부트스트랩기법 (Bootstrap Method)
쉽게 풀면
통계량의 정확도를 알고 싶을 때, 이론적인 공식이 복잡하거나 없을 수 있습니다. 부트스트랩은 가지고 있는 표본 하나에서 같은 크기의 표본을 복원추출로 수천 번 다시 뽑아 그때마다 통계량을 계산하고, 그 결과들이 흩어진 정도를 보고 오차의 크기를 가늠하는 방법입니다. 컴퓨터 연산력을 활용해 복잡한 통계량의 신뢰구간도 비교적 쉽게 구할 수 있습니다.
왜 중요한가
실제 데이터에서는 표본분포를 이론적으로 유도하기 어려운 통계량(예: 매개효과, 중앙값 비율, 복잡한 회귀계수 조합)을 다루는 경우가 많아, 정규성 등 이론적 가정에 기대지 않고도 표준오차와 신뢰구간을 구할 수 있는 부트스트랩기법이 널리 활용됩니다. 특히 사회과학·경제학처럼 표본 크기가 제한적이고 분포 가정이 불확실한 분야에서, 결과의 강건성을 보여주는 표준적인 절차로 자리 잡았습니다. 계산 자원이 저렴해지면서 대규모 반복 재표집이 논문 심사 과정에서 사실상 관행처럼 요구되는 경우도 늘고 있습니다.
논문에서는 이렇게 쓰입니다
표본을 반복적으로 재추출하는 시뮬레이션을 통해 통계적 유의성을 검증했다는 뜻이다.
이론적 표준오차 공식이 이분산성 등의 가정을 위배할 우려가 있을 때, 재표집을 통해 이러한 가정에 덜 의존하는 방식으로 오차를 추정했다는 뜻이다.
단일 검증셋에서 산출한 성능 지표 하나만으로는 그 변동성을 알 수 없기 때문에, 재표집을 반복해 지표의 분포를 경험적으로 확인했다는 뜻이다.
조금 더 깊게 보면
부트스트랩에는 원표본을 그대로 복원추출하는 비모수적(nonparametric) 방식과, 모형을 먼저 적합한 뒤 잔차나 분포 가정을 활용해 재표집하는 모수적(parametric) 방식이 있으며, 논문의 맥락에 따라 어느 쪽을 썼는지 명시하는 경우가 많습니다. 신뢰구간을 구하는 방법도 단순 백분위수(percentile) 방식 외에 편향과 왜도를 보정하는 BCa(bias-corrected and accelerated) 방식 등 여러 변형이 있어, 결과의 정확도에 영향을 줄 수 있습니다. 또한 반복 횟수가 지나치게 적으면 추정치가 불안정해질 수 있어, 일반적으로 충분히 큰 반복 횟수를 사용했는지도 함께 확인할 필요가 있습니다.
주의할 점
원표본 자체가 모집단을 잘 대표하지 못하면 부트스트랩으로도 이 근본적인 편향은 해결되지 않는다.