【통계학】 14강. 통계적 검정

14강. 통계적 검정

 

추천글 : 【통계학】 통계학 목차

---

1. 용어 [본문]

2. 네이만-피어슨 보조정리 [본문]

3. 일반 우도비 검정 [본문]

4. p value [본문]

---

a. 통계적 검정 예시 총정리

b. 단순 검정

c. Kruskal-Wallis H Test

d. Wilcoxon 순위 검정

e. 런 검정

f. Fisher Exact Test (hypergeometric test)

g. 카이제곱검정 테스트

---

 

1. 용어 [목차]

⑴ 검정(test)

① 정의 : 가설이 통계적으로 유의한지 알아보는 것

○ 응용 1. randomization check (balance test) : random sampling이 잘 됐는지 검증하는 것

○ 응용 2. causal effect : 특정 처리(treatment)가 유의미한 변화를 만드는지 검증하는 것

② 검정통계량(test statistic) : 상태공간의 n차원 정보를 1차원으로 요약하여 통계적 검정에 이용하는 것

○ 예 : Z, T, χ², F 등

○ (참고) 1차원으로 요약 가능함은 기각역의 크기가 일정할 때 중요하게 작용

③ 모수적 검정(parametric test)

○ 정의 : 검정통계량을 통해 모수를 검정하는 것

○ 일반적으로 모집단의 분포가 정규분포라는 가정 : 중심극한정리를 이용  

○ 실제로는 위 가정 없이 임의의 표본에 모수적 검정을 사용해도 크게 문제되지 않음

④ 비모수적 검정(non-parametric test)

○ 정의 : 검정통계량을 통해 비모수적 특성을 검정하는 것

○ 모집단의 분포를 특정할 수 없는 경우 (distribution-free method) 

○ 모수적 방법에 비해 통계량의 계산이 간편하여 직관적으로 이해하기 쉬움

○ 이상값으로 인한 영향이 적음

○ 검정 통계량의 신뢰성이 부족함 

⑵ 가설(hypothesis)

① 귀무가설(null hypothesis) (H₀) : 현재까지 주장되어 온 것이거나 기존과 비교하여 변화 혹은 차이가 없음을 나타내는 가설

② 대립가설(alternative hypothesis) (H₁) : 귀무가설이 기각될 때 받아들여지는 가설

○ 연구가설이라고도 함 

③ 성질 : 모수(parameter) θ에 대해

○ H₀ : Θ₀ =｛θ₀, θ₀', θ₀'', ···｝

○ H₁ : Θ₁ =｛θ₁, θ₁', θ₁'', ···｝

○ 성질 1. p(θ ∈ Θ₀ or θ ∈ Θ₁) = 1

○ 성질 2. p(θ ∈ Θ₀ and θ ∈ Θ₁) = 0

④ 분류

○ 단순가설(simple hypothesis) : Θ =｛θ₀｝, Θ =｛θ₁｝인 경우

○ 복합가설(composite hypothesis) : 단순가설이 아닌 경우

○ 예. H₀ : θ ≤ θ₀, H₁ : θ ＞ θ₀인 경우 복합가설임

⑶ 기각역 도입

① 상태공간(state space) = 기각역(critical region) + 나머지 공간(acceptable region)

○ 기각역 : 귀무가설을 기각시키는 검정통계량의 범위 

○ 표본 ∈ 기각역 : H₀ 기각(reject)

○ 표본 ∉ 기각역 : H₀ 채택(not reject)

② 검정력 함수(power function) π_C(θ) : 기각역이 C이고 모수가 θ일 때 표본이 기각역에 포함될 확률

 

 

③ 검정력 함수 예

○ p(x) = 4x³ / θ⁴ I｛0 ＜ x ＜ θ｝

○ C =｛x | x ≤ 0.5, x ＞ 1｝

○ θ ≤ 0.5

 

π_C(θ) = 1

 

○ 0.5 ＜ θ ≤ 1

 

π_C(θ) = ∫ p(x) dx (단, x ∈ [0, 0.5] ) = 1 / 16θ⁴

 

○ 1 ＜ θ

 

π_C(θ) = ∫ p(x) dx (단, x ∈ [0, 0.5] ∪[1, θ] ) = 1 - 15 / 16θ⁴

 

④ 기각역의 크기 또는 검정의 크기(size) : 귀무가설이 참일 때 표본이 기각역에 포함될 확률의 최댓값

 

 

⑤ 검정력(power) : 대립가설이 참일 때 기각역에 포함될 확률 = 대립가설이 참일 때 귀무가설을 기각할 확률

 

 

⑥ 오류(error) : 잘못된 통계적 결론을 내리는 것

○ 이상적인 기각역

 

 

○ 제1종 오류(type Ⅰ error)

○ 정의 : 귀무가설이 참일 때 귀무가설을 기각하는 오류

○ 조건 : 귀무가설이 단순가설일 때 정의됨

○ 제1종 오류 확률(α) = 기각역의 크기

○ 유의수준(significance level) : 10%, 5%, 1% 등

○ 신뢰도(confidence level) : 90%, 95%, 99% 등

○ 제2종 오류(type Ⅱ error)

○ 정의 : 대립가설이 참일 때 귀무가설을 채택하는 오류

○ 조건 : 대립가설이 단순가설일 때 정의됨

○ 제2종 오류 확률(β) = 1 - 검정력

○ α와 β의 트레이드오프(trade-off)

출처 : Statistics Explained 2nd edition-Steve McKillup-Cambridge-2012

Figure. 1. 제1종 오류(α)와 제2종 오류(β)의 교환조건^]

 

○ 기각역은 특정 값 이상 또는 특정 값 이하와 같은 구간으로 나타남 (∵ 네이만-피어슨 보조정리)

○ α와 β 모두 감소시킬 수는 없음

⑷ 기각역 비교

① 기준 : 기각역의 크기가 동일할 때 검정력이 더 클 것

② 강력 검정(more powerful testing) : 특정 θ₁ ∈ Θ₁과 두 기각역 C₁, C₂에 대해

 

 

③ 최강력 검정(most powerful testing) : 특정 θ₁ ∈ Θ₁과 임의의 기각역 C에 대해

 

 

④ 균일 최강력 검정(uniformly most powerful testing) : 임의의 θ ∈ Θ₁와 임의의 기각역 C에 대해

 

 

 

2. 네이만-피어슨 보조정리(Neyman-Pearson Lemma) [목차]

⑴ 발상

① 전제 : H₀ : θ = θ₀, H₁ : θ = θ₁ (단순가설)

② 문제 : 기각역의 크기가 일정할 때 검정력이 최대가 되는 기각역을 찾는 것

③ 고찰 : 상태공간(state space)에서 표본을 하나씩 기각역 C에 포함

○ 하나의 표본 x가 C에 들어가면 p(x, θ₀)와 p(x, θ₁)이 모두 증가

○ p(x, θ₀) : 일종의 비용. p(x, θ₀)의 증가는 기각역의 크기를 증가

○ p(x, θ₁) : 일종의 이득, p(x, θ₁)의 증가는 검정력을 증가

④ 결론

○ 줄세우기 전략 : p(x, θ₁) ÷ p(x, θ₀)이 가장 큰 것부터 기각역에 포함시키는 전략이 유리함

○ 줄세우기 전략으로 만든 기각역 C =｛x | p(x, θ₁) ÷ p(x, θ₀) ≥ k｝는 균일 최강력 검정 기각역

⑵ 정리

① 전제 : H₀, H₁는 단순가설임

② 내용 : 어떤 k ∈ ℝ에 대해 다음과 같이 기각역을 설정하면 균일 최강력 검정 기각역이 됨

 

 

○ ℒ : 우도함수

○ 우도비 검정(LR test, likelihood ratio test) : λ(x) ≥ k와 같은 검정

○ 기각역의 결정 : 기각역의 정확한 형태를 알려면 기각역의 크기가 주어져야 함

○ λ(x) ≥ k를 만족하는 모든 x는 기각역 C*에 포함

○ λ(x) ＜ k를 만족하는 모든 x는 기각역 C*의 여집합에 포함

③ 응용

○ p(x, θ₁) ÷ p(x, θ₀)의 순위만 일정하면 되므로 단조증가함수 f(·)에 대해 다음과 같은 변환이 허용

 

 

○ θ₀, θ₁, n 등과 관련된 항을 쉽게 제거할 수 있음

○ 의미 : k'의 존재성을 확보하는 한 기각역의 자유로운 변형이 허용됨

○ 기각역의 결정 : 기각역의 정확한 형태를 알려면 기각역의 크기가 주어져야 함

⑶ 증명

① 가정 : C*와 C의 크기(size)는 동일

 

 

② C*의 정의

 

 

③ 결론 : C*는 균일 최강력 검정 기각역

 

 

⑷ 예 1.

① X₁, ···, X_n ~ Bernoulli(θ)

 

 

② H₀ : θ = θ₀, H₁ : θ = θ₁ ＞ θ₀

③ 우도비 검정

 

 

④ Z-test (신뢰도 : α)

○ θ₁ ＞ θ₀ : 단측검정(one-tailed test)

 

 

○ θ₁ ＜ θ₀ : 단측검정(one-tailed test)

 

 

○ θ₀와 θ₁의 대소에 따라 최강력 검정 기각역이 달라지므로 균일 최강력 검정 기각역이 존재하지 않음

⑸ 예 2.

① X₁, ···, X_n ~ N(μ, 1²)

 

 

② H₀ : μ = μ₀, H₁ : μ = μ₁ ＞ μ₀

③ 우도비 검정

 

 

④ Z-test : 단측검정(one-tailed test) (신뢰도 : α)

 

 

⑹ 확장 1. 기각역이 θ₁의 구체적인 값에 의존하지 않으면 H₁이 복합가설이어도 기각역 형태는 동일

① X₁, ···, X_n ~ Bernoulli(θ)

② H₀ : θ = θ₀, H₁ : θ ＞ θ₀

⑺ 확장 2. 확장 1에서 대립가설이 θ₀를 포함한 복합가설이고 θ₀일 때 α가 최대인 경우 기각역 형태는 동일

① X₁, ···, X_n ~ Bernoulli(θ)

② H₀ : θ ＜ θ₀, H₁ : θ ＞ θ₀

 

 

3. 일반 우도비 검정(generalized likelihood ratio test) [목차]

⑴ 정의

① 네이만-피어슨 보조정리의 한계 : 일반적으로 귀무가설과 대립가설이 단순가설이어야 함

② 일반 우도비 검정(GLR test, generalized likelihood ratio test) : 일반 우도비 도입

 

 

③ max p(x, θ)는 최대우도 추정법(ML, maximum likelihood method)을 이용

④ 통계적으로 나쁘지 않은 기각역을 설정함이 증명됨

⑵ 예 1. X_i ~ N(μ, σ²), σ² is known

① H₀ : μ = μ₀, H₁ : μ ≠ μ₀

② 일반 우도비 검정

 

 

③ τ-test : 단측검정(one-tailed test) (신뢰도 : α)

 

 

④ Z-test : 양측검정(two-tailed test) (신뢰도 : α)

 

 

⑤ X_i가 정규분포를 따르지 않아도 위 방법을 근사적으로 적용 가능함이 증명됨

⑶ 예 2. X_i ~ N(μ, σ²), σ² is unknown

① H₀ : μ = μ₀, H₁ : μ ≠ μ₀

② 일반 우도비 검정

 

 

③ F-test : 단측검정(one-tailed test) (신뢰도 : α)

 

 

④ T-test : 양측검정(two-tailed test) (신뢰도 : α)

 

 

⑷ 예 3. X_i ~ N(μ, σ²), σ² is unknown

① H₀ : μ = μ₀, H₁ : μ ＞ μ₀

② 일반 우도비 검정

 

 

③ 중요 가정

○ X_avg ≥ μ₀에서가 X_avg ＜ μ₀에서보다 우도비가 높으므로 줄세우기 전략에서 우선순위가 높음

○ 유의수준은 0.025, 0.05, 0.10 정도만 사용하므로 절반만큼은 있으리라 예상되는 X_avg ≥ μ₀만 고려해도 충분함

④ T-test : 단측검정(one-tailed test) (신뢰도 : α)

 

 

⑤ H₁ : μ ＜ μ₀인 경우도 동일한 논리가 적용됨

⑸ 예 4. X_i ~ N(μ, σ²), μ is unknown

① H₀ : σ² = σ₀², H₁ : σ² ≠ σ₀²

② 일반 우도비 검정

 

 

③ 기각역 설정

○ f(τ)는 τ = n에서 극솟값을 가지는 아래로 볼록한 함수

○ 조건 1. P(τ ≥ k' | H₀) + P(τ ≤ k'' | H₀) = α

○ 조건 2. f(k') = f(k'')

 

 

④ τ-test : 양측검정(two-tailed test) (신뢰도 : α)

○ 이상적인 기각역을 설정하려면 수치해석을 거쳐야 함

○ 실제로는 보다 단순화된 기각역이 사용됨

 

 

⑹ 예 5. 특수 우도비 검정

① 정의

○ X_i ~ N(μ, σ²), σ² is known인 경우 2 ln λ ~ χ²(1)가 성립

○ 표본크기 n이 충분히 큰 경우 파라미터의 개수 k에 대해 다음이 수학적으로 증명돼 있음

 

 

② τ-test : 단측검정(one-tailed test) (신뢰도 : α)

 

 

③ 보충

○ 일부 통계학자들은 이러한 검정에 한해 우도비 검정(LR test)으로 지칭

○ 일부 통계학자들은 -2 ln λ = 2 ln ℒ(H₁) - 2 ln ℒ(H₀)로 정의

 

 

4. p value [목차]

⑴ 정의 : 귀무가설이 참일 때 주어진 표본보다 더 극단적인 값이 나올 확률

① 또다른 정의 : 귀무가설이 사실일 확률

② 검정통계량이 기각역에 속하면 기각하는 것과 p value가 α보다 작으면 기각하는 것은 필요충분조건

⑵ 계산 : θ*는 측정값 

① 우측단측검정 : p value = P(θ ≥ θ*)

② 좌측단측검정 : p value = P(θ ≤ θ*)

③ μ를 중심으로 대칭 분포(symmetric distribution about μ) : p value = P(|θ - μ| ≥ |θ* - μ|)  

④ 카이제곱분포 : θ*가 중앙값보다 큰 경우 p value = P(θ ≥ θ*), 작은 경우 p value = P(θ ≤ θ*)

⑶ 검정력과 p value

① (참고) 고전 통계학의 주요 이슈는 분포를 찾는 것과 검정력을 높이는 것

② 엄밀한 의미 : 검정력이 높다는 것은 α가 일정할 때 대립가설이 참이라면 귀무가설을 기각할 확률이 높다는 의미

③ α가 일정하다는 것의 의미

○ 여러 통계기법에서 얻어진 각 분포의 마지노선을 일정하게 정의하겠다는 의미

○ 주어진 표본 외에 다른 많은 경우의 수를 귀무가설이 참인 경우로 희생시킨다는 의미

④ 1-β를 증가시키는 것의 의미 : 여러 통계기법에서 마지노선에 대해 더 극단적으로 위치하게 만들겠다는 의미

⑤ 직관적 의미 : 검정력이 높인다는 것은 α가 일정할 때 p value가 더 작게 나오는 통계 기법을 사용하겠다는 의미

⑥ 예 1. 동일 표본에 대해 t 통계량보다 F 통계량을 쓰는 게 p value가 더 작음 → 검정력을 더 높임

⑦ 예 2. t 분포는 자유도가 클수록 더 좁아짐 → 검정력이 더 커짐

⑧ 통계 기법마다 검정력이 다름 : 동일한 통계자료에 대해 통계적 결론이 다를 수 있다는 의미

⑷ 예시 : 상관계수와 p value

① H₀ : X와 Y는 상관관계가 없음

② p value의 의미 : 상관관계가 없는 모집단에서 추출한 표본집단의 상관계수가 주어진 상관계수보다 클 확률

③ 정규분포를 통한 p value 계산에 대한 가정

○ 임의 추출된 자료

○ 이변량 정규분포 : 각 변수 X, Y는 정규분포를 따름

○ 관계가 선형으로 나타나야 함 : 2차, 3차 등의 관계는 적합하지 않다는 의미

○ 위 세 조건을 만족하지 않으면 비모수검정을 통해 p value를 계산해야 함

⑸ 다중 검정 문제(multiple testing problem)

① 위양성(false positive) : significance threshold를 설정해도 positive로 잘못 분류된 케이스가 발생할 수 있음

② 다중 검정 문제 : 일반적인 p value를 사용하면 다중 검정에서 웬만해서 유의하다고 나오게 됨 

○ 생물정보학에서 주로 문제가 됨

○ p value threshold를 5%로 설정하면 하나의 테스트에서 설마 5%까지 위양성이 나오지는 않는다고 보고 significant gene을 meaningful gene으로 해석할 수 있지만, 만약에 이를 30,000개의 유전자에 대해 진행하면 1,500개의 false positive seemingly significant gene이 도출될 것인데 이들 1,500개 전부를 meaningful gene으로 해석하는 것은 곤란함 

③ 해결방법 : adjusted p value를 도입

○ q-value Bonferroni : conservative하게 해석

○ q-value FDR B&H : FDR(false discovery rate)을 이용. Benjamini–Hochberg method라고도 함

○ q-value FDR B&Y : FDR(false discovery rate)을 이용

 

 

입력: 2019.06.19 14:52