붓스트랩재표본법 (Bootstrap Resampling Method)
쉽게 풀면
가진 데이터가 한 줌뿐인데 그 데이터가 얼마나 믿을 만한지 알고 싶을 때, 그 한 줌의 데이터에서 중복을 허용해 계속 다시 뽑아보는 것을 상상하면 됩니다. 마치 주머니 속 공들을 하나 뽑고 다시 넣은 후 또 뽑는 것을 반복하는 것처럼, 원래 표본에서 같은 크기의 새로운 표본을 여러 번 뽑아 각각의 통계량(평균, 분산 등)을 계산합니다. 이렇게 만들어진 여러 통계량들의 분포를 보면, 원래 표본 하나만으로는 알기 어려운 그 통계량의 신뢰성과 변동 폭을 짐작할 수 있습니다. 이름의 유래처럼 스스로의 힘만으로 정보를 끌어올리는 방식입니다.
왜 중요한가
시뮬레이션 결과나 실측 데이터가 특정 이론적 분포를 따른다고 가정하기 어려운 경우가 많은데, 붓스트랩재표본법은 이런 분포 가정 없이도 통계량의 불확실성을 추정할 수 있어 산업공학의 실증 데이터 분석과 시뮬레이션 출력 분석에서 널리 활용됩니다.
논문에서는 이렇게 쓰입니다
제한된 시뮬레이션 반복 데이터로부터 신뢰구간을 확보하기 위해 활용한 예입니다.
분포 가정 없이 추정치의 변동성을 평가한 예입니다.
조금 더 깊게 보면
기본적인 형태는 원표본과 같은 크기로 복원추출을 반복하여 재표본을 다수 생성하고, 각 재표본에서 관심 통계량을 계산해 그 분포로부터 신뢰구간을 도출하는 방식입니다. 관심 통계량을 계산하는 재표본의 수는 연구마다 다르게 설정되며, 일반적으로 충분히 많은 횟수를 반복해야 안정적인 추정이 가능합니다.
주의할 점
원표본 자체가 모집단을 잘 대표하지 못하면 붓스트랩 결과도 그 편향을 그대로 이어받으며, 데이터 간 상관구조가 있는 경우 단순 복원추출이 이를 왜곡할 수 있어 신중한 적용이 필요합니다.