적 제약을 명확히 한다. 이러한 제약은 변수들 간의 직접적인 상관관계가 없음을 의미하며, 그래프가 끊어진 부분집합에 대해 해당 변수들이 완전한 주변 독립임을 보인다. 다음으로, Lupparelli(2006, 2008)와 Bergsma‑Rudas(2002)의 주변 로그선형 파라미터화 방식을 채택한다. 여기서 로그선형 파라미터 λ는 전체 결합 확률 벡터 π에 대해 λ = C·log(M·vec(π)) 로 정의되며, C는 제약 행렬, M은 마진화 행렬이다. 파라미터는 각 마진 테이블에서 계산되며, “완전하고 계층적인”(complete and hierarchical) 마진 집합을 구성해야 변동 독립성(variation independence)이 보장된다. 변동 독립성은 파라미터 각각이 다른 파라미터의 값에 의해 허용 범위가 제한되지 않음을 의미하고, 이는 모든 파라미터가 동시에 존재 가능한 공동 분포를 정의할 수 있음을 보장한다. 이를 위해 논문은 “order‑decomposable” 마진 순서를 정의하고, 해당 순서가 존재할 경우 파라미터 집합이 변동 독립성을 만족한다는 Bergsma‑Rudas 정리를 인용한다. 세 변수 교차표에서는 가능한 양방향 그래프가 총 8가지이며, 이는 네 가지 기본 토폴로지(독립, 포화, 단일 엣지, 감마 구조)를 각각 두 가지 방향으로 변형한 형태이다. 각 그래프에 대해 결합 확률 π를 직접 제약함으로써, 최소한의 확률 파라미터 집합 π_G를 도출한다. 포화 모델은 전체 π와 동일하므로, 우도는 다항분포 형태로 바로 계산된다. 독립 및 엣지 모델은 마진 확률만 필요하고, 감마 구조는 마진과 조건부 확률을 함께 사용한다. 이러한 구조적 분해는 사후 계산을 단순화하고, MCMC 없이도 닫힌 형태의 사후 분포를 얻을 수 있게 한다. 사전 분포는 디리클레 형태를 채택한다. 모델 간 호환성을 확보하기 위해 모든 모델이 동일한 전체 테이블 파라미터에서 파생되도록 설계한다. 파워 프라이어(power prior) 접근법을 차용해, 가상의 “가상 데이터”(imaginary data)를 통해 사전 하이퍼파라미터를 직관적으로 설정한다. 이는 사전 평균을 실제 데이터 규모와 비교 가능하게 하며, 비정보적 사전부터 강한 사전까지 유연하게 조정할 수 있다. 베이지안 추정 단계에서는 사후 평균, 사후 분산, 그리고 사후 모델 확률을 계산한다. 모델 선택은 베이지안 모델 평균(BMA) 혹은 사후 확률이 가장 큰 모델을 선택하는 방식으로 수행한다. 계산 복잡도는 3차원 테이블의 경우 제한적이지만, 일반적인 다변량 경우에는 Gibbs 샘플링이나 변분 베이지안 방법이 필요함을 언급한다. 두 실제 사례(사회과학 설문 데이터와 의료 데이터)에서 제안된 베이지안 방법이 기존 빈도주의 추정보다 더 안정적인 파라미터 추정과 모델 선택을 제공함을 실증한다. 특히, 데이터가 희소하거나 셀 빈도가 0에 가까운 경우, 파워 프라이어 기반 사전이 과도한 추정을 방지하고, 모델 간 비교를 가능하게 한다. 결론적으로, 논문은 주변 로그선형 파라미터와 베이지안 사전 설계가 결합될 때, 복잡한 주변 독립 구조를 갖는 이산 다변량 데이터에 대해 이론적 일관성과 계산적 효율성을 동시에 달성할 수 있음을 보여준다. 또한, 제안된 프레임워크는 3차원 교차표에 국한되지 않고, 보다 높은 차원의 다변량 범주형 데이터에도 확장 가능함을 시사한다.