부트스트랩 신뢰구간 (Bootstrap Confidence Interval)
쉽게 풀면
주머니에서 공을 100개 꺼내 평균 무게를 쟀는데, 이 하나의 표본만으로 "진짜 모집단 평균이 어느 범위에 있을지" 알고 싶습니다. 전통적인 방법은 "데이터가 정규분포를 따른다"는 가정을 걸고 공식을 이용해 구간을 계산합니다. 그런데 만약 데이터가 한쪽으로 치우쳐 있거나 표본이 작아서 그 가정이 의심스럽다면 어떻게 할까요? 부트스트랩 신뢰구간은 이럴 때 쓰는 방법입니다. 가지고 있는 100개의 데이터를 "모집단인 것처럼" 취급하고, 여기서 100개를 중복을 허용해 다시 뽑는 것(복원추출)을 예를 들어 1만 번 반복합니다. 매번 뽑을 때마다 평균을 하나씩 계산하면, 1만 개의 "가상의 평균값" 목록이 생깁니다. 이 1만 개를 크기 순으로 줄 세운 뒤 아래쪽 2.5%와 위쪽 2.5% 지점을 잘라내면, 그 사이가 95% 신뢰구간이 됩니다. 이렇게 극단 백분위를 그대로 자르는 방식을 "백분위법(percentile method)"이라 하고, 여기에 표본 분포의 치우침과 편향을 추가로 보정한 더 정교한 방식을 "BCa법(bias-corrected and accelerated)"이라고 부릅니다.
왜 중요한가
실제 연구 데이터는 정규분포를 깔끔하게 따르지 않는 경우가 많고, 중앙값이나 비율의 비, 회귀계수처럼 이론적인 표준오차 공식이 없거나 계산이 까다로운 통계량도 흔합니다. 부트스트랩 신뢰구간은 이런 상황에서도 분포 가정 없이 신뢰구간을 구할 수 있게 해주기 때문에, 소규모 표본이나 비대칭 분포를 다루는 심리학·생물통계·경제학 논문에서 널리 채택됩니다. 또한 결과의 재현성과 강건성을 보여주는 보조 지표로도 자주 함께 보고되어, 심사자들이 통계적 추론의 신뢰성을 판단하는 근거로 삼는 경우가 많습니다.
논문에서는 이렇게 쓰입니다
이 문장은 데이터의 분포 가정에 의존하지 않고, 실제 표본을 반복 재표본하여 얻은 분포로부터 신뢰구간을 계산했다는 뜻입니다. 표본 분포가 비대칭적이거나 이론적 공식이 없는 복잡한 통계량(중앙값 차이, 상관계수 등)에 특히 유용합니다.
매개분석(mediation analysis)에서는 간접효과의 표집분포가 정규분포를 따르지 않는 경우가 많아, 신뢰구간이 0을 포함하는지 여부로 유의성을 판단하는 부트스트랩 방식이 전통적인 검정보다 널리 권장됩니다.
생태학이나 환경과학 논문에서는 현장 조사 표본 수가 제한적인 경우가 많아, 지수형 통계량의 불확실성을 시각적으로 나타낼 때 부트스트랩 신뢰구간이 오차막대의 형태로 자주 활용됩니다.
조금 더 깊게 보면
부트스트랩 신뢰구간을 구하는 방식에는 몇 가지 변형이 있습니다. 가장 단순한 백분위법 외에, 표본평균에서 부트스트랩 분포의 편차를 뺀 뒤 백분위를 적용하는 피벗법(basic method), 그리고 편향과 비대칭성(가속도)을 함께 보정하는 BCa법이 대표적입니다. 일반적으로 BCa법이 편향된 표본 분포에서 더 정확한 구간을 제공한다고 알려져 있어 통계 소프트웨어에서도 기본 옵션으로 채택되는 경우가 많습니다. 실제 논문을 읽을 때는 어떤 방식을 썼는지, 재표본 횟수가 몇 회였는지를 함께 확인하면 결과의 안정성을 가늠하는 데 도움이 됩니다.
주의할 점
부트스트랩은 "원본 표본이 모집단을 잘 대표한다"는 전제 위에서 작동하므로, 원본 표본 자체가 편향되어 있거나 극히 작으면(예: n=5) 신뢰구간도 함께 왜곡됩니다. 또한 재표본 횟수가 너무 적으면(수백 회 미만) 신뢰구간이 불안정해질 수 있어 보통 1,000회 이상을 권장합니다. 백분위법은 계산이 단순하지만 표본 분포가 치우쳐 있을 때 편향될 수 있어, 이런 경우 BCa법이 더 정확하다고 알려져 있습니다. 재표본 자체의 원리는 부트스트랩 항목을, 정규분포 가정에 기반한 전통적 방식은 유의확률 계산과 비교해 보면 이해에 도움이 됩니다.