확률모형과 데이터 생성 과정

이 토픽을 마치면

관측값의 형태에 따라 Bernoulli, Gaussian, count 구조를 구분할 수 있습니다. 확률모형을 실제 생물학적 기전의 확정판이 아니라, 관측된 자료가 어떻게 생성되었는지 생각하기 위한 가정으로 사용할 수 있습니다.

출발점: 값의 형태가 질문에 힌트를 준다

outcome이 한 번의 성공·실패인지, 연속적인 측정값인지, 일정 기간의 횟수인지에 따라 가능한 데이터 구조가 다릅니다. 모든 값을 정규분포로 취급하거나 모든 양의 정수를 연속값처럼 다루면, 자료의 범위와 변동 구조를 놓칠 수 있습니다.

확률모형은 관측값 하나를 설명하는 이름표가 아닙니다. 어떤 값이 나올 수 있는지, 조건이 무엇인지, 변동이 어디에서 생기는지에 관한 명시적인 가정입니다. 모형을 선택한 뒤에는 데이터와 가정이 얼마나 맞는지 점검해야 합니다.

세 가지 구조

Bernoulli: 한 번의 이진 결과

한 관측이 두 결과 중 하나로 기록되는 구조입니다. 예를 들어 정해진 기준을 통과했는지 여부처럼 0과 1로 표현할 수 있습니다. 이때 값의 평균은 성공 비율로 읽을 수 있지만, 각 관측이 무엇을 독립 단위로 의미하는지 먼저 정의해야 합니다.

Gaussian: 연속적인 측정값의 한 모델

연속값이 어떤 중심과 산포 주변에서 변동한다고 가정하는 구조입니다. 실제 측정값이 이 구조를 따르는지는 질문·단위·분포 점검으로 확인해야 합니다. Gaussian이라는 이름이 측정값이 반드시 종 모양이라는 사실을 보장하지 않으며, 꼬리와 반복 구조를 자동으로 해결하지도 않습니다.

Count: 횟수와 정수값

일정한 관찰 구간에서 발생한 횟수처럼 0 이상의 정수로 기록되는 구조입니다. 관찰 시간이나 노출량이 다르면 단순 횟수 비교가 같은 의미를 갖지 않을 수 있습니다. 횟수, rate, offset의 관계는 이후 GLM 토픽에서 더 구체적으로 다룹니다.

데이터 생성 과정으로 질문하기

모형을 선택하기 전에 다음 문장을 채웁니다.

한 행은 __________________ 단위의 관측이다.
outcome은 __________________ 을 기록한다.
가능한 값의 범위는 __________________ 이다.
변동은 __________________ 와 __________________ 에서 생길 수 있다.
관측 기회 또는 노출량은 __________________ 이다.

이 문장은 수학 공식보다 먼저 데이터 구조를 고정합니다. 예를 들어 횟수 데이터에서 관찰 시간이 다르다면, 값의 차이가 사건 발생률 차이인지 관찰 기회 차이인지 분리해야 합니다.

모수와 관측값을 구분하기

확률모형에서 p, loc, scale, lam 같은 값은 데이터를 생성하는 설정 또는 모수의 역할을 합니다. 실제로 관측한 binary, continuous, counts는 그 설정 아래에서 나온 표본입니다. 둘을 구분하지 않으면 한 번 관찰된 평균을 모집단의 고정된 진실로 읽게 됩니다.

예를 들어 같은 p=0.35로 생성한 두 표본의 성공 비율은 서로 다를 수 있습니다. 표본이 달라졌기 때문입니다. 반대로 평균이 비슷하다고 해서 같은 생성 구조가 보장되는 것도 아닙니다. 표본 변동과 모형 가정을 구분하는 것이 이후 표본추출분포를 이해하는 출발점입니다.

독립성은 분포 이름에 들어 있지 않다

두 관측값이 Bernoulli 형태의 0과 1을 갖는다고 해서 자동으로 서로 독립인 것은 아닙니다. 같은 생물학적 단위, 같은 batch, 같은 시간 흐름에서 나온 값은 공통 변동을 가질 수 있습니다. Gaussian 또는 count 구조도 마찬가지로, 값의 범위와 독립성은 서로 다른 질문입니다.

따라서 데이터 생성 과정을 다음처럼 두 층으로 나눠 기록합니다.

값의 형태: binary | continuous | count
관측 관계: 독립 단위 | 반복 측정 | 그룹·시간 구조

분포 선택이 맞아 보여도 관측 관계를 무시하면 표준오차와 불확실성 해석이 달라질 수 있습니다.

Python으로 모형의 모양을 시뮬레이션하기

분포의 모양을 확인하는 데 합성 데이터를 사용할 수 있습니다. numpy.random.Generator로 난수를 생성할 때는 seed와 생성 규칙을 기록합니다.

import numpy as np

rng = np.random.default_rng(20260806)
binary = rng.binomial(n=1, p=0.35, size=100)
continuous = rng.normal(loc=5.0, scale=1.2, size=100)
counts = rng.poisson(lam=3.0, size=100)

print(binary.min(), binary.max())
print(continuous.mean(), continuous.std())
print(counts.min(), counts.max())

이 출력은 세 구조의 가능한 값과 합성 표본의 요약을 확인하는 데 사용합니다. 한 번의 시뮬레이션 결과가 모형의 진실을 증명하는 것은 아닙니다. p, loc, scale, lam은 이 예시의 생성 설정이며 실제 연구의 모수 추정 결과가 아닙니다.

시뮬레이션을 바꿔 볼 때는 한 번에 한 설정만 바꿉니다. p를 바꾸면 이진 결과의 성공 비율이 어떻게 움직이는지 볼 수 있고, scale을 바꾸면 중심은 유지한 채 연속값의 퍼짐이 어떻게 달라지는지 볼 수 있습니다. lam을 바꾸면 count의 평균적인 크기와 빈도 구조가 달라집니다. 이 실험은 모형의 민감도를 이해하는 데 쓰며, 실제 데이터에 맞는 모수를 자동으로 찾아주지는 않습니다.

난수 seed를 고정하면 같은 코드와 환경에서 예시를 다시 만들 수 있습니다. 그러나 seed 고정은 측정 과정, 입력 데이터, 라이브러리 버전, 분석 코드 전체를 고정하는 것과 같은 의미가 아닙니다. 재현 기록에는 seed와 함께 환경 lock, 생성 코드, 데이터 schema를 남깁니다.

모형과 실제 관측의 차이

실제 데이터에는 측정 한계, 그룹 구조, 시간, batch, 결측, 선택 과정이 함께 들어올 수 있습니다. 단순한 Gaussian 모형이 데이터의 중심을 대략 표현하더라도, 독립성이나 분산 구조가 맞지 않을 수 있습니다.

따라서 다음을 구분합니다.

• 모형이 허용하는 값의 형태
• 데이터가 실제로 보이는 분포
• 관측 단위 사이의 독립성
• 모형이 설명하지 못하는 변동

이 차이를 확인하는 방법은 모형의 예측 또는 시뮬레이션에서 기대되는 형태와 실제 관측의 범위·분포·그룹 구조를 비교하는 것입니다. 비교가 어긋났다고 해서 곧바로 “데이터가 틀렸다”고 쓰지 않습니다. 측정 단위, 누락, batch, 시간 구조, 모형 선택을 차례로 다시 점검합니다.

모형을 사용한다는 것은 이 모든 것을 해결했다는 뜻이 아니라, 어떤 가정을 사용했는지 공개한다는 뜻에 가깝습니다.

연구 질문으로 돌아가 해석하기

확률모형은 “이 조건이 생물학적으로 이런 기전으로 작동한다”는 문장이 아닙니다. 현재 데이터의 측정 형태와 변동을 표현하기 위해 선택한 추상화입니다. 모형의 파라미터를 해석하려면 단위, 관측 기회, 연구설계와 링크 함수를 함께 봐야 합니다.

잘못된 데이터 구조에 맞는 계산을 정교하게 수행해도, 결과의 해석은 질문에서 벗어날 수 있습니다. 다음 편에서는 표본추출과 반복적인 표본 변동을 시뮬레이션으로 연결합니다.

자주 생기는 실패와 점검법

• 연속값이라는 이유만으로 Gaussian을 자동 선택하지 않습니다.
• 0과 1로 코딩했다는 이유만으로 독립 Bernoulli라고 단정하지 않습니다.
• count를 관찰 시간과 분리하지 않고 비교하지 않습니다.
• 한 번의 시뮬레이션 결과를 실제 모수의 증거로 쓰지 않습니다.
• 모형 이름이 연구설계의 오류를 해결한다고 쓰지 않습니다.

핵심 정리

• outcome의 값 형태는 데이터 생성 과정을 생각하는 출발점입니다.
• Bernoulli, Gaussian, count는 서로 다른 가정 구조를 나타냅니다.
• 확률모형은 생물학적 기전의 확정이 아니라 분석을 위한 추상화입니다.
• 합성 시뮬레이션은 모형의 가능한 모양을 이해하는 도구입니다.
• 관측 단위와 변동 구조를 확인한 뒤 모형의 적합성을 점검해야 합니다.

다음 토픽으로

다음 편에서는 하나의 표본에서 계산한 값이 표본을 바꿀 때 어떻게 흔들리는지 살펴봅니다. 표본추출분포와 표준오차를 데이터 생성 과정과 연결합니다.

참고 자료

• NIST/SEMATECH e-Handbook: https://www.itl.nist.gov/div898/handbook/
• SciPy statistics reference: https://docs.scipy.org/doc/scipy/reference/stats.html
• NumPy Reference: https://numpy.org/doc/stable/reference/

본 편의 시뮬레이션 규칙과 설명은 BioStatPy가 독립적으로 작성한 교육용 구성입니다.