비모수 방법¶
들어가는 이야기 — U 가 본 것은 평균이 아니었다
척도가 \(2\) 와 \(3\) 인 두 지수분포(exponential distribution)에서 각각 \(n = 100\) 을 뽑아 만–휘트니 \(U\) 검정을 걸면 \(U = 3411\), \(p = 0.000104\) 가 나온다. 그러면 이 검정이 기각한 것은 「두 평균이 \(2\) 대 \(3\) 으로 다르다」인가. 아니다 — 검정이 실제로 보는 모수는 \(\theta = P(X_1 > X_2)\) 이고, 이 자료에서 그 값은 \(0.5\) 가 아닌 \(0.4\) 다.
검정력으로 치르는 값은 작다. 모집단이 정확히 정규여서 \(t\) 검정에게 가장 유리한 판에서도 검정력이 \(0.792\) 대 \(0.764\), 비로 \(0.96\) 에 그친다. 알려진 점근상대효율(asymptotic relative efficiency) \(3/\pi = 0.955\) 에 작은 표본에서 이미 닿은 것이고, 이 손실은 표본을 \(4\%\) 남짓 늘리면 메워진다.
판이 바뀌면 관계가 뒤집힌다. 지수분포에서는 \(0.788\) 대 \(0.939\) 로 순위검정이 \(1.19\) 배 강하고, \(t_3\) 에서는 \(0.832\) 대 \(0.945\) 로 \(1.14\) 배 강하다. 긴 꼬리가 표본평균(sample mean)을 끌고 다니는 동안 순위는 극단값의 순서만 인정하고 크기는 무시하기 때문이다.
그래도 공짜는 아니다. 정규성(normality)을 버리면 가정만 버려지는 것이 아니라 재는 대상도 바뀐다. 「중앙값을 검정한다」는 말은 두 분포의 모양이 같을 때만 참이고, 평균의 차를 보고해야 하는 자리라면 순위검정이 답이 아니다. 그러면 순위로 바꾸는 일이 정확히 무엇을 벌어 주고 무엇을 내주는가. 이 쪽이 네 쌍의 짝을 세운 뒤 그 교환을 수로 적는다.
두 모수가 서로 다른 것을 센다는 말을 가장 센 꼴로 세웠다. 집단 \(B\) 를 두 덩어리로 갈라 평균을 \(A\) 와 정확히 같게 맞추면, 아무 둘을 집어 \(A\) 가 더 클 확률은 \(0.5\) 가 아니라 \(0.600\) 이다. 그러면 평균을 보는 \(t\) 검정은 \(n = 200\) 에서 \(0.049\) — 차이가 없다고 말하고, 순위를 보는 검정은 \(0.894\) 로 차이가 있다고 말한다. 둘 다 자기 모수에 대해서는 맞는 말이다. 「중앙값을 검정한다」는 말이 두 분포의 모양이 같을 때만 참인 까닭도 여기 있다.
정규가 아닌 자료를 다루는 또 하나의 전략은 비모수(nonparametric) 방법을 쓰는 것이다. 이 방법들은 자료에 특정 분포를 가정하지 않으며, 자료가 순서형이거나 정규성 가정이 위배될 때 흔히 쓰인다.
1. 흔한 비모수 검정¶
- 만–휘트니 U 검정: 독립인 두 집단을 비교하는 \(t\) 검정의 비모수 대안.
- 크러스컬–월리스 검정: 셋 이상의 집단을 비교하는 분산분석(analysis of variance)의 비모수 대안.
- 윌콕슨 부호순위 검정: 대응하는 두 표본을 비교하는 비모수 검정.
보기 1. 만–휘트니 U 검정. 척도 \(2\)와 \(3\)인 두 지수분포에서 각각 \(n = 100\)을 뽑아 만–휘트니 \(U\) 검정을 걸면 \(U = 3411\), \(p = 0.000104\)가 나온다.
(1) 만–휘트니 검정이 재는 모수는 평균의 차가 아니라 \(\theta = P(X_1 > X_2)\)이다. 척도가 \(s_1\), \(s_2\)인 두 지수분포에서 \(\theta\)를 닫힌 꼴로 유도하고, 그로부터 \(\mathbb{E}[U]\)를 구하시오.
(2) 관측된 \(U = 3411\)과 \(p = 0.000104\)를 (1)의 결과와 정규근사로 재현하시오. 또 이 자료의 효과 크기를 "두 평균이 \(2\) 대 \(3\)으로 50% 차이난다"로 말하는 것과 "\(\theta\)가 \(0.5\)에서 \(0.4\)로 벗어났다"로 말하는 것 가운데, 검정이 실제로 보는 것은 어느 쪽인가.
풀이
(1) 해석적으로. 지수분포의 척도 \(s\)는 비율 \(\lambda = 1/s\)에 대응한다. \(X \sim \text{Exp}(\lambda_1)\), \(Y \sim \text{Exp}(\lambda_2)\)가 독립이라 하고 \(Y\)로 조건을 걸어 적분한다. 지수분포의 생존함수(survival function)가 \(P(X > y) = e^{-\lambda_1 y}\)이므로
이다. 척도로 바꿔 쓰면 분자·분모에 \(s_1 s_2\)를 곱해
을 얻는다. 기억하기 좋은 꼴이다. \(s_1 = 2\), \(s_2 = 3\)이면
이다. 이제 \(U\)로 넘어간다. 만–휘트니 통계량은 동점(tie)이 없을 때 \(X\) 쪽이 더 큰 쌍의 개수다.
기댓값은 선형성만으로 바로 나온다. 지시함수 \(n_1 n_2\)개가 각각 평균 \(\theta\)를 가지므로
이다. 근사가 아니라 정확한 등식이다. 지시함수들이 서로 독립이 아니지만(같은 \(X_i\)를 공유한다) 기댓값에는 영향이 없다. 분산을 구할 때라야 그 종속이 문제가 된다.
귀무가설(null hypothesis) \(H_0 : \theta = 1/2\) 아래에서는 \(\mathbb{E}[U_1] = n_1 n_2 / 2 = 5000\)이고, 알려진 분산식으로
이다.
(2) 수치적으로. 먼저 쪽의 코드를 그대로 돌린다.
import numpy as np
from scipy.stats import mannwhitneyu
np.random.seed(0)
# 두 지수분포. 정규와는 거리가 멀다.
group1 = np.random.exponential(scale=2, size=100)
group2 = np.random.exponential(scale=3, size=100)
# Mann-Whitney U 는 t 검정의 비모수 대응이다. 값 대신 순위만 쓰므로
# 정규성을 요구하지 않는다. 다만 귀무가설이 "두 평균이 같다"가 아니라
# "두 분포의 위치가 같다"이므로, 결론을 말할 때 표현에 주의해야 한다.
stat, p_value = mannwhitneyu(group1, group2)
print(f"Mann-Whitney U Test: Statistic={stat}, p-value={p_value}")
# 결과 해석
alpha = 0.05
if p_value > alpha:
print("Fail to reject H_0: No significant difference between the groups.")
else:
print("Reject H_0: Significant difference between the groups.")
출력:
Mann-Whitney U Test: Statistic=3411.0, p-value=0.00010388964489703351
Reject H_0: Significant difference between the groups.
이제 (1)의 값과 맞춰 본다.
import numpy as np
from scipy import stats
from scipy.stats import mannwhitneyu
np.random.seed(0)
group1 = np.random.exponential(scale=2, size=100)
group2 = np.random.exponential(scale=3, size=100)
n1 = n2 = 100
U, p = mannwhitneyu(group1, group2)
# theta = P(X1 > X2) 의 닫힌 꼴. 척도 s1, s2 이면 s1/(s1+s2) 다.
theta = 2 / (2 + 3)
print(f"이론 theta = s1/(s1+s2) = {theta:.4f}")
print(f"이론 E[U] = n1 n2 theta = {n1 * n2 * theta:.1f}")
# U 가 정말로 쌍의 개수인지 직접 세어 확인한다.
pairs = (group1[:, None] > group2[None, :]).sum()
print(f"직접 센 #(x > y) = {pairs} scipy 의 U = {U:.1f}")
print(f"표본비율 = {pairs / (n1 * n2):.4f}")
# H0: theta = 1/2 아래의 정규근사. 연속성 보정을 넣는다.
mu0 = n1 * n2 / 2
sd0 = np.sqrt(n1 * n2 * (n1 + n2 + 1) / 12)
z = (U - mu0 + 0.5) / sd0
print(f"H0 아래 E[U] = {mu0:.1f}, SD = {sd0:.4f}")
print(f"z = ({U:.1f} - {mu0:.1f} + 0.5) / {sd0:.4f} = {z:.4f}")
print(f"양쪽 p = {2 * stats.norm.cdf(z):.8f}")
print(f"scipy 의 p = {p:.8f}")
print(f"표본중앙값 {np.median(group1):.4f}, {np.median(group2):.4f} "
f"(이론 {2*np.log(2):.4f}, {3*np.log(2):.4f})")
print(f"표본평균 {group1.mean():.4f}, {group2.mean():.4f} (이론 2, 3)")
출력:
이론 theta = s1/(s1+s2) = 0.4000
이론 E[U] = n1 n2 theta = 4000.0
직접 센 #(x > y) = 3411 scipy 의 U = 3411.0
표본비율 = 0.3411
H0 아래 E[U] = 5000.0, SD = 409.2676
z = (3411.0 - 5000.0 + 0.5) / 409.2676 = -3.8813
양쪽 p = 0.00010389
scipy 의 p = 0.00010389
표본중앙값 1.2603, 2.5687 (이론 1.3863, 2.0794)
표본평균 1.8373, 3.1543 (이론 2, 3)
세 군데가 맞는다.
첫째, \(U\)가 쌍의 개수라는 해석이 정확히 맞는다. \(X_i > Y_j\)인 쌍을 직접 세면 \(3411\)개이고 SciPy의 \(U\)도 \(3411.0\)이다. 소수점이 없는 것은 동점이 하나도 없다는 뜻이다(연속분포에서 뽑았으니 당연하다).
둘째, 유도한 \(\mathbb{E}[U] = 4000\)에 대해 관측값은 \(3411\)이다. 표본비율로 보면 이론 \(\theta = 0.4000\)에 대해 \(0.3411\)이다. 차이가 작지 않은데, \(U\)의 대립가설(alternative hypothesis) 아래 표준편차가 \(400\) 남짓이므로 \(3411\)은 \(4000\)에서 약 \(1.5\) 표준편차 떨어진 자리다. 씨앗 0의 표본이 참값보다 조금 더 극단적으로 나온 것이고, 우연의 범위 안이다.
셋째, \(p\) 값이 소수점 여덟째 자리까지 재현된다. \(z = (3411 - 5000 + 0.5)/409.2676 = -3.8813\)에서 \(2\Phi(-3.8813) = 0.00010389\)이고 SciPy가 준 값도 \(0.00010389\)다. \(+0.5\)를 빼놓으면 \(0.00010337\)이 되어 다섯째 자리부터 어긋나므로, SciPy가 연속성 보정을 넣은 정규근사를 쓴다는 것까지 확인된다.
검정이 보는 것은 \(\theta\) 쪽이다. 두 말이 같은 자료를 가리키지만 검정이 재는 척도는 하나뿐이다.
| 척도 | 귀무값 | 참값 | 벗어난 정도 |
|---|---|---|---|
| 평균의 비 | \(1\) | \(3/2 = 1.5\) | 50% |
| \(\theta = P(X_1 > X_2)\) | \(0.5\) | \(0.4\) | \(0.1\) |
만–휘트니는 값을 순위로 바꿔 버리므로 "평균이 50% 크다"는 정보를 아예 보지 않는다. 그것이 보는 것은 "무작위로 고른 \(X_1\)이 무작위로 고른 \(X_2\)보다 클 확률이 \(0.4\)"라는 사실뿐이다. 그래서 이 검정의 결론을 "두 평균이 다르다"로 옮겨 적으면 안 된다. 쪽의 주석이 경계하는 바가 이것이고, \(\theta\)가 모평균과 단조로 이어지지 않는 분포들을 만들 수 있기 때문에 단순한 번역이 통하지 않는다.
실무적으로는 \(\theta\)가 오히려 보고하기 좋은 효과 크기다. 단위가 없고 "둘을 맞붙이면 어느 쪽이 이길 확률"이라는 뜻이 분명하다. 표본에서 \(\hat\theta = U/(n_1 n_2) = 3411/10000 = 0.3411\)로 바로 읽힌다. 평균의 차를 보고해야 하는 상황이라면 순위검정이 아니라 부트스트랩(bootstrap)으로 가야 한다.
비모수 검정은 정규성 가정이 위배되거나 순서형 자료를 다룰 때 로버스트한 대안을 제공한다. 자료의 분포를 모르거나 정규가 아닌 상황에서 널리 쓰인다.
2. 순위검정은 무엇을 잃고 무엇을 얻는가¶
비모수 검정을 꺼리는 흔한 이유는 "값 대신 순위만 쓰니 정보를 버리는 것 아닌가"이다. 정보를 버리는 것은 맞다. 문제는 얼마나 버리는가이며, 그 답이 의외로 작다.
아래 그림은 세 가지 모집단에서 두 집단을 \(0.80\)만큼 옮긴 대립가설을 두고, 집단당 \(n = 25\)로 이표본 \(t\) 검정과 만–휘트니 \(U\) 검정의 검정력을 8000번씩 재어 견준 것이다. 세 경우 모두 두 검정의 실제 유의수준은 \(0.043\)–\(0.054\)로 약속한 \(0.05\) 근처에 있었으므로 공정한 비교다.

왼쪽 칸이 \(t\) 검정에게 가장 유리한 상황이다. 모집단이 정확히 정규이므로 \(t\) 검정이 최적이다. 그런데도 검정력 차이는 \(0.792\) 대 \(0.764\), 비로 따지면 \(0.96\)에 불과하다. 이론적으로 알려진 두 검정의 점근상대효율이 \(3/\pi = 0.955\)인데, \(n = 25\)라는 작은 표본에서 이미 그 값에 거의 도달했다. 실무적으로 이 손실은 표본을 4% 남짓 늘리면 메워진다. 가장 불리한 판에서도 잃는 것이 그 정도다.
가운데와 오른쪽 칸에서 관계가 뒤집힌다. 지수분포에서는 \(0.788\) 대 \(0.939\)로 순위검정이 \(1.19\)배 강하고, \(t_3\)에서는 \(0.832\) 대 \(0.945\)로 \(1.14\)배 강하다. 이유는 다르다. 치우친 자료에서는 긴 꼬리가 \(\bar{X}\)를 끌고 다녀 신호 대비 잡음이 나빠지는데, 순위는 극단값을 그 순서만 인정하고 크기는 무시하므로 영향을 덜 받는다. 두꺼운 꼬리에서도 같은 이치로 \(S\)가 부풀어 \(t\) 통계량이 눌리는 반면 순위는 그대로다.
이 비대칭한 손익 구조가 순위검정을 쓸 만하게 만든다. 정규성이 성립하면 4%쯤 잃고, 깨지면 15–20% 얻는다. 물론 대가가 없지는 않다. 위 보기의 주석이 지적하듯 만–휘트니의 귀무가설은 "두 평균이 같다"가 아니라 "한 집단의 값이 다른 집단의 값보다 클 확률이 \(1/2\)이다"이므로, 모평균의 차이를 추정하거나 그에 대한 신뢰구간을 보고해야 하는 상황에는 그대로 쓸 수 없다. 검정만 필요한가, 아니면 모수의 추정값이 필요한가 — 이 물음이 순위검정과 부트스트랩 사이의 갈림길이다.
AI로 보는 통계학 1. 순위검정은 중앙값을 검정하지 않는다
위 절이 마지막 문단에서 한 줄로 지나간 것을 수로 적어 둘 만하다. 만–휘트니 \(U\) 검정의 귀무가설은 「두 중앙값이 같다」가 아니다. 그것이 재는 것은
이고, 이 둘은 두 분포의 모양이 같을 때만 같은 말이 된다. 그런데 실무에서는 이 검정을 「중앙값 검정」이라 부르는 일이 흔하고, 보고서에 중앙값 두 개를 나란히 적은 뒤 이 검정의 \(p\) 값을 붙인다. 모양이 다르면 그 조합이 무엇을 말하는지 보자.
import numpy as np
from scipy import stats
rng = np.random.default_rng(14)
n = 400
# 두 분포의 중앙값을 정확히 0 으로 맞춘다
# A: 표준정규 (중앙값 0)
# B: 지수(1) 에서 ln2 를 빼면 중앙값 0 (오른쪽으로 치우쳐 있다)
A = rng.normal(0, 1, n)
B = rng.exponential(1, n) - np.log(2)
# 참 P(A < B) 를 모의로 재어 둔다 (큰 표본)
a2, b2 = rng.normal(0, 1, 400000), rng.exponential(1, 400000) - np.log(2)
p_true = (a2 < b2).mean()
u, p = stats.mannwhitneyu(A, B, alternative="two-sided")
print(f"참 중앙값 A {0.0:+.4f} B {0.0:+.4f} (설계상 정확히 같다)")
print(f"표본 중앙값 A {np.median(A):+.4f} B {np.median(B):+.4f}")
print(f"참 P(A < B) {p_true:.4f} (0.5 가 아니다)")
print(f"Mann-Whitney U = {u:.1f} p = {p:.3e}")
print(f"윌콕슨 순위합이 재는 것은 P(A < B) 이고 중앙값이 아니다")
print()
# n 을 늘리면 중앙값이 같은데도 기각률이 1 로 간다
for m in (50, 200, 800):
rej = 0
R = 2000
for _ in range(R):
a = rng.normal(0, 1, m)
b = rng.exponential(1, m) - np.log(2)
rej += stats.mannwhitneyu(a, b, alternative="two-sided")[1] < 0.05
print(f"n = {m:4} 집단당 중앙값이 같은데 기각률 {rej / R:.3f}")
출력:
참 중앙값 A +0.0000 B +0.0000 (설계상 정확히 같다)
표본 중앙값 A +0.0365 B +0.0124
참 P(A < B) 0.5583 (0.5 가 아니다)
Mann-Whitney U = 73573.0 p = 4.924e-02
윌콕슨 순위합이 재는 것은 P(A < B) 이고 중앙값이 아니다
n = 50 집단당 중앙값이 같은데 기각률 0.157
n = 200 집단당 중앙값이 같은데 기각률 0.510
n = 800 집단당 중앙값이 같은데 기각률 0.968
두 분포의 중앙값은 설계상 정확히 \(0\) 으로 같다. 그런데 \(P(A < B) = 0.558\) 이라서 검정은 기각할 거리를 찾아낸다. 아래 세 줄이 그 결론이다 — 자료를 모으면 모을수록 확실하게 기각하고, \(n = 800\) 이면 스물에 열아홉 번 기각한다. 중앙값은 한 번도 달라진 적이 없다.
까닭은 왜도다. \(B\) 의 분포는 중앙값 오른쪽으로 길게 끌리므로, \(A\) 와 하나씩 뽑아 견주면 \(B\) 가 이기는 쌍이 조금 더 많다. 순위는 쌍의 승패만 보고 중앙값은 한 지점만 보므로, 둘이 다른 것을 재는 것이 당연하다.
그래서 이 검정을 쓰려면 위치이동 가정을 명시해야 한다 — 두 분포의 모양이 같고 평행이동만 다르다는 가정이다. 그 아래에서는 \(P(X<Y) = \tfrac12\) 와 중앙값의 같음이 동치가 되고, 「중앙값 검정」이라 불러도 틀리지 않는다. 가정을 두지 않으면 결론은 「한쪽이 확률적으로 더 크다」까지이고, 중앙값을 정말 견주려면 중앙값 자체를 겨누는 검정이나 분위수(quantile) 회귀로 가야 한다.
3. 요약: 정규가 아닌 자료 다루기¶
정규가 아닌 자료를 만났을 때 쓸 수 있는 전략은 여러 가지이다.
- 변수변환은 자료를 정규에 더 가깝게 만들어 준다.
- 부트스트랩은 모수적 가정에 기대지 않는 대안적 접근을 제공한다.
- 비모수 방법은 가정이 위배될 때 전통적 모수 검정을 대신할 강력한 대안이다.
방법의 선택은 비정규성의 정도, 표본크기, 다루는 구체적인 연구 질문에 달려 있다. 실무에서는 이 접근들을 시각적·형식적 정규성 평가와 결합할 때 더 신뢰할 만한 통계 분석에 이를 수 있다.
연습문제¶
연습문제 1. 비모수 검정 세 가지를 들고 각각이 대체하는 모수적 검정을 서술하라. 어떤 가정이 완화되는가?
풀이
| 비모수 검정 | 대체 대상 | 완화되는 가정 |
|---|---|---|
| 윌콕슨 부호순위 검정 | 일표본 t 검정 | 자료의 정규성 |
| 만–휘트니 U 검정 | 이표본 t 검정 | 두 집단 자료의 정규성 |
| 크러스컬–월리스 검정 | 일원배치 분산분석 | 집단 내 정규성 |
각 경우에 비모수 검정은 자료가 특정 분포를 따를 것을 요구하지 않는다. 실제 값 대신 자료의 순위를 쓰므로 이상치(outlier)과 비정규성에 로버스트하다.
연습문제 2. 점근상대효율(ARE)의 개념을 설명하라. 정규성 아래에서 윌콕슨 검정의 t 검정 대비 ARE가 \(3/\pi \approx 0.955\)라면 이는 무엇을 뜻하는가?
풀이
ARE는 같은 검정력을 얻는 데 두 검정이 필요로 하는 표본크기를 비교한다. ARE가 0.955라는 것은 정규성 아래에서 윌콕슨 검정이 t 검정의 검정력을 따라잡으려면 대략 \(n/0.955 \approx 1.047n\)개의 관측값이 필요하다는 뜻이다.
곧 자료가 진짜 정규일 때 윌콕슨 검정은 t 검정에 비해 효율을 약 5%만 잃는다. 얻는 로버스트성에 비하면 작은 대가이다. 자료가 정규가 아니면(꼬리가 두껍거나 치우쳐 있으면) 윌콕슨 검정이 t 검정보다 훨씬 강력할 수 있다. 어떤 분포에서는 윌콕슨의 t 검정 대비 ARE가 1을 넘는다(윌콕슨이 더 효율적이다).
연습문제 3. 자료가 \(\{1, 2, 3, 100\}\)이다. 순위에 기초한 비모수 검정이 t 검정보다 적절한 이유를 설명하라.
풀이
값 100은 나머지 값들에 비해 심각한 이상치다. t 검정통계량(test statistic)은 (100에 크게 영향받는) 평균과 (100 때문에 부풀려진) 표준편차를 쓰므로 둘 다 이 관측값 하나에 왜곡된다. 그렇게 나온 t 통계량과 p 값은 믿을 수 없다.
순위 기반 검정은 자료를 순위 \(\{1, 2, 3, 4\}\)로 바꾸므로 이상치는 그저 순위 4인 가장 큰 관측값일 뿐이다. 100이라는 극단적 크기는 무관해진다. 그래서 검정이 로버스트하다. 100을 10이나 10,000으로 바꿔도 순위와 검정 결과가 달라지지 않는다.
연습문제 4. 정규성이 의심스러워도 비모수 검정이 권장되지 않는 경우는 언제인가?
풀이
비모수 검정이 언제나 선호되는 것은 아니다.
- 표본이 클 때: \(n\)이 크면 중심극한정리(central limit theorem)가 모수적 검정을 근사적으로 타당하게 만들고, 모수적 검정이 (순위가 아니라 실제 값을 쓰므로) 더 강력하다. 순위로 인한 효율 손실을 감수할 이유가 없다.
- 특별히 평균에 대한 추론일 때: 비모수 검정(예: 만–휘트니)은 평균 차이가 아니라 확률적 우위를 검정한다(두 분포의 모양이 같을 때에만 중앙값 차이로 읽힌다). 연구 질문이 구체적으로 평균에 관한 것이라면 (필요하면 부트스트랩을 곁들인) t 검정이 더 적절하다.
- 복잡한 설계일 때: 요인 분산분석, 회귀, 혼합모형에서는 비모수 대안이 제한적이거나 덜 발달해 있다. 로버스트한 모수적 방법(웰치 분산분석, 샌드위치 표준오차)이 대개 더 낫다.
- 동점이 많을 때: 순위 기반 검정은 동점이 많으면(예: 범주가 적은 리커트 척도 자료) 검정력을 잃는다.
연습문제 5. 보기 1 에서 척도가 \(s_1 = 2\), \(s_2 = 3\) 인 두 지수분포에 대해 \(\theta = P(X_1 > X_2) = s_1/(s_1+s_2) = 0.4\) 였다. 평균의 비를 \(r = s_2/s_1 \ (r \ge 1)\) 이라 두자.
(1) \(\theta\) 와 \(\lvert \theta - 1/2 \rvert\) 를 \(r\) 만의 식으로 쓰고, \(r = 1,\ 1.5,\ 3,\ 10,\ 100\) 과 \(r \to \infty\) 에 대해 \(\theta\), \(\lvert \theta - 1/2 \rvert\), 그리고 \(n_1 = n_2 = 100\) 일 때의 \(\mathbb{E}[U_1]\) 을 표로 적으시오.
(2) 보기 1 의 자료는 \(r = 1.5\) 로 이탈이 \(\lvert \theta - 1/2 \rvert = 0.1\) 이었다. 이 이탈을 두 배인 \(0.2\) 로 만들려면 \(r\) 을 얼마로 해야 하는가. 평균비는 몇 배가 되는가.
(3) \(r \to \infty\) 로 보낼 때 \(\mathbb{E}[U_1]\) 과 보기 1 의 연속성 보정 정규근사 \(z\) 가 각각 어떤 값으로 다가가는지 구하고, "평균이 두 배 차이난다"와 "\(\theta\) 가 두 배 벗어났다"가 같은 말이 아닌 까닭을 한 줄로 쓰시오.
풀이
(1) 분자·분모를 \(s_1\) 으로 나누면
이고, \(r \ge 1\) 이면 \(\theta \le 1/2\) 이므로
이다. \(\mathbb{E}[U_1] = n_1 n_2 \theta = 10\,000/(1+r)\) 이다.
| \(r = s_2/s_1\) | \(\theta\) | \(\lvert \theta - 1/2 \rvert\) | \(\mathbb{E}[U_1]\) |
|---|---|---|---|
| \(1\) | \(0.5\) | \(0\) | \(5000\) |
| \(1.5\) | \(0.4\) | \(0.1\) | \(4000\) |
| \(3\) | \(0.25\) | \(0.25\) | \(2500\) |
| \(10\) | \(1/11 = 0.0909\) | \(9/22 = 0.4091\) | \(909.1\) |
| \(100\) | \(1/101 = 0.0099\) | \(99/202 = 0.4901\) | \(99.0\) |
| \(\infty\) | \(0\) | \(0.5\) | \(0\) |
(2) \((r-1)/\{2(r+1)\} = 0.2\) 를 풀면 \(r - 1 = 0.4r + 0.4\), 곧 \(0.6r = 1.4\) 이므로
이다. 평균비는 \(1.5\) 에서 \(2.3333\) 으로 \(1.56\) 배만 커지면 된다. 효과크기(effect size)를 두 배로 만드는 데 평균비를 두 배로 할 필요가 없다.
(3) \(r \to \infty\) 이면 \(\theta \to 0\) 이므로 \(\mathbb{E}[U_1] \to 0\) 이다. \(U_1\) 이 쌍의 개수이므로 \(0\) 은 가능한 최솟값이고, 더 내려갈 자리가 없다. 보기 1 의 \(z\) 는
에서 멈춘다. \(n_1 = n_2 = 100\) 을 고정하면 평균비를 아무리 키워도 \(z\) 의 기댓값이 \(-12.22\) 보다 극단으로 갈 수 없다.
해석. 평균비는 \((1, \infty)\) 를 다 쓰지만 \(\theta\) 는 \((0, 1/2]\) 안에 갇힌다. \(1/(1+r)\) 이 포화하기 때문이다. 표에서 \(r\) 을 \(1.5 \to 3\) 으로 \(2\) 배 키우면 이탈이 \(0.1 \to 0.25\) 로 \(2.5\) 배 늘지만, \(10 \to 100\) 으로 \(10\) 배 키우면 \(0.4091 \to 0.4901\) 로 \(1.2\) 배밖에 늘지 않는다. 그래서 "평균이 두 배"와 "\(\theta\) 가 두 배"는 척도가 다른 말이다.
연습문제 6. 집단당 \(n\), 표준화한 이동 \(\delta\) 에 대해 이표본 \(t\) 검정의 검정력은
로 근사된다. 2절의 그림은 \(\delta = 0.80\), \(n = 25\) 인 자리다.
(1) 이 식으로 정규 모집단에서 \(t\) 검정의 검정력을 구해 그림의 \(0.792\) 와 견주시오. (\(t_{0.975,\,48} = 2.0106\))
(2) ARE \(= 3/\pi = 0.955\) 를 "순위검정의 표본 \(n\) 은 \(t\) 검정의 \(0.955n\) 에 값한다"로 읽고, 같은 식에 \(n\) 대신 \(0.955 \times 25 = 23.9\) 를 꽂아 만–휘트니의 검정력을 예측하여 그림의 \(0.764\) 와 견주시오. (\(t_{0.975,\,45.8} = 2.0132\))
(3) 그림에는 검정력의 비가 \(0.96\) 으로 적혀 있고 ARE 는 \(0.955\) 다. 두 수가 가까운 것이 ARE 의 뜻 때문인지 아니면 이 자리의 우연인지를, 같은 식으로 \(n = 100\) 에서 두 검정력의 비를 계산해 판정하시오. (\(t_{0.975,\,198} = 1.9720\), \(t_{0.975,\,189} = 1.9726\))
풀이
(1) \(\delta\sqrt{n/2} = 0.80 \times \sqrt{12.5} = 0.80 \times 3.5355 = 2.8284\) 이므로
이다. 그림의 \(0.792\) 와 셋째 자리까지 맞는다. 근사식이 이 자리에서 잘 듣는다는 뜻이고, 그래서 (2)·(3) 에서도 쓸 수 있다.
(2) \(n_{\text{유효}} = 23.875\) 를 꽂으면 \(0.80 \times \sqrt{11.9375} = 0.80 \times 3.4551 = 2.7641\) 이므로
이다. 그림은 \(0.764\) 다. \(0.010\) 어긋나는데, \(8000\) 회 모의의 표준오차가 \(\sqrt{0.764 \times 0.236/8000} = 0.0047\) 이므로 약 \(2\) 표준오차 차이다. ARE 를 표본크기로 환산하는 읽기가 실제 모의와 맞아떨어진다.
(3) \(n = 100\) 에서 \(t\) 검정은 \(0.80\sqrt{50} = 5.6569\) 이므로
이고, 순위검정은 \(n_{\text{유효}} = 95.5\) 로 \(0.80\sqrt{47.75} = 5.5281\) 이므로
이다. 검정력의 비는 \(0.99981/0.99989 = 0.9999\) 다. 우연이다. 검정력은 \(1\) 에 갇혀 있으므로 두 검정이 모두 강해지는 자리로 가면 비가 반드시 \(1\) 로 간다. 반대로 검정력이 낮은 자리(\(n = 10\)) 로 가면 비가 \(0.95\) 쪽으로 내려간다. 즉 검정력의 비는 \(n\) 과 \(\delta\) 에 따라 움직이는 양이고 ARE 는 움직이지 않는 한 수다. ARE 는 검정력의 비가 아니라 같은 검정력을 내는 표본크기의 비이므로, ARE 를 검정력으로 옮기는 올바른 길은 (3) 처럼 비를 보는 것이 아니라 (2) 처럼 \(n\) 을 환산하는 것이다. 그림의 \(0.96\) 이 \(0.955\) 와 닮아 보인 것은 \(n = 25\), \(\delta = 0.8\) 이 검정력 \(0.8\) 근처라는 자리의 우연이다.
연습문제 7. 보기 1 의 풀이는 "\(U = 3411.0\) 에 소수점이 없는 것은 동점이 하나도 없다는 뜻"이라 했고, 연습문제 4 는 "동점이 많으면 순위검정이 검정력을 잃는다"고 했다. 동점이 있을 때 만–휘트니가 재는 모수는 동점인 쌍을 반씩 나누어
로 정의된다.
(1) 두 집단이 모두 \(3\) 점 척도 \(\{1, 2, 3\}\) 이고 집단 1 의 분포가 \((0.2, 0.3, 0.5)\), 집단 2 가 \((0.5, 0.3, 0.2)\) 다. \(P(X > Y)\), \(P(X = Y)\), \(P(X < Y)\) 와 \(\theta^{*}\) 를 구하시오.
(2) \(\theta^{*} - \tfrac12 = \tfrac12 \{P(X > Y) - P(X < Y)\}\) 임을 보이고, 동점이 아닌 쌍만 보았을 때의 모수 \(\theta_{\circ} = P(X > Y \mid X \ne Y)\) 에 대해
임을 보이시오. (1) 의 수로 양변을 확인하시오.
(3) 범주 안을 더 잘게 재어 동점을 모두 가를 수 있게 되었다고 하자. 그때 \(\theta = P(X > Y)\) 가 가질 수 있는 값의 상·하한을 (1) 의 수로 구하고, 동점이 검정력을 잃게 하는 이치를 신호의 크기로 설명하시오.
풀이
(1) 집단 1 의 분포를 \(p = (p_1, p_2, p_3)\), 집단 2 를 \(q = (q_1, q_2, q_3)\) 라 쓰면
이다. 세 값의 합이 \(0.55 + 0.29 + 0.16 = 1.00\) 으로 맞는다. 따라서
이다.
(2) \(P(>) + P(=) + P(<) = 1\) 의 양변에 \(\tfrac12\) 를 곱해 \(\tfrac12\) 를 대신 넣으면
이다. 한편 \(\theta_{\circ} = P(>)/\{P(>) + P(<)\}\) 이고 \(P(>) + P(<) = 1 - P(=)\) 이므로
이고, 양변에 \(1 - P(=)\) 를 곱하고 절댓값을 취하면 주어진 등식이 된다. \(\square\)
수로 확인하면 \(\theta^{*} - \tfrac12 = 0.195\) 이고 \(\tfrac12(0.55 - 0.16) = 0.195\) 로 맞는다. 또 \(\theta_{\circ} = 0.55/0.71 = 0.7746\) 이므로 \(0.71 \times (0.7746 - 0.5) = 0.71 \times 0.2746 = 0.195\) 로 양변이 맞는다.
(3) 동점인 쌍의 비중은 \(0.29\) 다. 그것이 모두 \(X\) 쪽으로 갈리면 \(\theta = 0.55 + 0.29 = 0.84\), 모두 \(Y\) 쪽으로 갈리면 \(\theta = 0.55\) 다. 곧
이고, 동점 보정값 \(\theta^{*} = 0.695\) 는 정확히 그 중점이다. 반씩 나눈다는 정의가 하는 일이 이것이다.
여기서 손실이 보인다. 동점인 쌍은 어느 쪽도 이기지 못하고 귀무값 \(\tfrac12\) 에 묶여 있다. 그래서 (2) 의 등식대로 신호 \(\lvert \theta^{*} - \tfrac12 \rvert\) 가 \(1 - P(=) = 0.71\) 배로 줄어든다(\(0.2746 \to 0.195\)).
분산도 줄지만 덜 줄어든다. 동점 보정 분산은 같은 값끼리 모인 동점 묶음의 크기를 \(t_k\), \(N = n_1 + n_2\) 라 할 때
이다. \(n_1 = n_2 = n\) 이면 범주별 도수가 \((0.7n,\ 0.6n,\ 0.7n)\) 이므로 \(\sum_k t_k^3 \approx (0.343 + 0.216 + 0.343) n^3 = 0.902 n^3\) 이고 \(N(N-1) \approx 4n^2\) 이라 대괄호가 \(2n - 0.2255n = 1.7745n\) 이 된다. 동점이 없을 때의 \(2n\) 과 견주면 표준편차는 \(\sqrt{1.7745/2} = 0.942\) 배다. 따라서
로, 같은 검정력을 얻으려면 표본을 \(1/0.754^2 = 1.76\) 배 모아야 한다. 신호는 동점 비율만큼 깎이는데 잡음은 그만큼 깎이지 않는다 — 이것이 리커트 척도 자료에서 순위검정이 약해지는 이치다.
연습문제 8. "정리하며"는 만–휘트니가 두 분포의 모양이 같다고 가정하며 그래야 결과를 "중앙값의 차이"로 읽을 수 있다고 했다. 모양이 다르면 그 번역이 거짓이 된다는 것을 반례로 보이자.
\(Y \sim U(0, 1)\) 이고, \(X\) 는 확률 \(1/2\) 로 \(U(0.45,\, 0.50)\) 에서, 확률 \(1/2\) 로 \(U(0.50,\, 1)\) 에서 뽑는 혼합분포다.
(1) 두 분포의 중앙값이 모두 \(0.5\) 임을 확인하시오.
(2) \(X\) 의 값이 \([0,1]\) 안에 있음을 이용해 보기 1 의 조건부 적분으로 \(\theta = P(X > Y) = \mathbb{E}[X]\) 임을 보이고, \(\theta\) 를 계산하시오.
(3) \(n_1 = n_2 = 100\) 에서 보기 1 의 귀무 정규근사(중심 \(5000\), \(\operatorname{SD} = 409.27\))로 \(\mathbb{E}[U_1]\) 에 해당하는 \(z\) 를 구하고, \(\Phi(\lvert z \rvert - 1.96)\) 으로 기각 확률을 근사하시오. 이 자료에서 만–휘트니의 결론을 "중앙값이 다르다"로 옮기면 왜 거짓인가.
(4) 보기 1 의 두 지수분포는 왜 이런 반례가 될 수 없는가. \(\theta\) 로부터 두 중앙값의 비를 복원해 보고, 쪽에 적힌 이론 중앙값 \(1.3863\), \(2.0794\) 와 맞는지 확인하시오.
풀이
(1) \(X\) 의 분포함수는 \(0.5\) 에서
이다(첫 성분은 \(0.5\) 이하에 전부 들어가고 둘째 성분은 전부 밖에 있다). \(F_X\) 가 \([0.45, 1]\) 에서 연속이고 증가하므로 중앙값은 유일하게 \(0.5\) 다. \(Y\) 는 \(F_Y(0.5) = 0.5\) 로 중앙값이 \(0.5\) 다. 두 중앙값이 글자 그대로 같다.
(2) 보기 1 과 같이 \(X\) 로 조건을 걸어 적분한다. \(Y \sim U(0,1)\) 이므로 \(0 \le x \le 1\) 에서 \(P(Y < x) = F_Y(x) = x\) 이고, \(X\) 는 \([0.45, 1] \subset [0,1]\) 에만 값을 가지므로
이다. 균등분포의 평균은 양 끝의 중점이므로
곧 \(\theta = 0.6125\) 다.
(3) \(\mathbb{E}[U_1] = n_1 n_2 \theta = 10\,000 \times 0.6125 = 6125\) 이므로
이다. 집단당 \(100\) 이면 약 \(79\%\) 의 확률로 기각한다(귀무 표준편차를 쓴 근사다). 중앙값이 완전히 같은 두 분포를 만–휘트니가 거의 확실히 "다르다"고 판정한다. 검정이 본 것은 중앙값이 아니라 \(\theta = 0.6125\) 다. \(X\) 는 \(0.5\) 아래쪽 질량을 \([0.45, 0.50]\) 이라는 좁은 구간에 몰아 두었기 때문에, 무작위로 맞붙이면 중앙값이 같아도 \(X\) 가 이길 확률이 \(0.5\) 를 넘는다. 그러므로 결론은 "\(\theta \ne 1/2\)" 까지만 말할 수 있다. 참고로 \(\mathbb{E}[X] = 0.6125 \ne 0.5 = \mathbb{E}[Y]\) 이므로 "위치가 다르다"는 느슨한 말은 틀리지 않지만, "중앙값이 다르다"로 옮기면 거짓이다.
(4) 지수분포 둘은 척도족(scale family) — 척도모수만 다르고 꼴은 같은 분포들의 모임 — 이라 모양이 같다. 보기 1 에서 \(\theta = s_1/(s_1 + s_2)\) 였으므로 이를 뒤집으면
이고, 중앙값이 \(\text{med}_i = s_i \ln 2\) 로 척도에 비례하므로
이다. 쪽에 적힌 이론 중앙값으로 확인하면 \(2.0794/1.3863 = 1.5\) 로 맞는다. 곧 모양이 같은 집안에서는 \(\theta\) 가 중앙값의 비를 하나로 정하고, \(\theta \ne 1/2\) 와 "중앙값이 다르다"가 동치가 된다. (3) 의 반례는 그 집안을 벗어났기 때문에 번역이 깨진 것이다.
연습문제 9. 2절의 그림을 만든 모의에서 세 모집단은 모두 표준편차가 \(1\) 이도록 맞추어져 있고(지수는 척도 \(1\), \(t_3\) 는 \(\sqrt{3}\) 으로 나눈 것), 둘째 집단만 \(\delta = 0.80\) 만큼 평행이동했다. 그러므로 \(t\) 검정이 보는 효과크기는 세 경우 모두 \(d = 0.80\) 으로 같고, 실제로 \(t\) 검정의 검정력은 \(0.792\), \(0.788\), \(0.832\) 로 거의 같다. 그런데 순위검정의 검정력은 \(0.764\), \(0.939\), \(0.945\) 로 크게 다르다. 순위검정이 보는 효과크기 \(\theta\) 를 직접 계산해 그 까닭을 찾자.
(1) 정규: \(X \sim N(0,1)\), \(Y \sim N(\delta, 1)\) 이 독립이면 \(\theta = P(X > Y) = \Phi(-\delta/\sqrt{2})\) 임을 보이고 \(\delta = 0.80\) 에서 값을 구하시오.
(2) 지수: \(X \sim \text{Exp}(1)\) 이고 \(Y = \delta + \text{Exp}(1)\) 이면 보기 1 의 조건부 적분으로 \(\theta = \tfrac12 e^{-\delta}\) 임을 보이고 값을 구하시오.
(3) 두 경우의 \(\lvert \theta - 1/2 \rvert\) 를 견주시오. 이어서 \(n_1 = n_2 = 25\) 에서 \(\mathbb{E}[U_1]\) 과 귀무 정규근사의 \(z\) 를 각각 구하고 \(\Phi(\lvert z \rvert - 1.96)\) 으로 순위검정의 검정력을 예측하여 그림의 \(0.764\), \(0.939\) 와 견주시오. 예측이 조금씩 낮게 나오는 까닭도 쓰시오.
풀이
(1) \(X\) 와 \(Y\) 가 독립인 정규이므로 \(X - Y \sim N(-\delta,\, 1 + 1) = N(-\delta, 2)\) 다. 따라서
이고, \(\delta = 0.80\) 이면 \(\delta/\sqrt{2} = 0.5657\) 이므로 \(\theta = \Phi(-0.5657) = 0.2858\) 이다.
(2) \(Y = \delta + Y'\), \(Y' \sim \text{Exp}(1)\) 로 쓰고 \(Y'\) 로 조건을 걸어 적분한다. \(P(X > \delta + y) = e^{-(\delta + y)}\) 이므로
이고, \(\delta = 0.80\) 이면 \(\theta = e^{-0.8}/2 = 0.4493/2 = 0.2247\) 이다.
(3) 이탈을 견준다.
| 모집단 | \(\theta\) | \(\lvert \theta - 1/2 \rvert\) |
|---|---|---|
| 정규 | \(0.2858\) | \(0.2142\) |
| 지수 | \(0.2247\) | \(0.2753\) |
같은 \(d = 0.80\) 인데 순위검정이 보는 신호는 지수에서 \(0.2753/0.2142 = 1.29\) 배 크다. 이제 검정력을 예측한다. \(n_1 n_2 = 625\) 이고 귀무가설 아래
이다. 대립가설 아래의 중심은 \(625\theta\) 이므로
이고 검정력 예측은
이다. 그림의 \(0.764\) 와 \(0.939\) 에 각각 \(0.03\) 미만으로 다가가고, 두 예측의 비 \(0.916/0.738 = 1.24\) 가 그림에 적힌 \(1.19\) 를 잘 잡는다.
예측이 조금씩 낮은 데는 두 까닭이 있다. 첫째, 분모에 귀무가설 아래의 표준편차를 썼다. 두 분포가 실제로 벌어져 있으면 \(U_1\) 이 \(0\) 쪽으로 쏠려 분산이 줄어들므로 실제 산포는 \(51.54\) 보다 작고 검정력은 더 높다. 둘째, \(\Phi(\lvert z \rvert - 1.96)\) 은 반대쪽 꼬리에서 기각되는 몫을 버린 근사다.
해석. 표준편차를 \(1\) 로 맞추어도 그 \(1\) 을 만드는 방식이 다르다. 지수분포의 표준편차는 긴 오른쪽 꼬리가 만든 것이고, 질량 자체는 \(0\) 근처에 몰려 있다. 그 몰린 자리를 \(0.80\) 만큼 옮기면 두 표본의 순위가 깔끔하게 갈린다. 순위검정은 꼬리의 크기를 보지 않으므로 그 이득을 온전히 가져간다. 반면 \(t\) 검정은 꼬리가 부풀린 표준편차로 이동을 나누므로 같은 이동이 묻힌다. 2절이 "긴 꼬리가 \(\bar{X}\) 를 끌고 다녀 신호 대비 잡음이 나빠진다"고 한 말이 \(\theta\) 의 수로 드러난 것이다.
연습문제 10. ARE 가 "\(n \to \infty\)" 의 양이라는 사실이 연습문제 4 의 첫 항목과 부딪친다. 그 자리를 정리하자.
(1) 지수 모집단에서 이동 \(\delta = 0.80\) 을 고정하고 \(n\) 을 키우면 두 검정의 검정력이 모두 \(1\) 로 가고, 따라서 검정력의 비도 \(1\) 로 간다(연습문제 6(3)). 고정된 대립가설로는 두 검정의 효율을 견줄 수 없는 까닭을 이로써 설명하고, ARE 를 \(\delta_n = c/\sqrt{n}\) 인 국소대립에서 정의하는 이유를 쓰시오.
(2) \(n_1 = n_2 = n\) 이고 \(\kappa = \lim_{\delta \to 0} \lvert \theta(\delta) - 1/2 \rvert / \delta\) 라 하자. 귀무 표준편차 \(\operatorname{SD}(U_1) = \sqrt{n_1 n_2 (n_1 + n_2 + 1)/12}\) 를 써서 순위검정의 비중심모수가
임을 보이고, 같은 국소대립에서 \(t\) 검정의 비중심모수가 \(c/\sqrt{2}\) 임을 확인하시오.
(3) 연습문제 9 의 두 \(\theta(\delta)\) 로 \(\kappa\) 를 구하여, 정규에서는 ARE \(= 3/\pi\) 가 되어 쪽의 값이 재현되고 지수 위치족에서는 ARE \(= 3\) 이 됨을 보이시오.
(4) 연습문제 4 의 첫 항목은 "\(n\) 이 크면 중심극한정리가 모수적 검정을 타당하게 만들고, 모수적 검정이 더 강력하다"고 했다. (3) 에 비추어 이 주장의 어디까지가 참인가. 또 그림의 \(n = 25\) 에서 \(t\) 검정이 순위검정의 검정력 \(0.939\) 에 이르려면 집단당 \(n\) 이 얼마여야 하는지 연습문제 6 의 식으로 구해(\(t_{0.975,\,76} = 1.9917\)) ARE 가 약속하는 \(1/3\) 과 견주시오.
풀이
(1) 검정력은 \([0,1]\) 에 갇힌 수다. \(\delta\) 를 고정하고 \(n\) 을 키우면 두 검정이 모두 \(1\) 로 포화하므로 검정력의 비는 자동으로 \(1\) 로 간다. 차이가 사라진 것이 아니라 척도가 포화한 것이다. 두 검정의 효율 차이를 끝까지 보이게 하려면 \(n\) 이 커지는 만큼 대립가설을 귀무가설로 끌어당겨 검정력을 중간값에 묶어 두어야 한다. 비중심모수가 \(\delta \sqrt{n}\) 꼴이므로 그 척도는 \(\delta_n = c/\sqrt{n}\) 이다(3장의 \(\sqrt{n}\) 척도와 같은 자리다). 이렇게 두면 두 검정력이 모두 \(0\) 과 \(1\) 사이의 한 값으로 수렴하고, 둘의 격차가 극한에서도 남는다.
(2) 먼저 표준편차다. \(n_1 = n_2 = n\) 이면
이다. 신호는 \(\kappa\) 의 정의에서 \(\lvert \theta(\delta_n) - 1/2 \rvert = \delta_n\{\kappa + o(1)\}\) 이므로
이고, 둘을 나누면 \(\sqrt{6}\, c\, \kappa\) 가 남는다. \(t\) 검정 쪽은 \(\sigma = 1\) 이므로 연습문제 6 의 식에서 비중심모수가
로, \(n\) 과 무관한 상수다. 두 비중심모수의 비가 극한에서 살아남고, ARE 는 그 비의 제곱이다(비중심모수가 \(\sqrt{n}\) 에 비례하므로 표본크기로 환산하면 제곱이 된다).
(3) 정규는 \(\theta(\delta) = \Phi(-\delta/\sqrt{2})\) 이므로
이고, 비는
로 쪽에 적힌 값이 그대로 나온다. 지수는 \(\theta(\delta) = \tfrac12 e^{-\delta}\) 이므로
이고
이다. 알려진 일반식 \(\text{ARE} = 12\sigma^2 \left(\int f^2\right)^2\) 로도 맞춰진다. 정규는 \(\int f^2 = 1/(2\sqrt{\pi})\) 라 \(12 \times 1/(4\pi) = 3/\pi\), \(\text{Exp}(1)\) 은 \(\int_0^\infty e^{-2x} dx = 1/2\) 라 \(12 \times 1/4 = 3\) 이다.
(4) 참인 절반: 중심극한정리는 \(t\) 검정의 유의수준을 회복시킨다. 지수처럼 치우친 모집단에서도 \(n\) 이 커지면 실제 1종 오류율이 약속한 \(0.05\) 로 돌아온다. 2절에서 세 경우의 실제 크기가 \(0.043\)–\(0.054\) 였던 것이 그 증거다.
틀린 절반: 중심극한정리는 검정력의 우위까지 돌려주지 않는다. ARE 는 \(n \to \infty\) 의 양인데 지수 위치족에서 \(3\) 이므로, 표본이 커질수록 순위검정의 우위는 사라지는 것이 아니라 오히려 확정된다. "\(n\) 이 크면 모수적 검정이 더 강력하다"는 말은 모집단이 정규에 가까워 ARE 가 \(1\) 보다 작을 때의 이야기다. 바르게 고치면 "\(n\) 이 크면 \(t\) 검정을 쓸 수는 있다"가 된다. 쓸 수 있다는 것과 더 낫다는 것은 다른 말이다.
수치: \(\Phi(x) = 0.939\) 를 주는 \(x = 1.5464\) 이므로
이다. \(t\) 검정은 집단당 약 \(39\) 명이 필요하고 순위검정은 \(25\) 명으로 같은 일을 한다. 표본크기 비는 \(25/39.1 = 0.64\) 로, ARE 가 약속하는 \(1/3\) 보다 훨씬 \(1\) 에 가깝다. \(\delta = 0.80\), \(n = 25\) 는 국소대립과 거리가 멀기 때문이다(국소라면 \(\delta \approx c/5\) 처럼 작아야 한다). ARE 는 극한의 약속이고, 유한표본에서는 그 약속의 일부만 실현된다 — 그림의 \(1.19\) 배와 ARE 의 \(3\) 배 사이의 거리가 바로 그 몫이다.
정리하며¶
비모수 방법은 분포를 가정하지 않는 세 번째 길이다.
| 모수적 | 비모수 대안 |
|---|---|
| 이표본 \(t\) | 만–휘트니 \(U\) |
| 분산분석 | 크러스컬–월리스 |
| 대응 \(t\) | 윌콕슨 부호순위 |
| 피어슨 \(r\) | 스피어만 \(\rho\) |
- 순위로 바꾸는 것이 공통 수법이다. 값 대신 순서만 쓰므로 이상치와 분포 모양에 로버스트하다.
- 가정이 없는 것은 아니다. 만–휘트니는 두 분포의 모양이 같다고 가정하며, 그래야 결과를 "중앙값의 차이"로 읽을 수 있다.
- 검정력의 대가는 작다. 정규 자료에서도 \(t\) 검정 대비 점근상대효율이 \(3/\pi\approx0.955\) 로, 손해가 \(5\%\) 에 못 미친다. 비정규 자료에서는 오히려 앞선다.
- 순서형 자료에는 이쪽이 옳다. 2장에서 본 대로 순서형에 평균을 쓰면 부호화가 답을 바꾼다.
- 16장에서 자세히 다룬다.
다음 절 \(t\) 검정과 분산분석에서의 정규성으로 넘어간다. 두 검정이 요구하는 정규성의 형태가 서로 다르다는 데서 시작한다.