BoxCox 대칭분포 영양 데이터 분석

본 연구는 양의 연속형 데이터가 흔히 나타내는 양측 비대칭성과 극단값(아웃라이어) 문제를 동시에 해결하기 위해 Box‑Cox 대칭분포(BCS)라는 새로운 확률분포 클래스를 제안한다. 기존의 Box‑Cox 변환은 변환 후 정규성을 가정하지만, 변환된 변수의 지원 영역이 전체 실수축이 아니므로 정규분포 가정에 논리적 모순이 존재한다. 이를 보완하기 위해 저자들은 변환 후 변수 Z가 표준 대칭분포 \(S(0,1;r)\) (정규, Student‑t, 파워‑지수, 로지스틱, 슬래시 등)에서 \(\sigma\)와 \(\lambda\)에 의해 정의된 구간 \(A(\sigma,\lambda)\) 을 제외하고 절단된 형태를 갖는다고 가정한다. BCS는 세 개의 파라미터 \(\mu>0\) (위치), \(\sigma>0\) (규모), \(\lambda\in\mathbb{R}\) (변환)와 하나의 밀도 생성 함수 \(r(\cdot)\) 으로 정의된다. \(\lambda=0\)이면 로그‑대칭분포와 동일하고, \(\lambda\neq0\)이면 변환을 통해 좌·우 비대칭을 조절한다. 파라미터 \(\mu\)는 모든 분위수와 비례하므로 중앙값(또는 근사 중앙값)으로 해석될 수 있다. \(\sigma\)는 분위수 차이(예: 75‑25 % 분위수)를 하이퍼볼릭 사인 함수와 연결시켜 상대적 변동성으로 해석한다. \(\lambda\)는 변환 차수로서 비대칭 정도를 직접 제어한다. BCS의 확률밀도함수는 변환식과 절단된 대칭분포의 밀도 \(r(z^{2})\) 에 의해 구성되며, 누적분포함수는 절단된 대칭분포의 CDF \(R(\cdot)\) 를 이용해 간단히 표현된다. 이러한 형태는 로그‑정규, 로그‑t, 로그‑파워‑지수 등 기존 로그‑대칭분포를 포함하면서도, t‑분포·슬래시·파워‑지수 등 다양한 꼬리 특성을 가진 기본분포를 선택함으로써 꼬리 두께를 자유롭게 조절할 수 있다. 꼬리 무게에 대한 정량적 지표인 tail index \(\xi\)를 도입해 BCS의 꼬리 특성을 이론적으로 분석하였다. \(\lambda>0\)인 경우, 기본 대칭분포가 t‑분포나 슬래시이면 \(\xi>0\)인 무거운 오른쪽 꼬리를 갖고, 정규·파워‑지수·로지스틱 계열이면 \(\xi=0\)인 가벼운 꼬리를 가진다. \(\lambda\le0\)에서는 로그‑대칭분포와 동일한 꼬리 특성을 보인다. 이러한 결과는 BCS가 로그‑대칭분포보다 훨씬 넓은 꼬리 가변성을 제공함을 의미한다. 통계적 추정은 절단된 대칭분포의 로그우도 함수를 이용한 최대우도법으로 수행한다. 중요한 점은 절단 구간이 \(\sigma\)와 \(\lambda\)에만 의존하므로, 회귀 모델에서 \(\mu\)를 설명변수의 함수로 지정하더라도 추정 과정이 복잡해지지 않는다. 이는 기존 Box‑Cox 변환이 변환 파라미터와 회귀 파라미터가 서로 얽혀 추정이 어려운 문제를 해결한다. 연구에서는 세 가지 영양 섭취 데이터(칼로리, 지방, 단백질)를 대상으로 BCCG(정규 기반), BCT(t 기반), BCPE(파워‑지수 기반), BC‑Slash(슬래시 기반) 모델을 적합하였다. 모델 선택 기준으로 AIC, BIC, QQ‑plot, 잔차 분석을 사용했으며, 무거운 꼬리를 허용하는 BCT와 BC‑Slash가 이상치에 대해 더 견고한 추정값을 제공하고, \(\lambda\)와 \(\sigma\)의 추정값이 실제 영양 섭취량의 비대칭성과 변동성을 직관적으로 설명한다는 점을 확인했다. 결론적으로, BCS는 (1) 파라미터가 원 데이터의 특성을 직접 반영해 해석이 용이하고, (2) 기본 대칭분포 선택을 통해 꼬리 두께를 자유롭게 조절할 수 있으며, (3) 절단 문제를 \(\sigma,\lambda\)에만 의존하게 함으로써 회귀 모델에 자연스럽게 통합될 수 있다는 세 가지 장점을 가진다. 이러한 특성은 영양학뿐 아니라 생존 분석, 소득 분포, 환경 데이터 등 양의 연속형 자료 전반에 적용 가능함을 시사한다.