베이지안 데이터 분석을 위한 계산 도구

이 장은 베이지안 데이터 분석의 실용적 측면을 다루며, 특히 복잡한 모델에서 발생하는 계산적 어려움을 해결하기 위한 다양한 시뮬레이션 기반 방법들을 포괄적으로 검토한다. 서두에서 로베르와 루소(2010)의 이론적 논의를 상기하고, 현재는 베이지안 추론을 실제 적용하기 위해 MCMC, 순차적 Monte Carlo(SMC), Approximate Bayesian Computation(ABC) 등 최신 알고리즘이 필수적임을 강조한다. 첫 번째 주요 섹션에서는 일반화 선형 모델(GLM)을 사례로 들어, 고차원 설계행렬과 g‑prior를 이용한 베타 사전분포 설정이 후방분포의 정규화 상수를 직접 계산하기 어렵게 만든다. 특히, 이항 프로빗 모델을 통해 사후분포가 표준 형태가 아니므로 직접적인 샘플링이 불가능하고, 모델 선택을 위해서는 베이지안 팩터가 필요하지만 이는 정규화 상수 추정에 크게 의존한다는 점을 설명한다. 두 번째 섹션에서는 잠재 변수 모델의 계산적 난이도를 논한다. 잠재 변수 z를 도입해 복잡한 우도를 단순화하고 Gibbs 샘플링을 적용할 수 있지만, 잠재 변수 차원이 데이터 수와 동등하거나 그보다 클 경우 샘플링 효율이 급격히 저하된다. 예시로 스토캐스틱 변동성 모델과 계통수 기반의 계통학 모델을 제시하며, 이러한 모델들은 잠재 변수의 수가 수천에 달해 전통적인 적분 방법이 불가능함을 보여준다. 세 번째 섹션에서는 우도 함수 자체가 계산 비용이 높거나 명시적으로 표현되지 못하는 경우를 다룬다. 캡처‑리캡처 실험을 예로 들어, 관측되지 않은 탈락 인디케이터 r₁, r₂ 등을 포함한 복합 우도가 고차원 합산으로 전개되어 수치적 오류가 크게 발생한다는 점을 지적한다. 이러한 상황에서 직접적인 우도 평가가 불가능하므로 시뮬레이션 기반 접근법이 요구된다. 다음으로 MCMC와 그 변형들을 상세히 소개한다. 기본 Monte Carlo 알고리즘에서 독립 샘플을 생성하는 것이 이론적으로는 가능하지만, 실제 고차원 베이지안 모델에서는 사후분포에서 직접 샘플링이 어려워 Metropolis‑Hastings, Gibbs, Hamiltonian Monte Carlo 등 다양한 마코프 체인 기법이 도입된다. 특히, 변분 베이지안과 같은 근사 방법이 사후 기대값을 빠르게 추정하는 데 유용함을 언급한다. 그 후 SMC와 ABC를 별도 섹션에서 다룬다. SMC는 입자 집합을 통해 사후분포를 단계별로 근사하며, 적응형 리샘플링과 제안 분포 조정을 통해 고차원 및 동적 모델에 강인성을 제공한다. ABC는 우도 함수를 직접 계산할 수 없을 때, 시뮬레이션된 데이터와 실제 데이터를 요약통계량으로 비교해 근사 사후분포를 얻는다. 이 방법은 천문학, 유전학, 생태학 등에서 널리 활용되며, 요약통계 선택과 허용 오차 설정이 결과에 큰 영향을 미친다. 마지막으로 베이지안 모델 선택 문제를 종합한다. 모델 선택은 사후 확률과 베이지안 팩터에 의존하는데, 이는 정규화 상수의 정확한 추정이 전제되어야 함을 의미한다. 따라서 MCMC 기반 적분, 변분 근사, 그리고 효율적인 제안 분포 설계가 필수적이며, 고차원 모델 공간에서의 탐색 효율성을 높이기 위한 스파스 베이즈, 스테핑 스킴 등의 최신 기법도 소개한다. 전체적으로 이 장은 베이지안 분석을 실제 데이터에 적용하려는 연구자들에게 필요한 계산 도구와 그 적용 사례를 풍부히 제공한다. 전통적인 라플라스 근사부터 최신 ABC까지, 각 방법의 장단점과 사용 조건을 명확히 제시함으로써, 독자가 자신의 문제에 맞는 최적의 베이지안 계산 전략을 선택하도록 돕는다.