신용구간 (Credible Interval)
쉽게 풀면
"이 신약의 효과가 5%에서 15% 사이일 확률이 95%다"라고 직관적으로 말하고 싶을 때 쓰는 것이 신용구간입니다. 사실 전통적인 신뢰구간은 이렇게 해석하면 안 됩니다(신뢰구간은 "이 구간을 만드는 절차를 반복했을 때 95%가 참값을 포함한다"는 뜻이지, "참값이 이 구간에 있을 확률이 95%"라는 뜻이 아닙니다).
하지만 베이지안 추론에서는 모수 자체를 확률분포(사후분포)로 다루기 때문에, "이 구간 안에 모수가 있을 확률이 95%다"라는 직관적인 문장이 수학적으로도 정확히 성립합니다. 이렇게 사후분포에서 확률 95%를 차지하는 구간을 잘라낸 것이 신용구간입니다.
왜 중요한가
베이지안 통계가 심리학, 생태학, 임상연구 등 다양한 분야에서 빈도주의 통계의 대안으로 널리 쓰이면서, 신용구간은 사후분포의 불확실성을 요약해 전달하는 핵심 도구로 자리잡았습니다.
신뢰구간과 달리 "모수가 이 구간에 있을 확률이 95%다"라고 직관적으로 해석할 수 있어, 정책 결정이나 임상적 판단처럼 확률적 해석이 직접 필요한 상황에서 특히 선호됩니다.
또한 계층모형이나 복잡한 사전분포를 사용하는 현대 베이지안 분석에서는 사후분포 자체가 비대칭적인 경우가 많아, 신용구간이 신뢰구간보다 더 자연스러운 불확실성 요약 수단으로 여겨집니다.
핵심 정리
신용구간(credible interval)은 사후분포에서 확률의 95%(또는 지정한 수준)를 담는 구간입니다. 베이즈 추론에서는 모수를 확률변수로 다루므로 “모수가 이 구간 안에 있을 확률이 95%”라고 그대로 말할 수 있습니다.
- 등꼬리구간(equal-tailed interval): 사후분포의 양쪽 꼬리를 각각 2.5%씩 잘라 낸 구간입니다. 사후 분위수만 구하면 되므로 계산이 간단합니다.
- 최고사후밀도구간(HPD, highest posterior density interval): 같은 확률(예: 95%)을 담는 구간 중 가장 짧은 구간입니다. 구간 안의 모든 점이 구간 밖의 어떤 점보다 사후밀도가 높습니다. 사후분포가 비대칭이면 등꼬리구간과 달라집니다.
- 사후분포는 사전분포와 자료가 함께 만든 것이므로, 신용구간은 사전분포의 선택에 영향을 받습니다. 자료가 많아지면 사전분포의 영향은 줄어듭니다.
- 95%라는 수준은 관례일 뿐입니다. 논문에 따라 89%, 90%, 94% 등을 쓰기도 하므로 수준을 반드시 확인합니다.
예시로 보기
(가상의 예) 어떤 시술을 받은 20명 중 14명이 성공했다고 합시다. 성공률 θ에 균등 사전분포 Beta(1, 1)을 두면 사후분포는 Beta(15, 7)이 됩니다.
| 구간 | 하한 | 상한 | 읽는 법 |
|---|---|---|---|
| 95% 등꼬리 신용구간 | 0.478 | 0.854 | θ가 이 안에 있을 사후확률이 95% |
| 95% HPD 신용구간 | 0.491 | 0.864 | 같은 95% 중 가장 짧은 구간(비대칭이라 등꼬리와 다름) |
| 참고: 95% Wald 신뢰구간 | 0.499 | 0.901 | 표본비율 .70 ± 1.96×표준오차. 해석은 “절차의 95%” |
같은 사후분포에서 “성공률이 .5보다 클 확률”도 바로 구할 수 있어 P(θ > .5) ≈ 0.961입니다. 신뢰구간에서는 이런 문장을 쓸 수 없습니다. (직접 계산한 값이며, 사전분포를 바꾸면 구간도 바뀝니다.)
자주 하는 오해
- “신용구간은 신뢰구간의 다른 이름이다”: 두 구간은 수치가 비슷하게 나오는 경우가 있어도 확률의 대상이 다릅니다. 신용구간은 모수에 대한 확률(사후분포)이고, 신뢰구간은 구간을 만드는 절차를 반복했을 때의 적중 비율입니다.
- “사전분포 없이 구한다”: 신용구간은 반드시 사전분포가 있어야 계산됩니다. 사전분포와 민감도 분석을 논문에서 밝혀야 합니다.
- “구간에 0이 없으면 효과가 있다”: 0을 포함하지 않는다는 사실만으로 효과의 크기나 실질적 의미를 말할 수는 없습니다. Kruschke(2015)는 “실질적으로 같다고 볼 구간(ROPE)”을 따로 정해 신용구간과 견주는 방법을 제안했습니다.
- “MCMC로 얻은 구간이면 믿어도 된다”: 표본추출이 수렴하지 않았다면 구간도 틀립니다. 수렴 진단(R̂, 유효표본크기 등)을 함께 확인합니다.
논문에서는 이렇게 쓰입니다
실제 논문에서
이 용어를 직접 쓴 국내 논문 문장을 아직 수집하지 못했습니다. 수집되는 대로 출처와 함께 싣겠습니다.
예시 문장
아래는 용어의 쓰임을 보여 주려고 만든 예시로, 실제 논문에서 가져온 문장이 아닙니다.
이 문장은 "베이지안 모형에서 얻은 사후분포를 근거로, 처치효과가 0.12에서 0.48 사이에 있을 확률이 95%이며, 이 구간에 0이 없으므로 효과가 존재한다고 결론지었다"는 뜻입니다. 빈도주의 논문의 p-value·신뢰구간 보고 방식과 대응되는 베이지안식 보고 방법입니다.
계층모형에서도 특정 모수의 불확실성을 신용구간(HPDI 형태)으로 요약해, 추정치가 얼마나 안정적인지를 함께 보여준다는 뜻입니다.
구간이 0을 포함하는 경우, 효과의 방향성을 확신할 수 없다는 결론으로 이어진다는 점을 보여줍니다.
조금 더 깊게 보면
신용구간을 만드는 방법에는 여러 가지가 있는데, 사후분포에서 양쪽 꼬리를 동일한 확률로 잘라내는 등확률구간(equal-tailed interval)과, 확률밀도가 가장 높은 구간을 잡는 최고사후밀도구간(Highest Posterior Density Interval, HPDI)이 대표적입니다.
사후분포가 좌우대칭이면 두 방법의 결과가 비슷하지만, 비대칭이거나 다봉형(multimodal)인 경우에는 서로 다른 구간이 나올 수 있어 논문에서 어떤 방식을 썼는지 확인하는 것이 중요합니다.
아울러 신용구간은 사전분포와 사후분포 계산에 쓰인 표본추출(MCMC 등) 방법의 수렴 여부에도 영향을 받으므로, 함께 보고된 수렴 진단 지표를 같이 살펴보는 것이 바람직합니다.
주의할 점
신용구간은 사전분포의 선택에 따라 달라질 수 있습니다. 특히 켤레사전분포처럼 계산이 편리하다는 이유만으로 사전분포를 고르면, 사전분포가 결과를 지나치게 좌우하지 않았는지 사후예측점검 등으로 확인해야 결과를 온전히 신뢰할 수 있습니다.
헷갈리기 쉬운 용어
이름과 모양은 비슷하지만 “확률이 무엇에 대한 것인가”가 다릅니다.
| 용어 | 확률의 대상 | 구간이 말하는 것 |
|---|---|---|
| 신용구간 | 모수(사후분포) | “모수가 이 구간에 있을 확률이 95%”. 사전분포가 필요 |
| 신뢰구간 | 구간을 만드는 절차 | “같은 방법을 반복하면 구간의 95%가 참값을 포함”. 이미 만든 한 구간에는 확률을 붙이지 않음 |
| 등꼬리구간 / HPD | 모수(사후분포) | 신용구간을 만드는 두 가지 방식. HPD가 더 짧고 비대칭 분포에서 차이가 남 |
베이즈 추론의 전체 틀은 베이즈 추론 문서에서 볼 수 있습니다.
참고 문헌
- Gelman, A., Carlin, J. B., Stern, H. S., Dunson, D. B., Vehtari, A., & Rubin, D. B. (2013). Bayesian Data Analysis (3rd ed.). CRC Press.
- Kruschke, J. K. (2015). Doing Bayesian Data Analysis: A Tutorial with R, JAGS, and Stan (2nd ed.). Academic Press.
- Hoekstra, R., Morey, R. D., Rouder, J. N., & Wagenmakers, E.-J. (2014). Robust misinterpretation of confidence intervals. Psychonomic Bulletin & Review, 21(5), 1157–1164.
- Chen, M.-H., & Shao, Q.-M. (1999). Monte Carlo estimation of Bayesian credible and HPD intervals. Journal of Computational and Graphical Statistics, 8(1), 69–92.
표의 기준값은 위 문헌에 근거한 관례이며, 분야·학술지마다 다른 기준을 쓸 수 있습니다.