콘텐츠로 이동

대응표본 차의 평균 표집분포

개요

같은 사람을 약 먹기 전과 뒤로 재면 두 측정이 함께 높고 함께 낮다. 그 짝 안의 상관 \(\rho\) 를 \(-0.9\) 에서 \(+0.9\) 까지 옮겨 가며 열다섯 칸을 재면 명목 \(95\%\) 구간의 포함률이 \(0.948\) 과 \(0.952\) 사이에 그대로 머문다. 같은 격자에서 구간의 평균 폭은 \(1.379\) 배에서 \(0.316\) 배로 네 배 넘게 줄고, 짝을 무시하고 이표본 \(t\) 를 걸면 명목 \(5\%\) 검정의 실제 오류율이 \(0.1598\) 과 \(0.0000\) 으로 갈린다. 한 수가 분포의 모양은 전혀 건드리지 않으면서 폭과 오류율은 이렇게까지 바꾼다. \(\rho\) 가 들어가는 자리와 들어가지 못하는 자리는 어디에서 갈리는가.

지금까지 두 집단을 견줄 때는 두 표본이 독립이라고 두었다. 그런데 자료가 그렇게 오지 않는 설계가 있다. 같은 사람을 약 먹기 전과 뒤로 재는 경우, 같은 밭을 반으로 갈라 두 품종을 심는 경우, 같은 환자를 두 기계로 재는 경우다. 이때 \(X_i\)와 \(Y_i\)는 같은 \(i\)를 공유하므로 독립이 아니다.

대응이란 — 짝을 설계가 정한다

대응(對應)은 「짝이 미리 정해져 있다」는 뜻이다. 한 표본의 관측값마다 다른 표본에 지정된 짝이 하나씩 있고, 그 짝을 정한 것은 자료가 아니라 설계다. 같은 사람의 처리 전후, 쌍둥이, 짝지어 뽑은 환자–대조군, 왼눈–오른눈 — 어느 경우에도 \(i\) 번째 짝이 누구와 누구인지에 선택의 여지가 없다. 자료를 보고 비슷한 것끼리 묶는 것은 대응이 아니다.

그래서 짝 안의 두 값은 독립이 아니다. 같은 사람에게서 나왔으니 함께 높고 함께 낮다. 이 설계를 종속표본이라고도 부르는 까닭이고, 두 표본이 독립이라는 가정 위에 세운 5.7절 두 표본평균의 차의 결과를 여기에 그대로 쓸 수 없는 까닭이다.

그 종속성이 결함이 아니라 이 방법을 쓰는 까닭이다. 짝마다 먼저 빼면

\[ \operatorname{Var}(\bar D) = \frac{\sigma_X^2 + \sigma_Y^2 - 2\rho\,\sigma_X\sigma_Y}{n} \]

이고, \(-2\rho\,\sigma_X\sigma_Y\) 가 개체 사이의 변동을 상쇄한다. 사람마다 타고난 수준이 크게 다르더라도 그 차이는 \(X_i\) 와 \(Y_i\) 에 똑같이 실려 있으므로 빼는 순간 사라진다. 남는 것은 처리가 그 사람에게 일으킨 변화뿐이다.

그러므로 이 설계의 이득을 만드는 것은 「차」가 아니라 「대응」이다. 차 \(D_i\) 는 짝이 정해져 있어야 비로소 정의되고(\(X_3\) 에서 어느 \(Y\) 를 뺄지 말할 수 없다), 이득의 크기를 정하는 것은 \(\rho\) 하나다. 짝을 아무렇게나 지으면 \(\rho = 0\) 이라 차를 취해도 얻는 것이 없고 자유도만 잃는다. \(\S 3\) 이 그 \(\rho\) 를 \(-0.9\) 에서 \(+0.9\) 까지 옮겨 가며 폭이 \(1.379\) 배에서 \(0.316\) 배까지 바뀌는 것을 잰다.

두 표본평균의 차에서 적어 둔 대로, 이런 자료에서 보아야 할 것은 \(\bar X - \bar Y\)가 아니라 쌍마다 먼저 뺀 값 \(D_i = X_i - Y_i\)의 평균 \(\bar D\)다. 이 쪽은 그 \(\bar D\)의 표집분포(sampling distribution)를 모의실험으로 확인한다.

결론을 먼저 적으면 이렇다.

  • 짝 안의 상관 \(\rho\)는 표집분포의 모양을 전혀 바꾸지 않는다. \(\rho\)를 \(-0.9\)에서 \(+0.9\)까지 옮겨도 \(t = \bar D/(S_D/\sqrt n)\)은 언제나 정확히 \(t_{n-1}\)이고 포함률은 \(0.950\)이다. 두 표본 쪽에서 등분산이 깨지면 바로 무너지던 것과 아주 다르다.
  • \(\rho\)가 바꾸는 것은 자의 눈금뿐이다. 구간의 폭이 \(\sqrt{2(1-\rho)}\)에 비례해 줄거나 는다. \(\rho = 0.9\)면 폭이 \(0.316\)배가 되고, \(\rho = -0.9\)면 \(1.379\)배가 된다.
  • 깨뜨리는 것은 상관이 아니라 차의 비정규성이다. 차가 치우쳐 있으면 \(n = 5\)에서 포함률이 \(0.881\)로 내려가고, 빗나가는 방향이 한쪽으로 몰린다.
  • 짝을 무시하고 이표본 \(t\)를 걸면 분포 자체를 잘못 고르는 것이 된다. \(\rho = -0.9\)에서 명목 5% 검정의 실제 오류율이 \(0.160\)이고, \(\rho = +0.9\)에서는 \(0.0000\)이다.

1. 쌍이 이변량 정규라고 둔다

\(n\)개의 쌍이 서로 독립이고, 각 쌍이 이변량 정규를 따른다고 둔다.

\[ \begin{pmatrix} X_i \\ Y_i \end{pmatrix} \overset{\text{iid}}{\sim} N\!\left( \begin{pmatrix} \mu_X \\ \mu_Y \end{pmatrix},\; \begin{pmatrix} \sigma_X^2 & \rho\,\sigma_X\sigma_Y \\ \rho\,\sigma_X\sigma_Y & \sigma_Y^2 \end{pmatrix} \right) \]

모의실험에서는 \(\sigma_X = \sigma_Y = 1\)과 \(\mu_X = \mu_Y = 0\)으로 두었다. 두 평균을 같게 두었으므로 \(\mu_D = 0\)이 참이다. 이 자료에 명목 95% 대응 \(t\) 구간을 걸고 \(0\)을 담는 비율을 센다. 그 비율이 곧 실제 포함률이고, \(0.950\)에서 얼마나 벗어나는지가 이 쪽의 측정 대상이다.

격자는 다음과 같다.

축 값
짝 안의 상관 \(\rho\) \(-0.9,\ -0.5,\ 0,\ +0.5,\ +0.9\)
쌍의 개수 \(n\) \(5,\ 10,\ 30\)
비교 대상 대응 \(t\) (자유도 \(n-1\)), 짝을 무시한 이표본 \(t\) (자유도 \(2n-2\))

각 칸에서 반복 \(40{,}000\)회를 돌린다. 포함률 추정의 표준오차는 \(\sqrt{0.95 \times 0.05/40000} = 0.0011\)이므로 소수 셋째 자리까지 읽어도 된다.


2. 표집분포 이론 — 차를 잡으면 일표본 문제가 된다

차를 잡으면 일표본 문제가 된다

쌍끼리 독립이므로 \(D_1, \ldots, D_n\)도 서로 독립이다. 그리고 이변량 정규의 일차결합은 다시 정규이므로 \(D_i\)는 정규를 따른다. 두 표본 문제가 일표본 문제로 돌아간다는 것이 이 설계의 전부이고, 그러면 평균의 표집분포와 \(t\) 분포에서 얻은 결과가 글자 하나 바꾸지 않고 그대로 쓰인다.

정리 1. 대응 t 통계량은 짝 안의 상관과 무관하다

위 설정에서 \(D_i = X_i - Y_i\)로 두면 \(D_1,\ldots,D_n \overset{\text{iid}}{\sim} N(\mu_D, \sigma_D^2)\)이고

\[ \mu_D = \mu_X - \mu_Y, \qquad \sigma_D^2 = \sigma_X^2 + \sigma_Y^2 - 2\rho\,\sigma_X\sigma_Y \]

다. 따라서 모든 \(n \ge 2\)와 모든 \(\rho \in (-1, 1)\)에 대해

\[ \bar D \sim N\!\left(\mu_D,\ \frac{\sigma_D^2}{n}\right), \qquad \frac{(n-1)S_D^2}{\sigma_D^2} \sim \chi^2_{n-1}, \qquad \bar D \perp S_D^2 \]

이고

\[ T = \frac{\bar D - \mu_D}{S_D/\sqrt n} \sim t_{n-1} \]

이다. \(\rho\)는 \(\sigma_D^2\)에만 들어가고 \(T\)의 분포에는 들어가지 않는다.

증명

(1) 차가 정규다. 이변량 정규벡터의 일차결합은 정규다. \(D_i = (1, -1)\binom{X_i}{Y_i}\)이므로 \(D_i\)는 정규이고, 평균과 분산은 기댓값과 공분산의 성질에서 바로 나온다.

\[ E[D_i] = \mu_X - \mu_Y, \qquad \operatorname{Var}(D_i) = \sigma_X^2 + \sigma_Y^2 - 2\operatorname{Cov}(X_i, Y_i) \]

이고 \(\operatorname{Cov}(X_i,Y_i) = \rho\,\sigma_X\sigma_Y\)다.

(2) 차들이 독립이다. 쌍 \((X_i, Y_i)\)들이 서로 독립이라고 두었으므로, 각 쌍의 함수인 \(D_i\)들도 서로 독립이다. 쌍 안의 종속은 \(D_i\) 하나 안으로 전부 흡수되고 쌍끼리의 독립만 남는다. 이 한 줄이 두 표본 문제를 일표본 문제로 바꾸는 자리다.

(3) 일표본 결과를 그대로 쓴다. \((1)\)과 \((2)\)에서 \(D_1,\ldots,D_n\)은 정규모집단 \(N(\mu_D, \sigma_D^2)\)에서 뽑은 크기 \(n\)의 확률표본이다. 그러면 카이제곱분포의 결과가 그대로 적용되어 \((n-1)S_D^2/\sigma_D^2 \sim \chi^2_{n-1}\)이고 \(\bar D\)와 \(S_D^2\)이 독립이다.

(4) \(\sigma_D\)가 약분된다. \(t\) 통계량을 \(\sigma_D\)로 위아래 나누면

\[ T = \frac{(\bar D - \mu_D)/(\sigma_D/\sqrt n)}{\sqrt{\dfrac{(n-1)S_D^2/\sigma_D^2}{n-1}}} = \frac{Z}{\sqrt{V/(n-1)}} \]

이고 \(Z \sim N(0,1)\), \(V \sim \chi^2_{n-1}\)이 독립이므로 정의에 의해 \(T \sim t_{n-1}\)이다. \(\rho\)는 \(\sigma_D\) 안에만 있었는데 그 \(\sigma_D\)가 약분되어 사라졌다. 이것이 정리의 요점이다. \(\square\)

상관이 하는 일은 자를 바꾸는 것뿐이다

정리 1을 읽는 방식이 둘이다. 하나는 「\(\rho\)가 무엇이든 절차가 옳다」는 안심이고, 다른 하나는 「\(\rho\)를 알아도 절차가 나아지지 않는다」는 체념이다. 둘 다 맞다. \(\rho\)가 바꾸는 것은 재는 자의 눈금, 곧 \(\sigma_D\) 하나뿐이다.

\(\sigma_X = \sigma_Y = \sigma\)인 흔한 경우에 적으면

\[ \sigma_D^2 = 2\sigma^2(1 - \rho) \]

이므로 \(\rho\)가 \(1\)에 가까울수록 차가 조용해지고 \(-1\)에 가까울수록 요란해진다. 쌍을 이룬 두 측정이 같이 오르내릴수록 그 공통분이 빼기에서 사라지기 때문이다.

그림으로 보는 통계학 1. 조수를 해고한 천문대장

\(1796\) 년 그리니치 천문대에서 한 사람이 일자리를 잃었다. 조수 데이비드 키너브룩이다. 해고한 사람은 왕실 천문관 네빌 매스컬라인이고, 사유는 별이 자오선을 지나는 시각을 제대로 못 적는다는 것이었다.

그때의 관측은 이랬다. 망원경을 보며 머릿속으로 시계 소리를 세다가, 별이 금에 닿는 순간을 초 단위로 적는다. 매스컬라인이 보니 키너브룩의 기록이 자기 것보다 반 초쯤 늦었다. 주의를 주었는데 차이가 줄기는커녕 \(0.8\) 초까지 벌어졌다. 그래서 내보냈다.

이십여 년 뒤 쾨니히스베르크의 프리드리히 베셀이 이 일화를 읽고 이상하게 여겼다. 그래서 자기와 다른 천문학자들을 서로 견주어 보았는데, 결과가 뜻밖이었다. 누구에게나 제 몫의 편향이 있었다. 그리고 더 중요한 것 — 두 사람 사이의 차는 꽤 일정했다. 베셀은 이것을 「개인 방정식」이라 불렀다.

왼쪽은 두 관측자가 스무 밤 동안 적은 시각을 겹쳐 그린 것으로, 두 줄이 나란히 크게 오르내린다. 오른쪽은 둘의 차로, 0.8 초 근처에 좁게 모여 있다

왼쪽 두 줄이 나란히 춤추는 것은 그날 별이 실제로 지나간 시각이 두 사람에게 똑같이 얹혀 있기 때문이다. 그 공통분이 정리 1 의 \(\rho\) 이고, 빼면 통째로 빠진다. 표준편차가 \(0.80\) 초에서 \(0.16\) 초로 다섯 배 좁아졌다. 자료에서 직접 그렸다.

키너브룩이 틀린 것이 아니었다. 절대 시각을 혼자 재는 일 자체가 그런 것이었고, 매스컬라인은 자기 기록을 참값으로 놓았을 뿐이다. 둘 중 누가 참값에 가까운지는 그 자료로는 알 수가 없다. 알 수 있는 것은 둘의 차뿐이다.

정리 1 이 적는 것이 바로 그 사정이다. 쌍을 이룬 두 측정에는 그날그날의 공통분 \(b_i\) 가 얹혀 있어서

\[ X_i = \mu_X + b_i + e_i, \qquad Y_i = \mu_Y + b_i + f_i \]

의 꼴이 되는데, 빼면 \(D_i = (\mu_X - \mu_Y) + (e_i - f_i)\) 로 \(b_i\) 가 흔적 없이 사라진다. \(b_i\) 가 클수록 \(\rho\) 가 \(1\) 에 가까워지고 차가 조용해지는 것이 이 그림이다.

\(19\) 세기 천문대들은 이후 관측자마다 개인 방정식을 재어 적어 두었다. 사람을 고치는 대신 사람 사이의 차를 재기로 한 것이다. 대응 설계가 하는 일이 글자 그대로 그것이다.

확인한 곳 — 매스컬라인이 \(1796\) 년에 조수 키너브룩을 자오선 통과 기록이 자기 것과 어긋난다는 이유로 내보냈다는 것, 베셀이 뒤에 관측자들을 서로 견주어 「개인 방정식」을 세웠다는 것은 천문학사와 실험심리학사에서 거듭 다루어져 온 일화다 · 그림의 수(원자료 표준편차 \(0.80\) 초, 차의 표준편차 \(0.16\) 초, 짝 안의 상관 \(0.985\))는 위 모형에서 이 쪽이 직접 만들어 쟀다


3. 상관을 바꿔 가며 폭을 잰다

왼쪽은 상관 -0.9, 0, +0.9 에서 잰 t 통계량의 분포 셋이 t(9) 밀도 위에 그대로 포개진 그림. 오른쪽은 평균 구간 폭이 상관에 따라 줄어드는 곡선으로, 모의에서 잰 점들이 정확한 기댓값 곡선 위에 올라앉아 있다

\(n = 10\) 에서 잰 것이다. 왼쪽이 정리 1 의 결론이고 오른쪽이 그 정리가 말하지 않는 것이다. 모양은 \(\rho\) 를 타지 않고, 폭은 전적으로 \(\rho\) 가 정한다.

보기 1. 격자 전체의 실제 포함률. \(\rho \in \{-0.9,-0.5,0,0.5,0.9\}\)와 \(n \in \{5,10,30\}\)의 열다섯 칸에서, \(\mu_D = 0\)이 참인 자료에 명목 95% 대응 \(t\) 구간을 걸고 \(0\)을 담는 비율을 \(4\)만 번씩 센다.

(1) 열다섯 칸의 포함률이 얼마가 되어야 하는지 정리 1에서 답하시오.

(2) 모의실험으로 확인하고, \(t\) 통계량의 분포가 \(t_{n-1}\)에서 얼마나 떨어져 있는지 KS 거리로 재시오.

풀이

(1) 해석적으로. 정리 1에 따라 \(T \sim t_{n-1}\)이 정확히 성립하므로

\[ P\!\left(\left|\frac{\bar D - \mu_D}{S_D/\sqrt n}\right| \le t_{0.975,\,n-1}\right) = 0.95 \]

가 모든 \(n\)과 모든 \(\rho\)에서 참이다. 열다섯 칸 모두 \(0.950\)이어야 하고, 근사가 아니므로 \(n = 5\)에서도 그렇다. 불일치가 있다면 전부 모의오차다.

(2) 모의실험.

import numpy as np
from scipy import stats

B = 40_000          # 반복 횟수. 포함률 추정의 표준오차는 약 0.0011이다.
RHOS = (-0.9, -0.5, 0.0, 0.5, 0.9)


def paired_diffs(n, rho, reps, rng):
    """평균이 같은 이변량 정규 쌍 n 개를 reps 벌 만들어 차 D 를 돌려준다."""
    z1 = rng.normal(size=(reps, n))
    z2 = rng.normal(size=(reps, n))
    return z1 - (rho * z1 + np.sqrt(1 - rho ** 2) * z2)


rng = np.random.default_rng(5)
print(" n    rho    포함률    KS(t 통계량, t_{n-1})")
for n in (5, 10, 30):
    tc = stats.t.ppf(0.975, n - 1)
    for rho in RHOS:
        d = paired_diffs(n, rho, B, rng)
        db, sd = d.mean(axis=1), d.std(axis=1, ddof=1)
        cov = np.mean(np.abs(db) <= tc * sd / np.sqrt(n))
        ks = stats.kstest(db / (sd / np.sqrt(n)), "t", args=(n - 1,)).statistic
        print(f"{n:2}   {rho:+.1f}   {cov:.4f}    {ks:.4f}")

출력:

 n    rho    포함률    KS(t 통계량, t_{n-1})
 5   -0.9   0.9515    0.0043
 5   -0.5   0.9511    0.0046
 5   +0.0   0.9507    0.0076
 5   +0.5   0.9491    0.0034
 5   +0.9   0.9512    0.0037
10   -0.9   0.9492    0.0061
10   -0.5   0.9497    0.0057
10   +0.0   0.9480    0.0044
10   +0.5   0.9493    0.0057
10   +0.9   0.9507    0.0035
30   -0.9   0.9507    0.0061
30   -0.5   0.9506    0.0044
30   +0.0   0.9502    0.0040
30   +0.5   0.9498    0.0039
30   +0.9   0.9513    0.0057

열다섯 칸이 모두 \(0.948\)에서 \(0.952\) 사이다. 모의오차 \(0.0011\)의 두 배 안이므로 \(0.950\)과 구별되지 않는다. KS 거리도 \(0.0034\)에서 \(0.0076\) 사이로, \(4\)만 개 표본에서 기대되는 수준(\(\approx 1.36/\sqrt{40000} = 0.0068\)이 5% 임계값)이다.

\(n = 5\) 줄을 특히 보아 둘 만하다. 쌍이 다섯 개뿐인데도 근사가 아니다. 5.4절에서 비정규 모집단의 \(\bar X\)가 \(n = 30\)으로도 모자랐던 것과 견주면, 여기서 정규성(normality)이 얼마나 많은 일을 하고 있는지가 드러난다.


보기 2. \(\rho\)가 바꾸는 것은 폭이다. \(n = 10\)에서 명목 95% 구간의 평균 폭을 \(\rho\)별로 재고, 이론값과 맞추어 보시오.

\(E[S_D] = c_4(n)\,\sigma_D\)이고 \(c_4(n) = \sqrt{2/(n-1)}\;\Gamma(n/2)/\Gamma((n-1)/2)\)임을 쓰면 폭의 기댓값을 정확히 적을 수 있다.

풀이

구간은 \(\bar D \pm t_{0.975,n-1} S_D/\sqrt n\)이므로 폭은 \(2t_{0.975,n-1}S_D/\sqrt n\)이고, 기댓값은

\[ E[\text{폭}] = \frac{2\,t_{0.975,\,n-1}\,c_4(n)\,\sigma_D}{\sqrt n} = 2\,t_{0.975,\,n-1}\,c_4(n)\sqrt{\frac{2(1-\rho)}{n}} \]

다(\(\sigma_X=\sigma_Y=1\)을 넣었다). \(\rho\)는 제곱근 안에만 들어가므로, \(\rho = 0\)을 기준으로 삼으면 폭의 비가 정확히 \(\sqrt{1-\rho}\)가 된다.

from scipy.special import gamma

rng = np.random.default_rng(12)
n = 10
tc = stats.t.ppf(0.975, n - 1)
c4 = np.sqrt(2 / (n - 1)) * gamma(n / 2) / gamma((n - 1) / 2)   # E[S_D] = c4 * sigma_D

rows = []
for rho in RHOS:
    d = paired_diffs(n, rho, B, rng)
    w = (2 * tc * d.std(axis=1, ddof=1) / np.sqrt(n)).mean()
    rows.append((rho, w, 2 * tc * c4 * np.sqrt(2 * (1 - rho) / n)))

base = [w for r, w, e in rows if r == 0.0][0]
print(f"c4({n}) = {c4:.6f}")
print("  rho    모의 평균 폭    정확한 기댓값    rho=0 대비    sqrt(1-rho)")
for rho, w, exact in rows:
    print(f"  {rho:+.1f}      {w:.4f}         {exact:.4f}       "
          f"{w/base:.4f}       {np.sqrt(1-rho):.4f}")

출력:

c4(10) = 0.972659
  rho    모의 평균 폭    정확한 기댓값    rho=0 대비    sqrt(1-rho)
  -0.9      2.7166         2.7127       1.3790       1.3784
  -0.5      2.4125         2.4103       1.2246       1.2247
  +0.0      1.9700         1.9680       1.0000       1.0000
  +0.5      1.3913         1.3916       0.7063       0.7071
  +0.9      0.6228         0.6223       0.3161       0.3162

다섯 줄 모두 모의값과 기댓값이 소수 셋째 자리까지 맞고, 마지막 두 열이 소수 셋째 자리까지 같은 수다. \(\sqrt{1-\rho}\) 법칙이 근사가 아니라 등식이라는 뜻이다.

\(c_4(10) = 0.9727\)을 빼먹으면 안 된다는 것도 읽어 둘 만하다. \(S_D\)는 \(\sigma_D\)의 불편추정량(unbiased estimator)이 아니고 평균적으로 \(2.7\%\) 작다. 이 보정을 넣지 않으면 기댓값이 모의값보다 체계적으로 커져, 맞는 법칙을 두고 틀렸다고 결론 내리게 된다.

\(\rho = 0.9\)에서 폭이 \(0.316\)배다. 같은 쌍 수로 구간을 세 배 좁게 만든 것이며, 쌍 수로 같은 효과를 보려면 \(n\)을 \(1/0.316^2 \approx 10\)배로 늘려야 한다. 대응 설계가 값싸게 얻는 것이 이것이다.

반대쪽도 봐 두어야 한다. \(\rho = -0.9\)에서는 폭이 \(1.379\)배로 늘어난다. 짝을 짓는 일이 언제나 이득은 아니다. 음의 상관이 생기는 설계라면 짝짓기가 손해다.


보기 3. 이 결과를 깨뜨리는 것이 무엇인지 찾는다. \(\rho\)를 아무리 극단으로 밀어도 보기 1이 흔들리지 않았으므로, 깨뜨리려면 다른 가정을 건드려야 한다.

차가 치우친 경우를 보자. \(D_i = 1 - E_i\), \(E_i \sim \text{Exp}(1)\)로 두면 \(E[D_i] = 0\)이지만 왜도(skewness)가 \(-2\)다. \(n = 5, 10, 30, 100\)에서 포함률을 재고, 빗나가는 방향까지 나누어 세시오.

풀이
rng = np.random.default_rng(23)
print("  n     포함률   왼쪽으로 빗나감   오른쪽으로 빗나감")
for n in (5, 10, 30, 100):
    tc = stats.t.ppf(0.975, n - 1)
    d = 1.0 - rng.exponential(1.0, size=(B, n))     # 평균 0, 왼쪽으로 긴 꼬리
    db, half = d.mean(axis=1), tc * d.std(axis=1, ddof=1) / np.sqrt(n)
    print(f"{n:4}    {np.mean(np.abs(db) <= half):.4f}       "
          f"{np.mean(db - half > 0):.4f}            {np.mean(db + half < 0):.4f}")

출력:

  n     포함률   왼쪽으로 빗나감   오른쪽으로 빗나감
   5    0.8813       0.1148            0.0038
  10    0.8978       0.0979            0.0043
  30    0.9301       0.0633            0.0066
 100    0.9432       0.0446            0.0121

\(n = 5\)에서 포함률이 \(0.881\)이다. 명목 \(0.95\)에서 \(7\) 퍼센트포인트 모자라고, 보기 1의 모든 칸이 \(0.950\)이었던 것과 뚜렷이 다르다. 상관을 극단까지 밀어도 꿈쩍 않던 결과가 차의 비대칭 하나로 무너진다. 이 표집분포가 기대고 있는 것이 \(\rho\)가 아니라 차의 정규성임을 이보다 분명히 보이기 어렵다.

더 눈여겨볼 것은 빗나가는 방향이 한쪽으로 몰린다는 것이다. \(n = 5\)에서 구간이 참값을 놓치는 \(11.9\%\) 가운데 \(11.5\%\)가 한쪽이고 반대쪽은 \(0.4\%\)뿐이다. \(30\) 대 \(1\)이다. 명목 \(2.5\%\)씩 반반이어야 하는데 전혀 그렇지 않다.

까닭은 \(\bar D\)와 \(S_D\)가 함께 움직이기 때문이다. 카이제곱분포에서 본 대로 \(\operatorname{Cov}(\bar D, S_D^2) = \mu_3/n\)이고, 여기서는 \(\mu_3 = -2 < 0\)이다. 그래서 \(\bar D\)가 작게 나온 표본은 \(S_D\)가 크게 나오고, 구간이 덩달아 넓어져 참값을 덮어 준다. 반대로 \(\bar D\)가 크게 나오면 \(S_D\)가 작아져 구간이 좁아진 채로 참값에서 멀어진다. 한쪽에서만 놓치는 것이 그 자국이다.

\(n\)을 키우면 나아지기는 한다. 중심극한정리(central limit theorem)가 듣기 때문이다. 그러나 \(n = 100\)에서도 포함률이 \(0.943\)이고 좌우가 \(0.045\) 대 \(0.012\)로 여전히 기운다. \(\bar D\)의 왜도가 \(-2/\sqrt n\)으로만 줄기 때문에 \(n = 100\)에서도 \(-0.2\)가 남는다.


보기 4. 짝을 지어 모은 자료에 짝을 무시하고 이표본 \(t\)를 걸면 어떻게 되는가. \(n = 10\) 쌍에서 두 검정의 실제 오류율을 \(\rho\)별로 재고, 그 결과를 분모가 무엇을 겨누는지로 설명하시오.

풀이

먼저 해석적으로. \(\mu_X = \mu_Y\) 아래에서 분자 \(\bar X - \bar Y = \bar D\)의 참 분산은

\[ \operatorname{Var}(\bar D) = \frac{2\sigma^2(1-\rho)}{n} \]

인데, 이표본 \(t\)의 분모 \(S_p^2(1/n + 1/n)\)은 독립을 믿고 계산한 양이라

\[ E\!\left[S_p^2\left(\tfrac1n+\tfrac1n\right)\right] = \frac{2\sigma^2}{n} \]

을 겨눈다. 두 표본분산(sample variance)은 각자의 표본 안에서만 계산되므로 \(\rho\)를 아예 보지 못한다. 그러니 배율이

\[ R = \frac{E[\text{분모}^2]}{\operatorname{Var}(\bar D)} = \frac{1}{1-\rho} \]

다. \(\rho > 0\)이면 \(R > 1\)이라 통계량이 옳은 분모로 잰 것보다 작아져 검정이 보수적이 되고, \(\rho < 0\)이면 \(R < 1\)이라 커져서 오류율이 부푼다.

rng = np.random.default_rng(31)
n = 10
tc_pair, tc_two = stats.t.ppf(0.975, n - 1), stats.t.ppf(0.975, 2 * n - 2)

print("  rho    대응 t    이표본 t")
for rho in RHOS:
    z1 = rng.normal(size=(B, n))
    z2 = rng.normal(size=(B, n))
    x, y = z1, rho * z1 + np.sqrt(1 - rho ** 2) * z2
    d = x - y
    rej_p = np.mean(np.abs(d.mean(axis=1) / (d.std(axis=1, ddof=1) / np.sqrt(n)))
                    > tc_pair)

    sp2 = (x.var(axis=1, ddof=1) + y.var(axis=1, ddof=1)) / 2
    t2 = (x.mean(axis=1) - y.mean(axis=1)) / np.sqrt(sp2 * 2 / n)
    print(f"  {rho:+.1f}    {rej_p:.4f}     {np.mean(np.abs(t2) > tc_two):.4f}")

출력:

  rho    대응 t    이표본 t
  -0.9    0.0512     0.1598
  -0.5    0.0495     0.1062
  +0.0    0.0492     0.0503
  +0.5    0.0493     0.0089
  +0.9    0.0508     0.0000

대응 \(t\) 열은 다섯 칸 모두 \(0.05\)다. 정리 1이 보장하는 바다. 이표본 \(t\) 열은 \(\rho = 0\)에서만 맞고 — 짝이 사실은 없는 경우이니 당연하다 — 양쪽으로 갈라진다.

\(\rho\) \(R = 1/(1-\rho)\) 이표본 \(t\)의 실제 오류율
\(-0.9\) \(0.526\) \(0.160\)
\(-0.5\) \(0.667\) \(0.106\)
\(0.0\) \(1.000\) \(0.050\)
\(+0.5\) \(2.000\) \(0.009\)
\(+0.9\) \(10.000\) \(0.0000\)

\(\rho = +0.9\)에서 \(4\)만 번 중 한 번도 기각하지 않았다. 짝이 잘 맞을수록 손해가 커지는 것이 이 방향의 특징이고, 손해의 정체는 오류율이 아니라 검정력이다. 참으로 차이가 있어도 잡아내지 못한다. 반대로 \(\rho < 0\) 쪽은 더 고약하다. \(\rho = -0.9\)에서 「\(5\%\)만 틀리겠다」고 약속한 검정이 여섯 번에 한 번 헛것을 본다.

이 표의 요점은 「어느 설계가 나은가」가 아니라 「자료의 짜임과 표집분포가 맞지 않으면 분포 자체가 틀린 것」이라는 데 있다. 설계를 고르는 문제는 8.4절 μ_D (차이의 평균)의 신뢰구간 4 절과 9.4절 대응표본과 이표본, 언제 무엇을 쓰는가이 맡는다.


4. 이 표집분포를 언제 믿을 수 있는가

주요 관찰

  1. \(\rho\)는 아무것도 깨뜨리지 않는다. \(-0.9\)에서 \(+0.9\)까지 열다섯 칸이 모두 포함률 \(0.950\)이다. 두 표본 쪽에서 등분산이 깨지면 곧바로 무너지던 것과 대조된다. 차를 잡는 순간 쌍 안의 종속이 \(D_i\) 하나로 흡수되기 때문이다.
  2. \(\rho\)가 정하는 것은 폭이다. 폭이 \(\sqrt{1-\rho}\)에 정확히 비례한다. \(\rho = 0.9\)면 \(0.316\)배, \(\rho = -0.9\)면 \(1.379\)배다.
  3. 깨뜨리는 것은 차의 비정규성이다. 왜도 \(-2\)인 차에서 \(n = 5\)의 포함률이 \(0.881\)이고, 놓치는 쪽이 \(30\) 대 \(1\)로 한쪽에 몰린다.
  4. \(n\)이 고쳐 주기는 하는데 느리다. \(\bar D\)의 왜도가 \(-2/\sqrt n\)으로만 줄어 \(n = 100\)에서도 포함률이 \(0.943\)이다.
  5. 짝을 무시하면 분포를 잘못 고르는 것이다. \(\rho = -0.9\)에서 오류율 \(0.160\), \(\rho = +0.9\)에서 \(0.0000\)이다.

쌍끼리의 독립은 여전히 필요하다

정리 1이 느슨하게 만든 것은 쌍 안의 독립이지 쌍 사이의 독립이 아니다. 증명 \((2)\)가 쓰는 것이 바로 쌍 사이의 독립이고, 그것이 깨지면 전부 무너진다.

흔한 자리가 이렇다. 한 병원에서 여러 쌍을 모으고 여러 병원을 합치면, 같은 병원에서 온 \(D_i\)들이 서로 닮는다. 쌍을 \(n\)개 모았어도 독립인 단위는 병원 수이며, \(S_D^2/n\)은 \(\operatorname{Var}(\bar D)\)를 과소추정한다. 포함률이 \(0.95\) 아래로 내려가고, 쌍을 더 모아도 나아지지 않는다. 보기 3의 비정규성과 달리 이쪽은 \(n\)으로 고쳐지지 않는다 — 틀린 것이 근사가 아니라 독립 단위의 수이기 때문이다.

이 표집분포를 가지고 실제로 구간과 검정을 만드는 일은 8장 \(\mu_D\)의 신뢰구간과 9장 대응 \(t\) 검정이 맡는다. 차가 너무 치우쳐 보기 3의 상황에 놓였다면 순위를 쓰는 16장 대응 윌콕슨 부호순위검정이나 대응 순열검정으로 갈아타는 편이 낫다.


연습문제

연습문제 1. \(\sigma_X = \sigma_Y = 5\), \(\rho = 0.8\), \(n = 16\)인 대응 자료에서 \(\sigma_D\)와 \(\operatorname{SE}(\bar D)\)를 구하라.

풀이

정리 1에서

\[ \sigma_D^2 = \sigma_X^2 + \sigma_Y^2 - 2\rho\sigma_X\sigma_Y = 25 + 25 - 2(0.8)(25) = 50 - 40 = 10 \]

이므로 \(\sigma_D = \sqrt{10} = 3.1623\)이다. 따라서

\[ \operatorname{SE}(\bar D) = \frac{\sigma_D}{\sqrt n} = \frac{3.1623}{4} = 0.7906 \]

이다. \(\sigma_D^2 = 2\sigma^2(1-\rho) = 2(25)(0.2) = 10\)으로 바로 계산해도 같다.


연습문제 2. 연습문제 1과 같은 자료인데 짝을 모르고 독립 두 표본이라고 보았다고 하자. 표준오차를 얼마로 잡게 되는가. 참값과 견주어 몇 배 틀리는지 적어라.

풀이

독립이라고 보면 \(\sigma_X^2/n + \sigma_Y^2/n = 25/16 + 25/16 = 3.125\)이므로 표준오차를 \(\sqrt{3.125} = 1.7678\)로 잡는다. 참값은 \(0.7906\)이었으므로

\[ \frac{1.7678}{0.7906} = 2.2361 = \frac{1}{\sqrt{1-\rho}} = \frac{1}{\sqrt{0.2}} \]

배다. 표준오차를 \(2.24\)배로 과대평가한다. 구간이 쓸데없이 \(2.24\)배 넓어지고 검정력을 잃는다. 보기 4의 \(\rho = +0.5, +0.9\) 줄이 이 방향의 손해다.


연습문제 3. 연습문제 1에서 \(\rho = -0.5\)라면 어떻게 되는가. \(\sigma_D\)와 \(\operatorname{SE}(\bar D)\)를 구하고, 독립이라고 잘못 보았을 때의 방향이 연습문제 2와 어떻게 달라지는지 적어라.

풀이

\(\sigma_D^2 = 2(25)(1-(-0.5)) = 2(25)(1.5) = 75\)이므로 \(\sigma_D = 8.6603\)이고

\[ \operatorname{SE}(\bar D) = \frac{8.6603}{4} = 2.1651 \]

이다. 독립이라고 보면 여전히 \(1.7678\)로 잡으므로 이번에는 과소평가다(\(1.7678/2.1651 = 0.8165 = 1/\sqrt{1-\rho} = 1/\sqrt{1.5}\)).

방향이 뒤집힌 것이 요점이다. \(\rho > 0\)이면 분모를 크게 잡아 보수적이 되고(\(\rho = 0.8\)에서 구간이 \(2.24\)배 넓다), \(\rho < 0\)이면 분모를 작게 잡아 위험해진다. 보기 4에서 \(\rho = -0.9\)의 오류율이 \(0.160\)으로 치솟은 것이 이 자리다. 짝지은 자료를 독립으로 다루는 실수는 언제나 보수적이지 않다.


연습문제 4. 보기 1에서 \(\rho\)를 바꿔도 포함률이 꿈쩍하지 않는 까닭을 정리 1의 증명 가운데 어느 단계가 책임지는지 짚고, 두 줄로 설명하라.

풀이

\((4)\)단계가 책임진다. \(\rho\)는 \(\sigma_D^2 = \sigma_X^2+\sigma_Y^2-2\rho\sigma_X\sigma_Y\) 안으로만 들어가는데, \(t\) 통계량을 만들 때 분자와 분모를 모두 \(\sigma_D\)로 나누면 그 \(\sigma_D\)가 약분되어 사라진다.

바꾸어 말하면 \(\rho\)는 자의 눈금에만 있고 자로 잰 값의 분포에는 없다. \(T\)는 \(\sigma_D\) 단위로 잰 양이므로 눈금이 바뀌어도 읽는 수는 같다. 보기 2가 재는 폭은 눈금 쪽이라 \(\rho\)를 타고, 보기 1이 재는 포함률은 읽는 수 쪽이라 타지 않는다.


연습문제 5. \(n = 10\), \(\sigma_X = \sigma_Y = 1\), \(\rho = 0.9\)에서 명목 95% 대응 \(t\) 구간의 평균 폭을 손으로 계산하고 보기 2의 모의값 \(0.6228\)과 견주어라. \(t_{0.975,9} = 2.2622\), \(c_4(10) = 0.972659\)를 쓴다.

풀이

\(\sigma_D = \sqrt{2(1-0.9)} = \sqrt{0.2} = 0.447214\)이므로

\[ E[\text{폭}] = \frac{2\,t_{0.975,9}\,c_4(10)\,\sigma_D}{\sqrt{10}} = \frac{2(2.2622)(0.972659)(0.447214)}{3.162278} \]

이고, 분자가 \(1.967944\)이므로 \(E[\text{폭}] = 0.6223\)이다. 모의값 \(0.6228\)과 소수 셋째 자리까지 맞는다.

\(c_4(10)\)을 빼먹으면 \(0.6223/0.972659 = 0.6398\)이 나와 모의값보다 \(2.8\%\) 크다. 반복을 \(4\)만 번 돌린 모의오차(\(\approx 0.1\%\))보다 한참 큰 불일치라, 법칙이 틀렸다고 잘못 결론 내리기에 딱 좋은 크기다.


연습문제 6. 보기 1이 「\(\rho\)가 무엇이든 포함률이 \(0.950\)」이라고 했다. 그렇다면 「대응 설계가 낫다」는 말은 무엇을 두고 하는 말인가. 그 말이 틀리는 \(\rho\)의 범위도 적어라.

풀이

포함률은 타당성(validity)이고, 대응 설계가 주장하는 것은 효율(efficiency)이다. 두 설계 모두 \(95\%\)를 지키지만 구간의 폭이 다르다. 보기 2에서 \(\rho = 0.9\)면 폭이 \(0.316\)배였다. 같은 신뢰수준(confidence level)을 더 좁은 구간으로 얻는 것, 같은 말로 더 높은 검정력을 얻는 것이 이득의 정체다.

틀리는 범위는 \(\rho < 0\)이다. 그때 \(\sigma_D^2 = 2\sigma^2(1-\rho) > 2\sigma^2\)이므로 짝을 지은 쪽이 더 넓은 구간을 낸다. 짝짓기가 손해가 되는 설계가 실제로 있다 — 한 사람의 두 측정이 서로 밀어내는 관계(한쪽을 많이 쓰면 다른 쪽을 적게 쓰게 되는 자원 배분 같은 것)가 그렇다.

자유도까지 넣으면 경계가 \(0\)보다 조금 위로 올라간다. 연습문제 7에서 센다.


연습문제 7. 관측값 \(2n\)개를 쓸 수 있다고 하자. \(n\)쌍으로 묶어 대응 \(t\)(자유도 \(n-1\))를 쓰거나, 두 집단에 \(n\)개씩 나누어 이표본 \(t\)(자유도 \(2n-2\))를 쓸 수 있다. 구간의 평균 폭이 같아지는 손익분기 상관 \(\rho^\*\)를 식으로 구하고 \(n = 5, 10, 30, 100\)에서 계산하라.

풀이

두 설계의 평균 폭을 적는다(\(\sigma_X=\sigma_Y=\sigma\), \(c_4\)는 양쪽 자유도에서 거의 같으므로 생략한다).

\[ \text{대응} : \; \frac{2t_{0.975,\,n-1}}{\sqrt n}\,\sigma\sqrt{2(1-\rho)}, \qquad \text{독립} : \; \frac{2t_{0.975,\,2n-2}}{\sqrt n}\,\sigma\sqrt{2} \]

같다고 놓으면 \(\sigma\), \(\sqrt 2\), \(\sqrt n\)이 약분되어

\[ t_{0.975,\,n-1}\sqrt{1-\rho^\*} = t_{0.975,\,2n-2} \quad\Longleftrightarrow\quad \rho^\* = 1 - \left(\frac{t_{0.975,\,2n-2}}{t_{0.975,\,n-1}}\right)^2 \]

이다. 계산하면 이렇다.

\(n\) \(t_{0.975,n-1}\) \(t_{0.975,2n-2}\) \(\rho^\*\)
\(5\) \(2.7764\) \(2.3060\) \(0.3102\)
\(10\) \(2.2622\) \(2.1009\) \(0.1375\)
\(30\) \(2.0452\) \(2.0017\) \(0.0421\)
\(100\) \(1.9842\) \(1.9720\) \(0.0123\)

짝짓기는 공짜가 아니다. 자유도를 절반 가까이 내주므로 임계값이 커지고, 그만큼을 상관으로 갚아야 본전이다. \(n = 5\)에서는 \(\rho\)가 \(0.31\)을 넘어야 이득이고, \(n = 100\)에서는 \(0.0123\)만 넘으면 된다.

실무의 결론은 「표본이 작을수록 섣불리 짝짓지 말라」가 된다. 다만 대응 설계를 고르는 까닭은 보통 효율보다 교란 제거에 있다는 점도 함께 보아야 한다(상자의 개인 방정식이 그 예다). 설계 선택의 전체 논의는 8.4절 μ_D (차이의 평균)의 신뢰구간 4 절에 있다.


연습문제 8. 보기 3에서 구간이 빗나가는 쪽이 \(30\) 대 \(1\)로 기울었다. 차의 왜도가 \(-2\)가 아니라 \(+2\)라면 표가 어떻게 바뀌겠는가. \(\operatorname{Cov}(\bar D, S_D^2) = \mu_3/n\)을 써서 답하라.

풀이

좌우가 그대로 뒤집힌다. 왜도가 \(+2\)이면 \(\mu_3 > 0\)이라 \(\operatorname{Cov}(\bar D, S_D^2) > 0\)이므로, \(\bar D\)가 크게 나온 표본에서 \(S_D\)도 커져 구간이 넓어지고 참값을 덮어 준다. 반대로 \(\bar D\)가 작게 나오면 구간이 좁아진 채 참값에서 멀어진다.

따라서 \(n = 5\)에서 「왼쪽으로 빗나감 \(0.1148\), 오른쪽 \(0.0038\)」이 「왼쪽 \(0.0038\), 오른쪽 \(0.1148\)」로 바뀐다. 포함률 자체는 그대로 \(0.881\)이다. 왜도의 부호는 어느 쪽으로 빗나가는지만 정하고, 얼마나 빗나가는지는 왜도의 크기가 정한다.

확인하려면 보기 3의 코드에서 d = 1.0 - rng.exponential(...)을 d = rng.exponential(...) - 1.0으로 바꾸면 된다.


연습문제 9. 세 병원에서 각각 쌍을 \(10\)개씩 모아 \(n = 30\)쌍을 얻었다. 같은 병원에서 온 차 \(D_i\)들이 상관 \(\tau = 0.3\)으로 서로 닮아 있다면 \(\operatorname{Var}(\bar D)\)가 \(\sigma_D^2/30\)의 몇 배인가. 쌍을 더 모으면 나아지는가.

풀이

병원이 \(g = 3\)개이고 병원마다 \(m = 10\)쌍이며 같은 병원 안의 상관이 \(\tau\)이면

\[ \operatorname{Var}(\bar D) = \frac{\sigma_D^2}{n}\bigl(1 + (m-1)\tau\bigr) = \frac{\sigma_D^2}{30}\bigl(1 + 9(0.3)\bigr) = \frac{\sigma_D^2}{30}\times 3.7 \]

이다. 괄호 안이 설계효과(design effect)이며, 참 분산이 독립을 믿고 계산한 값의 \(3.7\)배다. 표준오차로는 \(\sqrt{3.7} = 1.92\)배이므로, 구간이 실제 필요한 폭의 절반밖에 안 된다. 명목 \(95\%\) 구간의 실제 포함률이 크게 떨어진다.

쌍을 더 모아도 나아지지 않는다. 병원 수 \(g\)를 그대로 두고 \(m\)을 키우면 설계효과 \(1+(m-1)\tau\)가 오히려 커진다. 유효 표본크기가

\[ n_{\text{eff}} = \frac{n}{1+(m-1)\tau} = \frac{30}{3.7} = 8.1 \]

로, 쌍 \(30\)개를 모았지만 정보는 여덟 쌍어치다. 나아지게 하려면 병원 수를 늘려야 한다. 독립인 단위가 쌍이 아니라 병원이기 때문이다. 보기 3의 비정규성이 \(n\)으로 고쳐지던 것과 결정적으로 다른 점이다.


연습문제 10. \(X_i\)와 \(Y_i\)가 각각은 정규인데 결합은 이변량 정규가 아닐 수 있다. 그런 경우에 정리 1의 결론 가운데 무엇이 살아남고 무엇이 깨지는지 가려라. 그리고 각 주변분포만 보아서는 왜 알 수 없는지 적어라.

풀이

깨진다. 정리 1의 증명 \((1)\)단계가 쓰는 것이 「이변량 정규의 일차결합은 정규」인데, 이 성질은 결합정규에서만 나온다. 각 주변분포가 정규라는 것만으로는 \(D_i = X_i - Y_i\)가 정규라는 보장이 없고, 그러면 \((3)\)과 \((4)\)가 줄줄이 무너진다.

살아남는 것은 적률이다. 평균과 분산의 공식

\[ \mu_D = \mu_X - \mu_Y, \qquad \sigma_D^2 = \sigma_X^2+\sigma_Y^2-2\rho\sigma_X\sigma_Y \]

은 기댓값과 공분산의 선형성만 쓰므로 분포의 모양과 무관하게 언제나 참이다. 깨지는 것은 \(T \sim t_{n-1}\)이라는 분포에 관한 주장이다. 실제로 보기 3이 그 예다 — 거기서 차는 정규가 아니었고, 포함률이 \(0.881\)로 내려갔다.

주변분포만으로 알 수 없는 까닭은 주변분포가 결합분포(joint distribution)를 정하지 않기 때문이다. 같은 정규 주변분포 두 개를 가지고도 서로 다른 결합분포를 얼마든지 만들 수 있고, 그중에는 차가 심하게 치우치는 것도 있다. 3장 독립과 무상관에서 상관계수가 종속의 전부를 담지 못했던 것과 같은 구조다.

실무에서는 \(X\)와 \(Y\)를 따로 보지 말고 차 \(D_i\)의 히스토그램과 정규 Q-Q 그림을 직접 그려 보는 것이 답이다. 어차피 이 표집분포가 요구하는 것은 \(D\)의 정규성 하나뿐이므로, \(X\)와 \(Y\)를 각각 점검하는 일은 과녁을 빗나간 점검이다.


정리하며

  • 쌍마다 먼저 빼면 두 표본 문제가 일표본 문제가 된다. 쌍 안의 종속은 \(D_i\) 하나로 흡수되고, 남는 요구는 쌍끼리의 독립과 차의 정규성뿐이다.
  • 짝 안의 상관 \(\rho\)는 \(\sigma_D^2 = \sigma_X^2+\sigma_Y^2-2\rho\sigma_X\sigma_Y\) 안에만 들어가고 \(t\) 통계량에서 약분된다. 그래서 \(T \sim t_{n-1}\)이 \(\rho\)와 무관하게 정확하다 — 열다섯 칸 모두 포함률 \(0.950\)이다.
  • \(\rho\)가 정하는 것은 구간의 폭이다. \(\sqrt{1-\rho}\)에 정확히 비례하며, \(\rho = 0.9\)에서 \(0.316\)배, \(\rho = -0.9\)에서 \(1.379\)배다.
  • 이 표집분포가 기대는 것은 \(\rho\)가 아니라 차의 정규성이다. 왜도 \(-2\)인 차에서 \(n = 5\)의 포함률이 \(0.881\)로 떨어지고, 놓치는 쪽이 \(30\) 대 \(1\)로 한쪽에 몰린다. \(n\)이 고쳐 주지만 왜도가 \(1/\sqrt n\)로만 줄어 느리다.
  • 쌍끼리의 독립이 깨지면(군집 자료) 쌍을 더 모아도 나아지지 않는다. 독립인 단위가 쌍이 아니기 때문이다.
  • 짝지은 자료에 이표본 \(t\)를 걸면 \(\rho > 0\)에서 검정력을 잃고(\(\rho=0.9\)에서 오류율 \(0.0000\)), \(\rho < 0\)에서 오류율이 부푼다(\(\rho=-0.9\)에서 \(0.160\)). 언제나 보수적인 실수가 아니다.

다음 절부터 두 표본분산의 비 표집분포로 넘어간다. 5.6절이 표본분산 하나의 표집분포였다면, 거기서는 둘의 비를 본다 — 두 집단의 산포가 같은지 묻는 물음이고, 등분산 가정을 점검하는 자리다.