Page 31 -

게 개선하면 좋을지 알기 어렵다. 또 한 가지는 이 절에서 설명하는 사전분포의 선택 방법이다.

사전분포의 선택 방법에 관해서는 여러 의견이 있다. 이 책에서는 앞 절에서 설명한 무정보 사전
분포를 첫 번째로 선택한다. 그리고 매개변수 값에 대해 지식과 경험이 깊지 않을 때 특정 값이 나
2
오기 쉬운 주관적인 사전분포를 사용하는 것은 피해야 한다. 그 이유는 주관적인 사전분포는 분석
자에 따라 다른 경우가 많고 분석 재현성을 낮추기 때문이다. 혹시라도 주관적인 사전분포를 사용
하려면 무정보 사전분포를 사용한 경우와 결과를 비교해야 한다. 단, 매개변수 값에 대해 지식과 베이즈 추정 복습

경험이 많이 있을 때는 꼭 그렇지 않다. 예를 들어 사람의 신장은 양수지만 3m를 넘는 경우는 없
다고 할 수 있으므로 집단의 평균 신장을 추정하는 경우에는 Uniform(0, 3)의 균일분포를 사용
해도 좋다. 이렇게 사전 정보를 부분적으로 반영시킨 약정보 사전분포(weakly informative prior)를

사용하는 경우를 생각할 수 있다. 약정보 사전분포 사용 방법에 관해서는 10.2절에서 다룬다.
컴퓨터 계산 속도가 느렸던 과거에는 사전분포로 공역 사전분포(conjugate prior)를 주로 사용했다.
공역 사전분포는 이론적으로 다루기 쉽고 추정 계산 속도도 빠르다. 하지만 컴퓨터 성능이 향상

된 지금은 공역 사전분포를 사용해 얻는 이점보다 공역이라는 제약을 없애고 자유로운 사전분포
를 사용해 얻는 이점이 더 커졌다. 예를 들어 8장에서 다루는 계층 모델에는 분산 사전분포에 공
역 사전분포인 역감마분포를 사용하는 것이 적절하지 않은 경우가 있다[2](10.2.2절 참조). 따라

서 이 책에서는 공역 사전분포에 특별히 얽매이지 않고 사전분포를 설정한다.

2.8 추가 자료와 참고 문헌 MODELING WITH ST AN

최대가능도 추정의 문제점에 관해서는 웹 페이지 “최대가능도 추정은 언제 사용하면 괜찮을까?” 6
에서 자세히 설명한다. 베이즈 추정에 관해서는 [16]의 기사를 한번 읽어보길 권한다. 베이즈 정
리에 관해서는 [32]가 읽기 쉽게 쓰여 있다. 베이즈 통계의 역사에 관해서는 [12]에서 자세히 설
명한다. 또한, 이 책에서는 MCMC 알고리즘 자체에 대해서는 자세히 설명하지 않았다. 흥미가

있는 독자는 [13]을 읽으면 좋을 것이다.

6 일본 사이트: http://watanabe-www.math.dis.titech.ac.jp/users/swatanab/mlesafety.html

043

1데이터분석을위한베이지안통계모델링.indd 43 2019. 3. 14. 오후 8:32