왜도 검정¶
개요¶
들어가는 이야기 — 꾸러미마다 다른 왜도(skewness)를 찍는다
같은 자료에서 왜도를 재는데 scipy.stats.skew 는 보정하지 않은 값을 주고, pandas 의 .skew() 와 scipy.stats.skew(bias=False) 는 보정한 값을 준다. 그러면 「왜도가 \(0\) 인가」를 검정할 때 \(Z\) 통계량에 들어가야 하는 것은 어느 쪽인가. \(n = 15\) 에서 두 판본을 모두 변환에 넣어 보면 \(Z_1\) 이 \(0.9172\) 와 \(0.8252\) 로 \(11\%\) 갈린다.
차이는 표본이 커지면 사라진다 — \(n = 300\) 에서는 \(11.1992\) 대 \(11.1700\) 으로 \(0.3\%\) 다. 그래도 남는 사실이 있다. 꾸러미가 출력에 찍어 주는 왜도와 그 옆의 \(p\) 값이 서로 다른 통계량에서 나온 수일 수 있다는 것이다. 손으로 재현해 보지 않으면 드러나지 않는다.
변환 자체가 하는 일은 그보다 훨씬 크다. 표본왜도를 표준오차로 그냥 나눈 값이 \(15.9548\) 인데, 다고스티노–피어슨 변환은 그것을 \(10.4038\) 로 \(35\%\) 깎아 내린다. 깎는 방향이 맞다 — 단순 표준화를 그대로 믿으면 \(p\) 가 \(2.64 \times 10^{-57}\) 로 적히는데 참값은 \(2.38 \times 10^{-25}\) 로, 자릿수가 서른둘 벌어진다. 표본왜도의 귀무분포가 오른쪽으로 치우쳐 있어서 큰 값이 과장되는 것이다.
그러면 왜 표준오차로 나누기만 해서는 안 되고, 역쌍곡사인을 씌우는 변환은 정확히 무엇을 고치는가. 그리고 이 검정이 잡아낼 수 있는 가장 작은 왜도는 표본크기마다 얼마인가. \(\S 2\) 가 변환을 세우고 \(\S 3\) 이 그 한계를 수로 적는다.
변환은 \(Z_1 = \delta\,\operatorname{arcsinh}(Y/\alpha)\) 이고 \(\operatorname{arcsinh}\) 는 큰 인수에서 로그처럼 자라므로, 클수록 더 눌린다. 왼쪽에서 작은 \(Y\) 는 대각선에 붙어 있다가 \(Y = 15.95\) 에서 \(10.40\) 으로 \(35\%\) 깎인다. 깎는 방향이 맞다 — 유한표본에서 \(g_1\) 의 분포가 오른쪽으로 치우쳐 있어 단순 표준화가 큰 값을 과대평가하기 때문이다. 오른쪽이 그 \(35\%\) 의 값이다. 둘 다 기각하지만 \(p\) 가 \(2.64 \times 10^{-57}\) 과 \(2.38 \times 10^{-25}\) 로 \(32\) 자릿수 떨어져 있다. 결론이 같아도 적어 내는 수는 그만큼 다르다. 그림의 수는 모두 \(\S 2\) 의 닫힌 꼴로 직접 계산한 값이다.
다고스티노 왜도 검정은 자료의 왜도가 정규분포에서 기대되는 값인 0과 유의하게 다른지 평가한다. 표본왜도를 귀무가설(null hypothesis) 아래에서 근사적으로 표준정규를 따르는 \(Z\) 통계량으로 변환하므로, 비대칭을 겨냥한 표적 검정이 된다. 이 쪽은 핵심 공식을 유도하고, Python에서 검정을 시연하며, 실무적 사용을 논의한다.
1. 표본왜도¶
표본왜도에는 두 판본이 있고 이 쪽은 둘을 끝까지 갈라 쓴다. 미보정판은
이고, 편향을 보정한 피셔–피어슨 판본은 여기에 \(\sqrt{n(n-1)}/(n-2)\) 를 곱한
이다(\(\bar X\) 는 표본평균(sample mean), \(S\) 는 베셀 보정을 한 표본표준편차). 정규성(normality) 아래에서 둘 다 평균이 \(0\) 이고 분산은
이다. scipy.stats.skewtest 가 변환에 넣는 것은 미보정 \(g_1\) 이다(scipy.stats.skew 의 기본값 bias=True 와 같다). 아래 \(\S 2\) 의 표준화도 그 \(g_1\) 과 그 분산을 쓴다 — 보정판을 넣으면 값이 달라진다(보기 1 이 소수 여섯째 자리까지 갈라 보인다).
2. 다고스티노 변환¶
\(H_0\) 아래에서도 \(g_1\)의 분포가 정확히 정규가 아니므로, 다고스티노와 피어슨(1973)은 \(g_1\)을 \(\mathcal{N}(0,1)\)에 훨씬 가까운 통계량 \(Z_1\)으로 보내는 비선형 변환을 제안했다. 변환은 먼저
를 계산한 뒤 고차 누적률(cumulant)에 대한 추가 조정을 거친다. 최종 \(Z_1\)은 \(H_0: \text{왜도} = 0\) 아래에서 근사적으로 표준정규이다.
AI로 보는 통계학 1. 보고하는 왜도와 검정이 쓰는 왜도가 다르다
\(\S 1\) 은 미보정판 \(g_1\) 과 편향보정판 \(G_1\) 을 갈라 정의했고 \(\S 2\) 는 \(g_1\) 을 \(Z_1\) 으로 보내는 변환의
첫 단계만 적고 「고차 누적률에 대한 추가 조정」으로 넘겼다. 그 조정까지 구현해 두면
꾸러미가 실제로 어느 왜도를 넣는지 가려낼 수 있다. 가려낼 값이 있는 까닭은
꾸러미마다 기본값이 다르기 때문이다 — scipy.stats.skew 의 기본값은 보정을 하지
않고(미보정 \(g_1\)), pandas 의 .skew() 와 scipy.stats.skew(bias=False) 는
\(\S 1\) 의 보정판 \(G_1\) 을 준다. 아래 코드와 출력은 열 이름을 본문과 다르게 붙였으니
주의한다 — g1 (보정) 이 이 쪽의 \(G_1\) 이고 b1 (미보정) 이 이 쪽의 \(g_1\) 이다.
import numpy as np
from scipy import stats
def z1(skew, n): # D'Agostino 변환 전체
Y = skew * np.sqrt((n + 1) * (n + 3) / (6 * (n - 2)))
b2 = 3 * (n**2 + 27*n - 70) * (n + 1) * (n + 3) / ((n - 2) * (n + 5) * (n + 7) * (n + 9))
W2 = -1 + np.sqrt(2 * (b2 - 1))
d = 1 / np.sqrt(np.log(np.sqrt(W2)))
a = np.sqrt(2 / (W2 - 1))
return d * np.arcsinh(Y / a)
rng = np.random.default_rng(14)
print(f"{'n':>5} {'g1 (보정)':>11} {'b1 (미보정)':>12} {'Z1(g1)':>9} {'Z1(b1)':>9} {'skewtest z':>11}")
for n in (15, 60, 300):
x = rng.exponential(1, n)
m, S = x.mean(), x.std(ddof=1)
g1 = n / ((n - 1) * (n - 2)) * (((x - m) / S) ** 3).sum() # 쪽이 정의한 식
b1 = stats.skew(x) # scipy 기본값
print(f"{n:5} {g1:11.4f} {b1:12.4f} {z1(g1, n):9.4f} {z1(b1, n):9.4f} {stats.skewtest(x)[0]:11.4f}")
출력:
n g1 (보정) b1 (미보정) Z1(g1) Z1(b1) skewtest z
15 0.4582 0.4111 0.9172 0.8252 0.8252
60 1.0961 1.0685 3.2690 3.2051 3.2051
300 2.5636 2.5508 11.1992 11.1700 11.1700
마지막 두 열이 소수 넷째 자리까지 같다. skewtest 는 보정판 \(G_1\) 이 아니라
미보정 \(g_1\)(출력의 b1)을 변환에 넣는다. 그리고 그것이 옳다 — 다고스티노와 피어슨이 변환을
유도한 대상이 미보정판이므로, \(G_1\) 을 넣으면 변환의 전제가 깨진다. 위 표의 Z1(g1)
열(보정판을 넣은 값)은 그래서 쓰면 안 되는 수다.
어긋나는 쪽은 보고 관행이다. 표에 왜도를 적을 때 많이 쓰는 pandas 의 .skew() 는
\(G_1\) 을 주므로, 「왜도 \(0.458\), \(p = 0.409\)」라고 적으면 두 수가 서로 다른 통계량
에서 나온 것이 된다. \(n = 15\) 에서 \(Z_1\) 이 \(0.9172\) 와 \(0.8252\) 로 \(11\%\) 갈리고,
그 차이가 \(p\) 값의 경계 근처에서는 결론을 바꿀 수 있다.
차이는 \(n\) 이 커지면 사라진다 — \(n = 300\) 에서 \(11.1992\) 대 \(11.1700\) 으로 \(0.3\%\) 다. 문제는 그 차이가 아플 자리가 작은 표본이고, 작은 표본이 바로 이 검정을 돌리는 자리라는 것이다. \(\S 3\) 이 「이 검정이 잡아낼 수 있는 가장 작은 왜도」를 따지는 까닭도 같다. 왜도를 보고할 때는 어느 추정량인지 적고, 검정의 \(p\) 값과 나란히 놓으려면 미보정 쪽으로 맞추는 것이 일관된다.
3. 물음과 검정 — 양쪽 꼬리를 본다¶
양측 \(p\) 값은 \(p = 2\,\Phi(-|Z_1|)\)이며 \(\Phi\)는 표준정규 CDF이다.
보기 1. 로그정규 자료의 왜도 검정. \(\text{Lognormal}(0, 0.6^2)\)에서 \(n = 300\)개를 뽑으면 \(Z_1 = 10.4038\)이 나온다.
(1) 위 변환 \(Y = g_1\sqrt{(n+1)(n+3)/\{6(n-2)\}}\)가 사실 단순 표준화 \(g_1/\mathrm{SD}(g_1)\)임을 확인하시오. 그 값은 얼마이며, 다고스티노 변환은 그것을 어느 쪽으로 얼마나 옮기는가.
(2) scipy.stats.skewtest가 쓰는 왜도는 어느 판본인가. 코드가 찍어 주는 \(2.2452\)를 변환에 넣으면 \(Z_1\)이 얼마가 되는가.
풀이
(1) \(Y\)는 정확히 단순 표준화이고, 그 값은 \(15.9548\)이다. 정규성 아래 비보정 왜도의 분산이
이므로 그 역수의 제곱근을 곱하는 것이 곧 표준화다.
\(n = 300\)에서 \(\mathrm{SD}(g_1) = \sqrt{6\cdot298/(301\cdot303)} = 0.14002\)이고 \(g_1 = 2.233937\)이니 \(Y = 15.9548\)이다.
변환은 이 값을 \(10.4038\)로 끌어내린다. \(15.95\)에서 \(10.40\)으로, 곧 35%를 깎는다. 다고스티노와 피어슨의 변환은 \(Y\)의 4차 누적률을 보정한 뒤 역쌍곡사인을 씌우는 것이다.
여기서 \(\operatorname{arcsinh} u = \ln\bigl(u + \sqrt{u^2+1}\bigr)\)다. \(n = 300\)에서 \(\beta_2 = 3.110831\), \(W^2 = 1.054668\), \(\delta = 6.129875\), \(\alpha = 6.048490\)이고
가 나온다. 깎는 방향이 중요하다. \(\operatorname{arcsinh}\)는 큰 인수에서 로그처럼 자라므로 꼬리를 눌러 준다. 유한표본에서 \(g_1\)의 분포가 오른쪽으로 치우쳐 있어 단순 표준화는 큰 값을 과대평가하는데, 변환이 그것을 바로잡는다. 만약 \(Y = 15.95\)를 그대로 표준정규 분위수(quantile)로 읽으면 \(p = 2.64\times10^{-57}\)이 되는데, 실제 \(p\)는 \(2.38\times10^{-25}\)다. 자릿수가 서른둘 벌어진다.
(2) skewtest가 쓰는 것은 비보정판 \(g_1 = \sqrt{b_1} = m_3/m_2^{3/2}\)다. 이 표본에서 \(g_1 = 2.233937\)인데, 코드는 bias=False로 구한 보정판 \(G_1 = 2.245179\)를 찍는다. 둘은
로 묶여 있고 \(n = 300\)에서 비는 \(1.00503\)이다. \(G_1\)을 변환에 넣으면 \(Z_1 = 10.4326\)이 되어 scipy가 돌려준 \(10.4038\)과 다르다. 차이가 \(0.3\%\)로 작아 이 보기에서는 결론이 바뀌지 않지만, 출력에 나란히 찍힌 두 수가 서로 맞물리지 않는다는 사실은 알아 두어야 한다. 손으로 재현하려면 bias 인자를 떼야 한다.
같은 이유로 위 본문의 분산식 \(\mathrm{Var}(g_1) \approx 6(n-2)/\{(n+1)(n+3)\}\)은 비보정판의 것이다. 보정판의 분산은
이고, \(n = 300\)에서 표준편차가 \(0.14002\) 대 \(0.14072\)로 갈린다.
import numpy as np
from scipy import stats
# 로그정규는 오른쪽으로 길게 늘어진 대표적인 분포다.
rng = np.random.default_rng(0)
x = rng.lognormal(mean=0.0, sigma=0.6, size=300)
# 표본왜도를 그대로 쓰지 않고 Z 로 바꾼다. 왜도의 표집분포가 정규에서
# 멀어, 값 자체로는 얼마나 큰 것인지 판단할 수 없기 때문이다.
# 이 변환은 n>=8 부터 쓸 수 있다.
g1 = stats.skew(x, bias=False)
z, p = stats.skewtest(x)
print(f"Sample size n = {x.size}")
print(f"Sample skewness (Fisher's g1) = {g1:.4f}")
print(f"D'Agostino skewness test: Z = {z:.4f}, p-value = {p:.4g}")
if p < 0.05:
print("=> Evidence of non-zero skewness (departing from normality).")
else:
print("=> No strong evidence of non-zero skewness.")
출력:
Sample size n = 300
Sample skewness (Fisher's g1) = 2.2452
D'Agostino skewness test: Z = 10.4038, p-value = 2.382e-25
=> Evidence of non-zero skewness (departing from normality).
변환을 한 단계씩 손으로 짚어 보면 다음과 같다.
import numpy as np
from scipy import stats
rng = np.random.default_rng(0)
x = rng.lognormal(mean=0.0, sigma=0.6, size=300)
n = x.size
g1 = stats.skew(x) # 비보정 sqrt(b1) — skewtest 가 쓰는 판본
G1 = stats.skew(x, bias=False) # 보정판
print(f"g1 (비보정) = {g1:.6f}")
print(f"G1 (보정) = {G1:.6f}")
print(f"G1 = g1*sqrt(n(n-1))/(n-2) = {g1 * np.sqrt(n * (n - 1)) / (n - 2):.6f}")
# 1단계: 단순 표준화. 이것이 본문의 Y 다.
sd_g1 = np.sqrt(6 * (n - 2) / ((n + 1) * (n + 3)))
Y = g1 / sd_g1
print(f"\nSD(g1) = {sd_g1:.5f}, 단순 표준화 Y = g1/SD = {Y:.6f}")
# 2단계: 고차 누적률 보정 후 역쌍곡사인 변환.
beta2 = (3.0 * (n**2 + 27 * n - 70) * (n + 1) * (n + 3)
/ ((n - 2.0) * (n + 5) * (n + 7) * (n + 9)))
W2 = -1 + np.sqrt(2 * (beta2 - 1))
delta = 1 / np.sqrt(0.5 * np.log(W2))
alpha = np.sqrt(2.0 / (W2 - 1))
Z = delta * np.arcsinh(Y / alpha)
print(f"beta2 = {beta2:.6f}, W^2 = {W2:.6f}, delta = {delta:.6f}, alpha = {alpha:.6f}")
print(f"손계산 Z1 = {Z:.6f}, p = {2 * stats.norm.sf(abs(Z)):.4g}")
z_scipy, p_scipy = stats.skewtest(x)
print(f"scipy Z1 = {z_scipy:.6f}, p = {p_scipy:.4g}")
# 보정판을 넣으면 답이 달라진다.
Z_wrong = delta * np.arcsinh((G1 / sd_g1) / alpha)
print(f"\nG1 을 넣었을 때의 Z1 = {Z_wrong:.6f} (scipy 와 다르다)")
출력:
g1 (비보정) = 2.233937
G1 (보정) = 2.245179
G1 = g1*sqrt(n(n-1))/(n-2) = 2.245179
SD(g1) = 0.14002, 단순 표준화 Y = g1/SD = 15.954814
beta2 = 3.110831, W^2 = 1.054668, delta = 6.129875, alpha = 6.048490
손계산 Z1 = 10.403829, p = 2.382e-25
scipy Z1 = 10.403829, p = 2.382e-25
G1 을 넣었을 때의 Z1 = 10.432609 (scipy 와 다르다)
손으로 밟은 \(Z_1 = 10.403829\)가 scipy.stats.skewtest의 값과 소수점 여섯째 자리까지 같다. 변환이 투명한 공식 몇 줄로 끝난다는 뜻이며, \(p\) 값도 \(2.382\times10^{-25}\)로 일치한다. \(\square\)
이 검정이 잡아낼 수 있는 가장 작은 왜도¶
보기 2. 왜도 검정. \(\mathcal{N}(2, 2^2)\)에서 \(n = 1000\)개를 뽑으면 \(Z_1 = 0.4402\), \(p = 0.6598\)로 기각하지 못한다.
(1) 이 검정이 \(n = 1000\)에서 잡아낼 수 있는 가장 작은 왜도는 얼마인가. \(\lvert Z_1\rvert = 1.96\)이 되는 \(g_1\)을 구하고, 흔히 쓰는 근사 \(1.96\sqrt{6/n}\)과 비교하시오.
(2) 코드의 주석을 풀어 \(\text{Gamma}(k = 2,\ \theta = 2)\)로 돌리면 어떻게 되는가. 감마분포의 이론 왜도를 구해 표본값과 견주시오.
풀이
(1) 경계는 \(g_1 = 0.1515\)다. skewtest의 변환 \(Z_1 = \delta\operatorname{arcsinh}(Y/\alpha)\)는 \(g_1\)의 단조증가함수이므로, \(Z_1 = 1.959964\)가 되는 \(g_1\)을 수치적으로 찾으면 유일한 답이 나온다. \(n = 1000\)에서
이고, 근사 \(1.96\sqrt{6/n} = 1.959964\times0.0774597 = 0.1518\)이 그것을 거의 그대로 맞힌다(차이 \(0.2\%\)). \(n\)이 1000쯤 되면 \(g_1\)의 귀무분포가 충분히 정규에 가까워져 단순 근사가 통한다는 뜻이다. \(n\)이 작을 때는 그렇지 않다(아래 「얼마나 큰 왜도가 "큰" 왜도인가」와 연습문제 7).
관측값 \(g_1 = 0.0339\)는 이 경계의 \(22\%\)에 지나지 않는다. 그래서 \(p = 0.66\)이다.
거꾸로 읽는 것이 중요하다. "기각하지 못했다"는 "왜도가 \(0.15\)보다 작다"는 말일 뿐 "0이다"라는 말이 아니다. 모집단 왜도가 \(0.1\)인 자료를 \(n = 1000\)으로 조사하면 이 검정은 대개 통과시킨다. \(\lvert g_1\rvert < 0.15\)가 실무상 무해한지는 검정이 답해 줄 수 없는 질문이고, 쓰려는 방법이 무엇인지에 달려 있다.
(2) 이론 왜도는 \(2/\sqrt{k} = 1.4142\)이고 표본값은 \(1.3583\)이다. 형상모수 \(k\), 척도모수 \(\theta\)인 감마분포의 중심적률은
이므로
다. 척도 \(\theta\)가 약분되어 사라진다는 점에 주의하라. \(\theta = 2\)를 \(\theta = 100\)으로 바꿔도 왜도는 그대로다. \(k = 2\)이므로 \(\gamma_1 = 2/\sqrt2 = 1.41421\)이다.
표본값 \(g_1 = 1.3583\)은 이론값보다 \(0.056\) 작다. 유한표본에서 \(g_1\)이 왜도를 아래로 깎는 쪽으로 편향되어 있고 또 표집변동도 있으니 예상 범위다. 중요한 것은 이 값이 경계 \(0.1515\)의 아홉 배라는 사실이다. 검정은 \(Z_1 = 13.6656\), \(p = 1.63\times10^{-42}\)로 압도적으로 기각한다.
import numpy as np
from scipy import stats
np.random.seed(0)
# 지금은 정규자료다. 아래 줄의 주석을 풀어 감마분포로 돌리면 검정이 기각되는 것을
# 볼 수 있다. 두 경우를 견주는 것이 이 코드의 쓰임이다.
# data = np.random.gamma(2, 2, 1000)
data = np.random.normal(2, 2, 1000)
skewness_value = stats.skew(data)
print(f"Skewness: {skewness_value:.4f}")
# 귀무가설은 "모집단의 왜도가 0" 이다. 이 검정은 비대칭만 보므로,
# 대칭이면서 꼬리만 두꺼운 분포는 잡아내지 못한다.
stat, p_value = stats.skewtest(data)
print(f"Skewness Test: Statistic={stat:.4f}, p-value={p_value:.4f}")
# 결과 해석
alpha = 0.05
if p_value <= alpha:
print("Reject H_0: The data is not symmetrically distributed (significant skewness).")
else:
print("Fail to reject H_0: The data is symmetrically distributed (no significant skewness).")
출력:
Skewness: 0.0339
Skewness Test: Statistic=0.4402, p-value=0.6598
Fail to reject H_0: The data is symmetrically distributed (no significant skewness).
경계와 감마 쪽 값을 함께 확인한다.
import numpy as np
from scipy import stats
from scipy.optimize import brentq
n = 1000
# skewtest 의 변환을 g1 의 함수로 쓴다 (단조증가이므로 역이 하나다).
def z1_of(g1, n):
Y = g1 * np.sqrt((n + 1) * (n + 3) / (6.0 * (n - 2)))
beta2 = (3.0 * (n**2 + 27 * n - 70) * (n + 1) * (n + 3)
/ ((n - 2.0) * (n + 5) * (n + 7) * (n + 9)))
W2 = -1 + np.sqrt(2 * (beta2 - 1))
delta = 1 / np.sqrt(0.5 * np.log(W2))
alpha = np.sqrt(2.0 / (W2 - 1))
return delta * np.arcsinh(Y / alpha)
g1_cut = brentq(lambda g: z1_of(g, n) - 1.959964, 0.0, 1.0)
print(f"|Z1| = 1.96 이 되는 g1 = {g1_cut:.4f}")
print(f"근사 1.96*sqrt(6/n) = {1.959964 * np.sqrt(6 / n):.4f}")
print(f"\nGamma(k=2) 이론 왜도 = 2/sqrt(k) = {2 / np.sqrt(2.0):.4f}")
np.random.seed(0)
gam = np.random.gamma(2, 2, 1000)
zg, pg = stats.skewtest(gam)
print(f"감마 표본 g1 = {stats.skew(gam):.4f}, Z1 = {zg:.4f}, p = {pg:.4g}")
# 정규 자료에서의 실제 기각률이 명목을 지키는지도 본다.
rng = np.random.default_rng(42)
R = 4000
rej = np.mean([stats.skewtest(s)[1] < 0.05 for s in rng.standard_normal((R, n))])
print(f"\n정규 자료 기각률 = {rej:.4f} (명목 0.05, MC SE {np.sqrt(0.05 * 0.95 / R):.4f})")
출력:
|Z1| = 1.96 이 되는 g1 = 0.1515
근사 1.96*sqrt(6/n) = 0.1518
Gamma(k=2) 이론 왜도 = 2/sqrt(k) = 1.4142
감마 표본 g1 = 1.3583, Z1 = 13.6656, p = 1.629e-42
정규 자료 기각률 = 0.0530 (명목 0.05, MC SE 0.0034)
세 가지가 맞아떨어진다. 수치적으로 구한 경계 \(0.1515\)가 근사 \(0.1518\)과 맞고, 유도한 이론 왜도 \(1.4142\)가 표본 \(1.3583\)과 표집변동 범위에서 맞으며, 정규 자료에서의 실제 기각률 \(0.0530\)이 명목 \(0.05\)에서 몬테카를로(Monte Carlo) 표준오차의 \(0.9\)배 안에 들어온다. 검정이 약속한 크기를 지킨다는 확인이다. \(\square\)
4. 대수정규에서는 압도적으로 기각된다¶
보기 1의 로그정규 자료에서 \(G_1 = 2.245\)(미보정 \(g_1 = 2.234\))로 크게 양수이고(오른쪽 왜도), \(p\) 값이 \(2.4 \times 10^{-25}\)로 왜도가 0이라는 가설을 압도적으로 기각한다. 이론적 왜도는 \(2.261\)(연습문제 3 참조)이므로 표본값이 잘 맞는다.
왜도 검정은 비대칭이 의심되지만 다른 이탈은 꼭 의심되지 않을 때 특히 유용하다. 왜도 검정과 첨도(kurtosis) 검정을 결합한 다고스티노 \(K^2\) 옴니버스 검정의 한 구성요소이기도 하다.
얼마나 큰 왜도가 "큰" 왜도인가¶
"왜도가 \(0.5\)면 치우친 것인가"라는 물음에는 \(n\)을 모르면 답할 수 없다. 이 절의 변환이 필요한 이유도 결국 그것이다. 아래 그림은 진짜 정규자료에서 표본왜도 \(g_1\)이 어디까지 흔들리는지를 표본크기별로 40000번씩 재어 띠로 그린 것이다. 띠 안쪽이 "정규자료에서 흔히 나오는" 범위, 곧 양측 5% 수준에서 기각하지 못하는 영역이다.

\(n = 20\)에서 띠는 \([-1.02, +1.03]\)으로 대단히 넓다. 왜도 \(0.9\)짜리 표본을 손에 쥐고도 "정규일 수 있다"는 말밖에 할 수 없다는 뜻이다. \(n = 50\)에서 \(\pm 0.66\), \(n = 100\)에서 \(\pm 0.48\)로 줄고, \(n = 1000\)이면 \(\pm 0.15\)까지 좁아진다. 같은 \(g_1 = 0.5\)가 \(n = 20\)에서는 아무 증거도 아니고 \(n = 1000\)에서는 압도적 증거가 된다. 왜도 값 하나만 보고 판단하는 습관은 \(n\)을 빠뜨리는 순간 무의미해진다.
회색 점선은 흔히 쓰는 근사값 \(\pm 1.96\sqrt{6/n}\)이다. \(n\)이 50을 넘으면 모의실험으로 얻은 실제 경계와 거의 겹치지만, \(n\)이 작을수록 실제 경계보다 바깥쪽에 놓인다. \(n = 10\)에서 근사값은 \(\pm 1.52\)인데 실제 범위는 \(\pm 1.38\)이다. 작은 표본에서 \(g_1\)의 분포가 정규가 아니기 때문이며, skewtest가 단순 표준화 대신 비선형 변환을 쓰는 이유이기도 하다.
빨간 점은 이 쪽 보기 1의 로그정규 자료다. \(n = 300\)에서 \(G_1 = 2.245\)이므로 띠에서 아득히 벗어나 있다. \(Z_1 = 10.4\), \(p = 2.4 \times 10^{-25}\)라는 숫자가 어디서 나왔는지를 그림 한 장으로 확인할 수 있다.
최소 표본크기. SciPy의 skewtest는 \(n \geq 8\)을 요구한다. 근사는 \(n\)이 클수록 좋아지며, \(n < 20\)이면 \(p\) 값을 조심스럽게 해석해야 한다.
연습문제¶
연습문제 1. 표준정규분포에서 관측값 \(n = 300\)개를 생성하라. \(g_1\)과 왜도 검정 \(p\) 값을 계산하라. \(\alpha = 0.05\)에서 기각할 것으로 기대하는가?
풀이
import numpy as np
from scipy import stats
rng = np.random.default_rng(42)
x = rng.normal(0, 1, size=300)
g1 = stats.skew(x, bias=False)
z, p = stats.skewtest(x)
print(f"g1 = {g1:.4f}")
print(f"Z = {z:.4f}, p = {p:.4g}")
출력:
g1 = 0.2933
Z = 2.0725, p = 0.03822
이 표본은 제1종 오류를 보여준다
자료를 정확히 표준정규에서 생성했는데도 \(p = 0.038 < 0.05\)이므로 검정이 기각한다. 이것이 바로 제1종 오류(type I error)이다.
기대와 실제를 구분해야 한다. 자료가 참으로 정규이므로 우리는 기각하지 않기를 기대하고, 실제로 표본의 95%에서는 기각하지 않는다. 그러나 나머지 5%에서는 기각한다. 이 표본이 그 5%에 들어갔을 뿐이다.
\(g_1 = 0.2933\)은 절댓값으로는 작아 보이지만, \(n = 300\)에서 \(g_1\)의 표준오차가
에 불과하므로 \(0.2933\)은 2 표준오차가 넘는다. 표본이 커지면 작은 왜도도 통계적으로 유의해진다는 점을 잘 보여준다.
실무적 교훈: \(p\) 값 하나로 판정하지 말라. 여기서 실질적으로 중요한 것은 \(g_1 = 0.29\)가 어떤 응용에서든 무시할 만한 크기라는 사실이다. 효과 크기를 함께 보고해야 하는 이유이다. \(\square\)
연습문제 2. \(\text{Uniform}(0, 1)\) 분포에서 뽑은 관측값 \(n = 200\)개에 대해 표본왜도를 계산하고 왜도 검정을 수행하라. 균등분포는 대칭이지만 정규가 아니다. 검정이 기각하는가?
풀이
import numpy as np
from scipy import stats
rng = np.random.default_rng(0)
x = rng.uniform(0, 1, size=200)
g1 = stats.skew(x, bias=False)
z, p = stats.skewtest(x)
print(f"g1 = {g1:.4f}, Z = {z:.4f}, p = {p:.4g}")
출력:
g1 = -0.1735, Z = -1.0217, p = 0.3069
균등분포의 모집단 왜도는 \(\gamma_1 = 0\)이므로 왜도 검정은 기각하지 않는다(\(p = 0.307\)).
이는 한계를 보여준다. 왜도 검정은 우연히 대칭인 비정규 분포를 놓칠 수 있다. \(\text{Uniform}(0,1)\)은 대칭이지만 초과첨도가 \(-1.2\)인 저첨분포이다. 첨도 검정이나 옴니버스 검정이었다면 이 이탈을 탐지했을 것이다.
확인해 보면 같은 자료에서 stats.kurtosistest(x)는 \(Z = -9.78\), \(p = 1.4 \times 10^{-22}\)로 압도적으로 기각한다. 이탈의 유형에 맞는 검정을 골라야 한다는 교훈이다. \(\square\)
연습문제 3. \(\text{Lognormal}(\mu, \sigma^2)\) 분포의 모집단 왜도가 \((e^{\sigma^2} + 2)\sqrt{e^{\sigma^2} - 1}\)임을 보여라. \(\sigma = 0.6\)에 대한 값을 계산하라.
풀이
로그정규의 적률 성질에서 \(\mathbb{E}[X^k] = e^{k\mu + k^2\sigma^2/2}\)이다. 처음 세 중심적률을 계산하면 왜도가 다음으로 정리된다.
왜도는 척도불변이므로 \(\mu\)에 의존하지 않고 \(\sigma\)에만 의존한다는 점에 주목하라.
\(\sigma = 0.6\)이면 \(e^{0.36} = 1.4333\)이므로 \(e^{\sigma^2} - 1 = 0.4333\)이고 \(\sqrt{0.4333} = 0.6583\)이다. 따라서
이 큰 양의 왜도 때문에 로그정규 표본에서 왜도 검정이 단호하게 기각한다. 실제로 본문의 시연에서 표본값 \(G_1 = 2.245\)가 이 이론값에 가깝게 나왔다. \(\square\)
연습문제 4. \(\text{Lognormal}(0, 0.4^2)\)에서 뽑은 관측값 \(n = 100\)개에 대해 \(\alpha = 0.05\)에서 왜도 검정의 검정력을 추정하는 모의실험을 5,000회 반복으로 수행하라.
풀이
import numpy as np
from scipy import stats
rng = np.random.default_rng(0)
n, reps, alpha = 100, 5000, 0.05
rejections = 0
for _ in range(reps):
x = rng.lognormal(0, 0.4, size=n)
_, p = stats.skewtest(x)
if p < alpha:
rejections += 1
power = rejections / reps
print(f"Empirical power: {power:.4f}")
출력:
Empirical power: 0.9770
검정력이 \(0.977\)로 매우 높다. \(\sigma = 0.4\)인 로그정규의 왜도는
로 중간 정도인데, \(n = 100\)에서 \(g_1\)의 표준오차가 약 \(\sqrt{6/100} = 0.245\)이므로 신호 대 잡음비가 \(1.322/0.245 \approx 5.4\)에 이른다. 이만한 비율이면 사실상 언제나 탐지된다.
(몬테카를로 오차는 \(\sqrt{0.977 \times 0.023 / 5000} = 0.0021\)이다.) \(\square\)
연습문제 5. 정확한 공식 \(\text{Var}(g_1) = 6(n-2)/[(n+1)(n+3)]\)에서 출발하여 큰 \(n\)에 대해 \(\text{Var}(g_1) \approx 6/n\)임을 증명하라.
풀이
다음에서 출발한다.
분자와 분모를 각각 \(n\)과 \(n^2\)으로 나누면
\(n \to \infty\)일 때 \((1 - 2/n) \to 1\), \((1 + 1/n) \to 1\), \((1 + 3/n) \to 1\)이므로
따라서 \(g_1\)의 표준오차는 \(\sqrt{6/n}\) 정도, 곧 \(1/\sqrt{n}\) 차수이며, 표본이 클수록 0이 아닌 왜도를 탐지하기 쉬워진다.
수렴 속도를 보자. \(n = 100\)에서 정확한 값은 \(\sqrt{6 \times 98/(101 \times 103)} = 0.2377\)이고 근사값은 \(\sqrt{6/100} = 0.2449\)로 3% 차이이다. \(n = 1000\)에서는 각각 \(0.07723\)과 \(0.07746\)으로 0.3% 차이이다. \(\square\)
연습문제 6. 보기 1 은 단순 표준화 \(Y = 15.9548\) 이 \(Z_1 = 10.4038\) 로 35% 깎인다고 했다. 깎인 양이 아니라 깎는 방식을 보자. \(n = 300\) 에서 \(\delta = 6.129875\), \(\alpha = 6.048490\) 이다.
(1) \(\mathrm{SD}(g_1)\) 이 \(n\) 만의 함수라는 점을 써서
임을 보이고, 따라서 \(g_1\) 을 \(c > 1\) 배로 늘려도 \(Z_1\) 은 \(\delta \ln c\) 보다 더는 커지지 못함을 말하라. 보기 1 의 자료에서 \(g_1\) 을 두 배로 늘리면 \(Z_1\) 과 \(p\) 는 얼마가 되는가. 거꾸로 \(Z_1\) 을 \(1\) 만큼 올리려면 \(g_1\) 을 몇 배로 늘려야 하는가.
(2) 보기 1 (2) 에서 비보정판 \(g_1 = 2.233937\) 을 넣은 \(Z_1 = 10.403829\) 와 보정판 \(G_1 = 2.245179\) 를 넣은 \(Z_1 = 10.432609\) 의 차이가 \(0.028781\) 이었다. 이 차이를 (1) 의 도함수로 소수 다섯째 자리까지 설명하라. 또 큰 \(n\) 에서 \(\delta \approx \alpha \approx \sqrt{n}/3\) 임을 보이고, 판본을 잘못 고르는 실수가 \(Z_1\) 에서 대략 \(1/(2\sqrt{n})\) 임을 유도하라.
풀이
(1) \(Y = g_1/\mathrm{SD}(g_1)\) 에서 \(\mathrm{SD}(g_1)\) 은 \(n\) 만의 상수이므로 \(\ln Y = \ln g_1 - \ln \mathrm{SD}(g_1)\), 곧 \(d(\ln Y) = d(\ln g_1)\) 이다. 그리고
이므로
분모가 \(1\) 보다 크므로 기울기는 언제나 \(\delta\) 미만이고 \(Y \to \infty\) 에서 \(\delta\) 로 올라간다. 로그 척도에서 적분하면
가 된다. \(Z_1\) 은 \(g_1\) 의 로그 척도 위에 산다.
\(g_1\) 을 두 배로 하면 \(Y = 31.909627\), \(\operatorname{arcsinh}(31.909627/6.048490) = 2.365110\) 이므로
늘어난 양 \(14.497827 - 10.403829 = 4.093999\) 는 상한 \(\delta \ln 2 = 4.248905\) 보다 작다.
거꾸로 \(Z_1\) 을 \(10.403829\) 에서 \(11.403829\) 로 올리는 \(Y\) 는 \(\alpha \sinh(11.403829/\delta) = 6.048490 \sinh(1.860205) = 18.963505\), 곧 지금의 \(1.188576\) 배다. \(g_1\) 을 \(2.233937\) 에서 \(2.655203\) 으로 \(18.9\%\) 늘려야 \(Z_1\) 이 겨우 1 오른다. 하한은 \(e^{1/\delta} = 1.177198\) 이고, 기울기가 \(\delta\) 미만이라 실제로는 그보다 조금 더 든다.
해석. \(\ln p \approx -Z_1^2/2\) 이고 \(Z_1\) 은 \(\ln g_1\) 에 선형이니, \(p\) 값의 로그는 \(\ln g_1\) 의 제곱으로 떨어진다. \(p = 10^{-25}\) 와 \(p = 10^{-47}\) 사이의 간격이 왜도로는 겨우 두 배라는 사실이 그것이다. 천문학적으로 작은 \(p\) 값을 효과 크기처럼 읽으면 안 되는 까닭이 여기 있다.
(2) \(Y = 15.954813\) 에서 \(\alpha^2/Y^2 = (6.048490/15.954813)^2 = 0.143718\) 이므로 기울기는
이고, 두 판본의 비는 \(G_1/g_1 = \sqrt{n(n-1)}/(n-2) = 1.005032\) 이니 \(\ln(G_1/g_1) = 0.005020\) 이다. 곱하면
로 실제 차이 \(0.028781\) 과 소수 다섯째 자리에서 갈린다. 로그 척도의 기울기 하나로 \(Z_1\) 의 틀어짐이 설명된다.
큰 \(n\) 의 근사를 보자. 본문의 \(\beta_2\) 를 전개하면 분자는 \(3(n^4 + 31n^3 + \cdots)\), 분모는 \(n^4 + 19n^3 + \cdots\) 이므로
\(W^2 = -1 + \sqrt{2(2+\varepsilon)} = 1 + \varepsilon/2 + O(\varepsilon^2)\) 이므로 \(W^2 - 1 \approx \varepsilon/2\) 이고 \(\ln W^2 \approx \varepsilon/2\) 이다. 따라서
로 둘이 같은 속도로 함께 커진다. \(\delta/\alpha \to 1\) 이므로 \(Y \ll \alpha\) 인 영역에서 \(Z_1 = \delta \operatorname{arcsinh}(Y/\alpha) \approx (\delta/\alpha) Y \to Y\), 곧 변환은 큰 \(n\) 에서 단순 표준화로 되돌아간다. 곡선이 휘는 척도는 \(g_1\) 단위로 \(\alpha\,\mathrm{SD}(g_1) \to \sqrt{6}/3 = 0.8165\) 이며 \(n\) 과 함께 줄지 않는다. 보기 1 에서 \(35\%\) 나 깎인 것은 \(n = 300\) 이 작아서가 아니라 \(g_1 = 2.23\) 이 그 척도보다 훨씬 컸기 때문이다.
이제 \(\ln(G_1/g_1)\) 을 전개하면
이고, \(Y \gg \alpha\) 일 때 기울기가 \(\delta \approx \sqrt{n}/3\) 이므로
\(n = 300\) 이면 \(1/(2\sqrt{300}) = 0.028868\) 로 실제 \(0.028781\) 과 소수 셋째 자리까지 맞는다. 판본을 잘못 고르는 실수의 값은 \(Z_1\) 에서 \(1/(2\sqrt{n})\) 쯤이다. 큰 \(n\) 에서는 무해하지만 작은 \(n\) 에서는 근사가 거칠어지는데, \(n = 20\), \(g_1 = 1\) 에서 직접 재면 \(\Delta Z_1 = 0.1449\) 로 근사값 \(1/(2\sqrt{20}) = 0.1118\) 보다 \(30\%\) 크다(\(n = 20\) 에서는 \(\beta_2 - 3 = 0.5778\) 이 근사값 \(1.8\) 과 멀어 \(\delta \approx \sqrt{n}/3\) 가 성립하지 않는다). \(\square\)
연습문제 7. 본문 "얼마나 큰 왜도가 큰 왜도인가" 의 그림은 정규자료에서 표본왜도의 \(95\%\) 범위를 \(n = 10\) 에서 \(\pm 1.38\), \(n = 20\) 에서 \([-1.02, +1.03]\), \(n = 50\) 에서 \(\pm 0.66\), \(n = 100\) 에서 \(\pm 0.48\), \(n = 1000\) 에서 \(\pm 0.15\) 로 재어 놓았고, 회색 점선은 근사값 \(\pm 1.96\sqrt{6/n}\) 이다.
(1) \(Z_1 = \delta \operatorname{arcsinh}(Y/\alpha)\) 를 거꾸로 풀어 양측 \(5\%\) 기각역(rejection region)의 경계가
임을 보여라.
(2) 이 값을 \(n = 10, 20, 50, 100, 1000\) 에서 계산하고, 보기 1 (2) 의 환산 \(G_1 = \sqrt{n(n-1)}\,g_1/(n-2)\) 로 보정판 척도로 옮겨 그림의 띠와 맞춰 보라. 그림의 띠는 \(g_1\) 의 띠인가 \(G_1\) 의 띠인가.
(3) \(n = 10\) 에서 근사값 \(1.5182\) 와 참값의 차이를 세 조각으로 나누어라: (i) \(6/n\) 대신 정확한 \(\mathrm{Var}(g_1)\) 을 쓰는 것, (ii) \(\operatorname{arcsinh}\) 의 곡률, (iii) 편향 보정 \(\sqrt{n(n-1)}/(n-2)\). 본문은 근사값이 작은 \(n\) 에서 어긋나는 까닭을 "\(g_1\) 의 분포가 정규가 아니기 때문" 이라 적었다. 세 조각 가운데 그 설명에 해당하는 것은 어느 것이며 크기는 얼마인가.
풀이
(1) \(\operatorname{arcsinh}\) 는 단조증가이므로 \(Z_1\) 은 \(g_1\) 의 단조증가 함수다. 따라서 \(|Z_1| > z_{0.975}\) 는 \(|g_1| > g_1^{\text{crit}}\) 와 같은 사건이고, \(Z_1 = z\) 를 풀면
이다. \(\sinh\) 는 \(\operatorname{arcsinh}\) 의 역함수이므로 변환을 통째로 되돌린 것이다.
(2)(3) 한꺼번에 계산한다.
import numpy as np
from scipy import stats
def transform_params(n):
"""다고스티노 변환의 상수: SD(g1), delta, alpha."""
n = float(n)
sd = np.sqrt(6 * (n - 2) / ((n + 1) * (n + 3)))
b2 = (3.0 * (n**2 + 27 * n - 70) * (n + 1) * (n + 3)
/ ((n - 2) * (n + 5) * (n + 7) * (n + 9)))
W2 = -1 + np.sqrt(2 * (b2 - 1))
return sd, 1 / np.sqrt(0.5 * np.log(W2)), np.sqrt(2.0 / (W2 - 1))
zc = stats.norm.isf(0.025)
rng = np.random.default_rng(0)
print(" n naive exactSD g1crit G1crit band(G1)")
for n in [10, 20, 50, 100, 1000]:
sd, delta, alpha = transform_params(n)
# Z1 = delta*arcsinh(Y/alpha) = 1.96 을 g1 에 대해 거꾸로 푼다.
g_crit = sd * alpha * np.sinh(zc / delta)
corr = np.sqrt(n * (n - 1)) / (n - 2) # g1 -> G1 환산
# 그림과 같은 방식으로 정규자료에서 G1 의 95% 범위를 40000 번 재어 본다.
G = np.concatenate([stats.skew(rng.standard_normal((10000, n)),
axis=1, bias=False) for _ in range(4)])
lo, hi = np.quantile(G, [0.025, 0.975])
print(f"{n:5d} {zc*np.sqrt(6/n):.4f} {zc*sd:.4f} {g_crit:.4f} "
f"{g_crit*corr:.4f} [{lo:+.4f}, {hi:+.4f}]")
출력:
n naive exactSD g1crit G1crit band(G1)
10 1.5182 1.1355 1.1460 1.3590 [-1.3671, +1.3570]
20 1.0735 0.9268 0.9403 1.0183 [-1.0071, +1.0223]
50 0.6790 0.6398 0.6476 0.6678 [-0.6654, +0.6676]
100 0.4801 0.4660 0.4699 0.4771 [-0.4779, +0.4818]
1000 0.1518 0.1514 0.1515 0.1518 [-0.1516, +0.1519]
그림의 띠는 보정판 \(G_1\) 의 띠다. G1crit 열이 모의로 잰 띠와 소수 둘째 자리까지 맞는다(\(n = 10\) 에서 \(1.3590\) 대 \([-1.3671, +1.3570]\), \(n = 20\) 에서 \(1.0183\) 대 \([-1.0071, +1.0223]\), \(n = 50\) 에서 \(0.6678\) 대 \([-0.6654, +0.6676]\). 본문이 적은 \(n = 10\) 의 \(\pm1.38\) 과는 둘째 자리에서 \(0.02\) 쯤 갈리는데, 분위수를 \(40000\) 번으로 재는 몬테카를로 오차 범위다). 반면 g1crit 열은 \(n = 10\) 에서 \(1.1460\) 으로 그림의 \(\pm 1.38\) 과 전혀 맞지 않는다. 본문이 띠를 "\(g_1\)" 이라 적었지만 수치는 \(G_1\) 쪽이다. 그림의 빨간 점이 \(G_1 = 2.245\), 곧 보기 1 의 보정판 값인 것과 아귀가 맞는다. 둘을 섞어 쓰면 작은 \(n\) 에서 \(20\%\) 가까이 틀어지므로 어느 판본의 척도인지 밝혀 두어야 한다.
(3) \(n = 10\) 의 네 수를 왼쪽에서 오른쪽으로 읽으면 그대로 분해가 된다.
| 조각 | 값 | 변화 |
|---|---|---|
| 근사값 \(1.96\sqrt{6/n}\) | \(1.5182\) | — |
| (i) 정확한 \(\mathrm{SD}(g_1) = 0.579365\) 로 바꿈 | \(1.1355\) | \(-0.3827\) |
| (ii) \(\operatorname{arcsinh}\) 의 곡률 | \(1.1460\) | \(+0.0105\) |
| (iii) 편향 보정 \(\times 1.185854\) | \(1.3590\) | \(+0.2130\) |
세 조각 가운데 본문이 말한 "\(g_1\) 의 분포가 정규가 아니기 때문" 에 해당하는 것은 (ii) 뿐이고 그 크기는 \(+0.0105\), 전체 간격 \(1.5182 - 1.3590 = 0.1592\) 의 \(6.6\%\) 에 지나지 않는다. 실제로 근사값을 어긋나게 하는 것은 (i) 분산식을 \(6/n\) 으로 거칠게 쓴 것(\(-0.38\))과 (iii) 편향 보정을 빼먹은 것(\(+0.21\))이며, 둘이 반대 방향이라 크게 상쇄되어 겉으로는 \(0.16\) 밖에 벌어지지 않는다. \(n = 1000\) 에서 근사값 \(0.1518\) 과 \(G_1\) 임계값 \(0.1518\) 이 소수 넷째 자리까지 같아지는 것도 같은 상쇄 때문이다. \(\mathrm{SD}(G_1)^2 = 6n(n-1)/\{(n-2)(n+1)(n+3)\} = (6/n)\{1 - 3/n + O(n^{-2})\}\) 이므로 \(\sqrt{6/n}\) 은 \(\mathrm{SD}(g_1)\) 보다 \(\mathrm{SD}(G_1)\) 에 훨씬 가깝다. 근사값이 맞는 것은 두 실수가 맞물려서다. \(\square\)
연습문제 8. 표본왜도에는 자료와 무관하게 \(n\) 만으로 정해지는 상한이 있다. 비보정판에 대해
이고, 등호는 관측값 \(n-1\) 개가 한 점에 모이고 하나만 떨어져 있을 때 성립한다.
(1) 자료 \(x_1 = \cdots = x_{n-1} = 0\), \(x_n = 1\) 에서 \(m_2 = (n-1)/n^2\), \(m_3 = (n-1)(n-2)/n^3\) 을 계산하여 이 배치가 상한을 달성함을 확인하라.
(2) 본문이 요건으로 적은 최소 표본크기 \(n = 8\) 에서 skewtest 가 돌려줄 수 있는 가장 작은 \(p\) 값을 구하라. \(n = 8\) 에서 \(\mathrm{SD}(g_1) = 0.603023\), \(\delta = 5.563065\), \(\alpha = 5.473432\) 이다.
(3) 같은 계산을 하면 바닥이 \(n = 10\) 에서 \(6.98\times10^{-5}\), \(n = 20\) 에서 \(5.24\times10^{-8}\), \(n = 50\) 에서 \(3.60\times10^{-17}\) 이다. 변수 \(142\) 개를 각각 검정하며 본페로니 보정을 한다면 \(n = 8\) 자료에서는 무엇이 일어나는가. 본문이 "\(n < 20\) 이면 \(p\) 값을 조심스럽게 해석해야 한다" 고 한 것과 이어서 해석하라.
풀이
(1) 표본평균은 \(\bar{x} = 1/n\) 이다. 편차는 \(n-1\) 개가 \(-1/n\), 하나가 \((n-1)/n\) 이므로
이다. \(m_2^{3/2} = (n-1)^{3/2}/n^3\) 이므로
로 상한이 정확히 달성된다. 자리를 좌우로 뒤집으면 \(-(n-2)/\sqrt{n-1}\) 이 된다.
(2) \(n = 8\) 에서 상한은 \(6/\sqrt{7} = 2.267787\) 이다. 단순 표준화는
이고, 변환을 거치면
\(Z_1\) 이 \(g_1\) 의 단조증가 함수이므로(연습문제 7(1)) 이 값이 바닥이다. \(n = 8\) 에서는 자료가 아무리 심하게 치우쳐 있어도 \(p\) 가 \(0.000355\) 아래로 내려갈 수 없다.
(3) 본페로니 보정 수준은 \(0.05/142 = 3.5211\times10^{-4}\) 로 바닥 \(3.5457\times10^{-4}\) 보다 작다. 따라서 \(n = 8\) 짜리 자료 \(142\) 벌에서는 어떤 변수도 유의할 수 없다. 자료를 보기도 전에 검정의 결론이 정해져 있는 셈이다(변수가 \(141\) 개까지면 극단적으로 치우친 표본 하나가 간신히 통과한다).
바닥이 있다는 사실은 두 가지를 말해 준다. 첫째, 작은 \(n\) 에서 \(p\) 값은 증거의 양을 재는 자유로운 척도가 아니다. \(n\) 이 커지면 바닥은 \(n = 300\) 에서 \(2.7\times10^{-114}\)(\(Z_1 \le 22.72\))까지 내려가 사실상 사라지지만, \(n < 20\) 에서는 바닥이 \(10^{-8}\) 보다 높아 다중검정과 만나는 순간 검정이 무력해진다. 본문의 경고 "\(n < 20\) 이면 조심" 이 근사의 질에 관한 말인 동시에 척도 자체의 한계에 관한 말인 이유다.
둘째, \(g_1\) 이 유계이므로 \(Y\) 의 표집분포(sampling distribution)도 유계다. 반면 표준정규는 유계가 아니다. 따라서 단순 표준화 \(Y\) 를 표준정규로 읽는 것은 꼬리에서 반드시 틀리며, 다고스티노가 \(\operatorname{arcsinh}\) 로 꼬리를 눌러야 했던 까닭이 바로 이 구조적 불일치다. 보기 1 에서 \(Y = 15.95\) 를 그대로 읽은 \(p = 2.64\times10^{-57}\) 이 터무니없는 수인 것도 같은 이야기다. \(\square\)
연습문제 9. 연습문제 4 는 \(\text{Lognormal}(0, 0.4^2)\), \(n = 100\) 에서 검정력 \(0.9770\) 을 얻고, 그 까닭을 "신호 대 잡음비 \(\gamma_1/\mathrm{SD}_0(g_1) = 1.322/0.245 \approx 5.4\)" 로 설명했다. 이 근사를 정식 공식으로 쓰면
인데, 모의 결과 \(0.977\) 과 소수 둘째 자리에서 어긋난다. 이 공식은 \(g_1 \sim \mathcal{N}(\gamma_1,\ \mathrm{Var}_0(g_1))\) 이라는 가정을 셋 겹쳐 쓴 것이다.
(1) 세 가정 — (i) \(\mathbb{E}[g_1] = \gamma_1\), (ii) 대립가설(alternative hypothesis) 아래에서도 \(\mathrm{SD}(g_1) = \mathrm{SD}_0(g_1) = 0.2377\), (iii) \(g_1\) 의 표집분포가 정규 — 가 각각 성립하는지 모의실험으로 확인하라.
(2) (i)(ii) 에서 실제로 잰 값으로 정규근사 검정력을 다시 계산하면 얼마인가. 그 값이 모의 검정력보다도 작게 나오는 까닭은 무엇인가. 연습문제 4 의 "신호 대 잡음비 \(5.4\)" 는 정직한 값으로 고치면 얼마인가.
풀이
기각 여부는 연습문제 7(1) 의 임계값으로 \(|g_1| > g_1^{\text{crit}}\) 와 같으므로, \(g_1\) 의 표집분포만 재면 검정력을 모두 설명할 수 있다.
import numpy as np
from scipy import stats
rng = np.random.default_rng(0)
n, reps, alpha = 100, 20000, 0.05
# 대립가설 아래에서 g1 (skewtest 가 쓰는 비보정판) 을 한꺼번에 뽑는다.
x = rng.lognormal(0, 0.4, size=(reps, n))
g1 = stats.skew(x, axis=1)
_, p = stats.skewtest(x, axis=1)
power = (p < alpha).mean()
# 귀무가설 아래의 표준오차와 실제 표집 표준편차를 비교한다.
sd0 = np.sqrt(6 * (n - 2) / ((n + 1) * (n + 3)))
gamma1 = (np.exp(0.16) + 2) * np.sqrt(np.exp(0.16) - 1)
# 변환을 거꾸로 풀어 Z1 = 1.96 에 해당하는 g1 임계값을 얻는다.
b2 = 3.0*(n**2+27*n-70)*(n+1)*(n+3)/((n-2.0)*(n+5)*(n+7)*(n+9))
W2 = -1 + np.sqrt(2*(b2-1)); delta = 1/np.sqrt(0.5*np.log(W2)); a = np.sqrt(2.0/(W2-1))
zc = stats.norm.isf(alpha/2)
g_crit = sd0 * a * np.sinh(zc/delta)
naive = stats.norm.sf(zc - gamma1/sd0)
print(f"gamma1 = {gamma1:.4f}, SD_0(g1) = {sd0:.4f}, g1 임계값 = {g_crit:.4f}")
print(f"귀무 표준오차로 계산한 검정력 = {naive:.4f}")
print(f"모의 검정력 ({reps}회) = {power:.4f}")
print(f"E[g1] = {g1.mean():.4f}, SD(g1) = {g1.std(ddof=1):.4f} (귀무값의 {g1.std(ddof=1)/sd0:.2f}배)")
print(f"정규근사로 되읽은 검정력 = {stats.norm.sf((g_crit-g1.mean())/g1.std(ddof=1)):.4f}")
출력:
gamma1 = 1.3219, SD_0(g1) = 0.2377, g1 임계값 = 0.4699
귀무 표준오차로 계산한 검정력 = 0.9998
모의 검정력 (20000회) = 0.9791
E[g1] = 1.1734, SD(g1) = 0.4788 (귀무값의 2.01배)
정규근사로 되읽은 검정력 = 0.9291
모의 검정력 \(0.9791\) 은 연습문제 4 의 \(0.9770\) 과 몬테카를로 오차(\(0.0010\) 과 \(0.0021\)) 안에서 같은 값이다.
(1) 세 가정이 모두 깨진다.
- (i) 편향. \(\mathbb{E}[g_1] = 1.1734\) 로 \(\gamma_1 = 1.3219\) 보다 \(11\%\) 낮다. 오른쪽 꼬리가 긴 모집단에서 \(n = 100\) 은 꼬리를 충분히 뽑아 오지 못하므로 표본왜도가 아래로 치우친다. 검정력을 낮추는 쪽이다.
- (ii) 분산. \(\mathrm{SD}(g_1) = 0.4788\) 로 귀무값 \(0.2377\) 의 \(2.01\) 배다. \(\mathrm{Var}(g_1) \approx 6/n\) 은 정규성 아래에서만 성립하는 값이다. 일반 분포에서 \(\mathrm{Var}(m_3)\) 는 \(\mu_6\) 까지 쓰는데, \(\text{Lognormal}(0, 0.4^2)\) 의 표준화 6차 적률은 \(\mu_6/\mu_2^3 = 145.8\) 로 정규의 \(15\) 보다 열 배 크다. 역시 검정력을 낮추는 쪽이다.
- (iii) 정규성. \(g_1\) 의 표집분포 자체가 오른쪽으로 치우쳐 있다. 평균 \(1.1734\), 표준편차 \(0.4788\) 인 정규라면 \(g_1\) 이 임계값 \(0.4699\) 아래로 내려갈 확률이 \(\Phi(-1.4693) = 0.0709\) 지만, 실제로 내려간 비율은 \(1 - 0.9791 = 0.0209\) 다. 왼쪽 꼬리가 정규보다 세 배 넘게 얇다. 검정력을 높이는 쪽이다.
(2) (i)(ii) 의 값만 갈아 끼우면
로, 모의값 \(0.9791\) 보다 \(0.05\) 나 작다. 근사가 거꾸로 틀리는 것은 (iii) 때문이다. 정규라고 보면 왼쪽 꼬리를 실제보다 두껍게 잡아 기각하지 못할 확률을 과대평가한다.
정리하면 세 오차가 서로 다른 방향으로 밀어 \(0.9998 \to 0.9791\) 이라는 작은 차이로 보이게 만든 것이다. 편향과 분산만 고치면 \(0.9291\) 로 과소, 분포 모양까지 고쳐야 \(0.9791\) 에 닿는다. 연습문제 4 의 신호 대 잡음비는 귀무가설의 잡음으로 잰 값이므로, 정직하게 고치면
로 \(5.4\) 의 절반에도 못 미친다. 그런데도 검정력이 \(0.98\) 인 것은 비가 커서가 아니라 \(g_1\) 의 분포가 치우쳐 아래쪽 꼬리가 얇기 때문이다. 검정력을 귀무 표준오차로 계산하는 습관은 이렇게 두 번 틀리고, 운이 나쁘면 상쇄되지 않는다. \(\square\)
연습문제 10. 세 값만 갖는 확률변수 \(X\) 를
로 두자.
(1) 모든 짝수 중심적률이 \(\mu_{2k} = 1/3\) 이고 홀수 중심적률은 \(0\) 임을 보여, 왜도 \(\gamma_1 = 0\) 과 초과첨도 \(\gamma_2 = 0\) 을 확인하라. 2 장의 부등식 \(\beta_2 \ge 1 + \gamma_1^2\) 는 어떻게 만족되는가.
(2) \(\mu_3 = 0\) 인 일반 분포에서
임이 알려져 있다(정규분포에서는 \(15 - 18 + 9 = 6\) 이 되어 본문의 \(\mathrm{Var}(g_1) \approx 6/n\) 과 맞는다). 이 분포에서 그 분산을 계산하라. \(n \to \infty\) 에서 skewtest 의 기각률은 \(0.05\) 로 가는가.
(3) 같은 계산을 표본첨도에 하면 \(\mathrm{avar}(\sqrt{n}\,g_2) = 18\) 이 나온다(정규는 \(24\)). 자크–베라 통계량 \(JB = n(g_1^2/6 + g_2^2/24)\) 의 극한분포를 구하고, 유의수준 \(5\%\) 검정의 실제 크기가 어디로 가는지 말하라. 이 분포를 샤피로–윌크는 왜 즉시 기각하는가.
풀이
(1) \(\mathbb{E}[X] = -\tfrac16 + \tfrac16 = 0\) 이므로 중심적률은 그냥 적률이다. 분포가 \(0\) 에 대해 대칭이니 홀수 적률은 모두 \(0\) 이고, 짝수 적률은 \(k \ge 1\) 에서
로 \(k\) 와 무관하게 \(1/3\) 이다. 따라서 \(\mu_2 = \mu_4 = \mu_6 = \mu_8 = 1/3\) 이고
정규분포와 4 차 적률까지 완전히 같은 이산분포다. 2 장의 부등식은 \(\beta_2 = 3 \ge 1 + 0 = 1\) 로 여유 있게 만족한다(등호는 두 점 분포에서만 성립하므로 이 분포는 경계가 아니다).
(2) 주어진 공식에 넣으면
분산이 \(0\) 이라는 것은 \(\sqrt{n}\,g_1 \to 0\), 곧 \(g_1\) 이 \(1/\sqrt{n}\) 보다 빠르게 줄어든다는 뜻이다(실제로 \(O(1/n)\) 이다. 모의로 재면 \(n\,\mathrm{SD}(g_1)\) 이 \(n = 100, 500, 2000\) 에서 \(4.82, 4.46, 4.28\) 로 거의 일정하다). 따라서
이고 \(p \to 1\) 이다. 기각률은 \(0.05\) 가 아니라 \(0\) 으로 간다. 검정이 눈먼 데서 그치지 않고 과도하게 보수적이 된다. 모의로 \(n = 2000\) 에서 \(4000\) 번 재면 기각률 \(0.0000\), \(p\) 값의 중앙값 \(0.988\) 이다.
(3) \(n g_1^2/6 = (\sqrt{n}g_1)^2/6 \to 0\) 이고 \(\sqrt{n}\,g_2 \to \mathcal{N}(0, 18)\) 이므로
이다. 자유도 2 의 카이제곱이 아니다. 자크–베라는 임계값으로 \(\chi^2_{0.95,\,2} = 5.9915\) 를 쓰므로 실제 크기는
로 명목 \(0.05\) 의 \(1/10\) 이다(모의로 \(n = 2000\) 에서 \(JB\) 기각률 \(0.0035\), 다고스티노 \(K^2\) 기각률 \(0.0037\)). 반면 샤피로–윌크는 같은 자료를 \(n = 100\) 에서도 모의 \(300\) 번 가운데 \(300\) 번 기각한다. 샤피로–윌크는 순서통계량과 정규 기대분위수의 상관을 재는데, 이 자료의 경험분포는 계단이 셋뿐이어서 \(Q\)-\(Q\) 그림이 세 덩어리로 갈리기 때문이다.
교훈. 적률 몇 개를 맞추는 것으로 정규성이 정해지지 않는다. 왜도 검정은 3 차, 첨도 검정은 4 차만 보므로 3·4 차를 정규와 맞춰 둔 반례 앞에서는 눈이 멀고, 심지어 크기까지 명목수준 아래로 내려가 "기각하지 못함" 이 더욱 무의미해진다. 이 쪽 연습문제 2 의 균등분포는 첨도 검정이 잡아 주었지만, 여기서는 왜도·첨도·자크–베라·\(K^2\) 가 모두 통과시킨다. 적률 기반 검정과 분포함수 기반 검정(샤피로–윌크, 콜모고로프–스미르노프 계열)을 함께 써야 하는 이유다. \(\square\)
연습문제 11. 보기 2에서 \(n = 1000\)일 때 왜도 검정이 잡아내는 경계가 \(g_1^{\ast} = 0.1515\)였고 근사 \(1.96\sqrt{6/n}\)이 그것을 거의 맞혔다. 이 근사를 거꾸로 써서 표본크기를 구하자.
(1) 모집단 왜도가 \(\gamma_1 = 0.1\)인 자료를 경계 위로 올리려면 \(n\)이 얼마나 되어야 하는가. 경계를 겨우 넘는다는 것이 검정력으로는 얼마에 해당하며, 검정력 \(0.8\)까지 요구하면 \(n\)은 얼마가 되는가.
(2) 보기 2의 \(\text{Gamma}(k = 2,\ \theta = 2)\)는 \(\gamma_1 = 1.4142\)다. 어림대로라면 \(n\)이 얼마부터 경계를 넘는가. 그런데 \(n\)이 작으면 근사가 맞지 않는다. 변환식을 직접 풀면 \(n = 8\)에서 참 경계가 \(1.1871\)인데 근사는 \(1.96\sqrt{6/8} = 1.6974\)다. 어긋나는 방향을 읽고 왜 그쪽인지 설명하시오.
풀이
(1) \(n \ge 2305\)이고, 검정력 \(0.8\)까지 바라면 \(n \ge 4710\)이다. 경계를 넘는 조건은 \(1.959964\sqrt{6/n} \le 0.1\)이므로
에서 \(n \ge 2305\)다. 실제로 변환식을 \(n = 2305\)에서 풀면 참 경계가 \(0.0999\)로 나와 근사가 맞는다.
그런데 모집단 왜도가 경계와 정확히 같다는 것은 검정력이 \(0.5\)라는 뜻이다. \(g_1\)이 \(\gamma_1\) 언저리에서 흔들리므로 절반은 경계 위로, 절반은 아래로 떨어진다. 동전 던지기를 "잡아낸다"고 부를 수는 없다. 검정력 \(0.8\)을 요구하면 신호 대 표준오차 비가 \(z_{0.975} + z_{0.8} = 1.959964 + 0.841621 = 2.801585\)여야 하므로
에서 \(n \ge 4710\)이다. 경계를 넘기려던 \(2305\)의 두 배가 넘는다. 검정력은 \(n\)의 제곱근으로만 자라므로 늘 이런 식이다.
(2) 근사로는 \(n \ge 12\)이지만 실제로는 skewtest가 허용하는 가장 작은 \(n = 8\)에서 이미 넘는다. 근사를 풀면
이니 \(n \ge 12\)다. 그러나 \(n = 8\)의 참 경계 \(1.1871\)이 이미 \(1.4142\)보다 작다. 근사가 경계를 \(43\%\)나 크게 잡은 것이다(\(1.6974 / 1.1871 = 1.43\)).
방향의 까닭은 \(g_1\)의 귀무분포가 작은 \(n\)에서 유계라는 데 있다. 표본왜도는 \(n\)개의 점으로 만드는 양이므로 아무리 극단적인 자료를 넣어도 \(\lvert g_1\rvert\)이 \(n\)에 따라 정해지는 한계를 넘지 못한다(\(n = 8\)에서 대략 \(2.3\)). 위아래가 막힌 분포는 정규분포보다 꼬리가 얇을 수밖에 없고, 그러면 \(97.5\%\) 분위수가 표준편차의 \(1.96\)배가 아니라 그보다 가까운 곳에 놓인다. 실제로 \(1.1871 / \sqrt{6/8} = 1.371\)배다. 근사 \(1.96\,\mathrm{SD}\)는 실제 분포가 닿지도 못하는 곳을 가리키고 있는 셈이다.
그렇다고 \(n = 8\)에서 감마분포를 잡아낸다는 말은 아니다. "경계를 넘으면 검정력 \(0.5\)"라는 계산은 \(g_1\)이 \(\gamma_1\) 근처에 모여 있을 때 이야기인데, \(n = 8\)에서는 \(g_1\)의 상한 자체가 \(2.3\)이라 평균이 \(1.4142\) 근처에 있을 수가 없다. 감마 자료를 \(40000\)번 뽑아 재면 \(\mathbb{E}[g_1]\)이 \(n = 8\)에서 \(0.61\), \(n = 12\)에서 \(0.79\), \(n = 30\)에서 \(1.09\)로 이론값 \(1.41\)에 한참 못 미친다. 기각률도 각각 \(0.178\), \(0.279\), \(0.672\)이고 \(0.5\)에 이르는 것은 \(n \approx 21\)이다. 작은 표본에서는 경계 쪽 근사와 편향 쪽 효과가 반대 방향으로 작동하며, 둘째가 더 크다.
연습문제 12. 이 쪽의 "응용"은 왜도 검정을 \(t\) 검정이나 분산분석(analysis of variance)을 써도 되는지 가늠하는 데 쓴다고 했다. 그 쓰임이 실제로 맞물리는지 재 보자. 한 표본 \(t\) 통계량 \(T\)의 에지워스 전개에서 단측 \(\alpha = 0.05\) 검정의 실제 크기는
이고, 괄호 부분을 계산하면 \((2z^2+1)\varphi(z)/6 = 0.1102\)다.
(1) 왜도 검정이 겨우 잡아내는 왜도 \(\gamma_1 = 1.96\sqrt{6/n}\)을 위 식에 넣으면 왜곡이 \(n\)에 어떻게 의존하는가. \(n = 100\)과 \(n = 1000\)에서 실제 크기를 구하시오.
(2) 왜곡이 \(0.01\)(명목의 \(20\%\))에 이르는 왜도를 "해로운" 것이라 부르자. 해롭지만 보이지 않는 \(n\)의 범위를 구하시오.
(3) 같은 전개로 양측 \(t\) 검정을 보면 \(\gamma_1\) 항이 어떻게 되는가.
풀이
(1) 왜곡이 \(1/\sqrt n\)이 아니라 \(1/n\)으로 줄어든다. 경계의 왜도 \(\gamma_1 = 1.959964\sqrt{6/n} = 4.8009/\sqrt n\)을 넣으면
이다. \(\sqrt n\)이 두 번 들어와 \(n\)이 된다. 한 번은 \(t\) 검정 쪽 전개에서, 또 한 번은 경계 자체가 \(n^{-1/2}\)로 줄어드는 데에서 온다. 수치를 넣으면
| \(n\) | 경계 \(\gamma_1\) | 왜곡 | 실제 크기 |
|---|---|---|---|
| \(100\) | \(0.4801\) | \(0.00529\) | \(0.04471\) |
| \(1000\) | \(0.1518\) | \(0.00053\) | \(0.04947\) |
이다. \(n = 1000\)에서 왜도 검정이 간신히 잡아낼 수 있는 가장 작은 왜도조차 \(t\) 검정의 크기를 \(0.0500\)에서 \(0.0495\)로 옮길 뿐이다. 보기 2의 풀이가 "\(\lvert g_1\rvert < 0.15\)가 실무상 무해한지는 검정이 답해 줄 수 없다"고 한 질문에, 적어도 단측 \(t\) 검정에 대해서는 무해하다는 답이 나온 셈이다.
(2) \(n \le 52\)에서 해로운 왜도가 보이지 않는다. 왜곡 \(0.1102\,\gamma_1/\sqrt n = 0.01\)을 푸는 왜도는
이고 잡아내는 경계는 \(\gamma_1^{\text{보임}} = 4.8009/\sqrt n\)이다. 전자가 후자보다 작을 조건은
이다. 예를 들어 \(n = 30\)에서 해로운 왜도는 \(0.497\)인데 검정의 경계는 \(0.877\)이다. 크기를 \(0.05\)에서 \(0.04\)로 끌어내리는 왜도를 왜도 검정이 대개 통과시킨다. 반대로 \(n = 100\)에서는 해로운 왜도 \(0.907\)이 경계 \(0.480\)보다 크므로 검정이 잡는다.
두 결과를 나란히 놓으면 이 장의 역설이 정확한 모양을 드러낸다. \(n\)이 작으면 해로운 것이 보이지 않고, \(n\)이 크면 보이는 것이 해롭지 않다. 더 고약한 것은 \(n \le 52\)가 skewtest를 쓸 수 있는 구간(\(n \ge 8\))의 상당 부분이라는 사실이다. 검정이 가장 필요한 자리에서 가장 쓸모가 없다.
(3) 양측에서는 \(\gamma_1\) 항이 정확히 상쇄되어 사라진다. 같은 전개를 아래쪽 꼬리에 쓰면
인데, \(\varphi\)와 \(2z^2+1\)이 모두 짝함수라 보정항의 크기가 같고 부호만 반대다. 두 꼬리를 더하면
으로 \(n^{-1/2}\) 항이 남지 않는다. 왜도가 한쪽 꼬리를 좁히는 만큼 다른 쪽 꼬리를 넓히기 때문이다. 곧 왜도는 단측 \(t\) 검정을 \(n^{-1/2}\)의 속도로 망가뜨리지만 양측 \(t\) 검정은 \(n^{-1}\)로만 건드린다. 왜도 검정의 결과를 보고 \(t\) 검정을 포기할지 말지 정하려면 단측인지 양측인지부터 물어야 한다. 같은 \(p = 0.001\)짜리 왜도가 단측 검정에서는 걱정거리이고 양측 검정에서는 거의 무시해도 되는 일이 흔히 생긴다.
정리하며¶
왜도 검정의 구성과 구현을 살폈다.
skewtest는 미보정 \(g_1\) 을 쓴다. 편향 보정판 \(G_1 = \sqrt{n(n-1)}/(n-2)\cdot g_1\) 도 있지만 검정에 들어가는 것은 미보정판이고, 둘을 섞으면 \(Z_1\) 이 달라진다.- \(Z\) 로 변환하는 과정이 정교하다. 표본 왜도의 분포가 정규와 거리가 멀어, 존슨 변환류의 보정을 거쳐야 근사적으로 표준정규가 된다. 단순히 표준오차로 나누는 것이 아니다.
- \(n\ge8\) 이 요건이다. 그보다 작으면
scipy가 오류를 낸다. - 왜도만 겨냥한다. 대칭이면서 꼬리가 두꺼운 분포(\(t\) 분포 등)는 이 검정으로 잡히지 않는다.
- 방향을 알 수 있다는 것이 장점이다. \(Z\) 의 부호가 어느 쪽으로 치우쳤는지 말해 주며, 변환의 방향을 정하는 데 쓴다.
다음 절 첨도 검정으로 넘어간다.