마르코프 연쇄 몬테카를로 (Markov Chain Monte Carlo (MCMC))
쉽게 풀면
베이지안 추론에서 사후분포의 정확한 수식을 계산하기 어려울 때, 컴퓨터로 수많은 무작위 표본을 순차적으로 뽑아 그 분포를 흉내 내는 방법이다. 매번 뽑히는 표본이 바로 직전 표본에만 의존한다는 규칙(마르코프 성질)을 이용해 점점 진짜 분포에 가까운 표본들을 얻는다. 복잡한 베이지안 통계모형을 실제로 계산 가능하게 만들어 준 핵심 기술이라 할 수 있다.
왜 중요한가
MCMC는 해석적으로 풀 수 없는 복잡한 베이지안 모형도 계산 가능하게 만들어 준 기술이기 때문에, 통계학뿐 아니라 생물정보학, 계량경제학, 물리학, 머신러닝 등 사후분포 추론이 필요한 거의 모든 분야의 논문에서 표준적인 추정 도구로 자리잡았습니다. 계층모형이나 잠재변수 모형처럼 변수 간 구조가 복잡해질수록 전통적인 방법으로는 사후분포를 다루기 어려워지는데, MCMC는 이런 상황에서도 표본을 반복 추출해 근사적으로 추론을 가능하게 해줍니다. 이 때문에 현대 베이지안 통계 실무에서 MCMC를 빼놓고는 이야기하기 어려울 정도로 핵심적인 위치를 차지합니다.
논문에서는 이렇게 쓰입니다
복잡한 베이지안 모형의 결과값을 직접 계산하는 대신, 반복적인 무작위 표집 시뮬레이션을 통해 근사적으로 얻었다는 뜻이다.
전통적인 방식보다 효율적인 MCMC 변형 알고리즘을 사용했고, 표준적인 수렴 진단 지표를 통해 결과가 안정적으로 수렴했음을 확인했다는 뜻입니다.
조금 더 깊게 보면
MCMC에는 깁스 표집, 메트로폴리스-헤이스팅스, 해밀토니안 몬테카를로 등 여러 알고리즘이 있으며, 최근에는 효율성이 높은 해밀토니안 몬테카를로 계열(특히 No-U-Turn 표집기)이 Stan 같은 소프트웨어를 통해 널리 쓰입니다. 표집이 시작되는 초반 구간은 아직 진짜 분포에 도달하지 못한 상태이므로 번인(burn-in) 구간으로 버리고, 이후 표본만 사용하는 것이 일반적입니다. 체인이 제대로 수렴했는지는 R-hat 통계량이나 여러 체인의 표본을 시각적으로 겹쳐 보는 트레이스 플롯, 유효표본크기 등으로 진단하며, 이러한 진단 절차 없이 결과를 그대로 신뢰해서는 안 됩니다.
주의할 점
체인이 충분히 수렴했는지(안정된 값에 도달했는지) 확인하는 진단 절차가 반드시 필요하며, 수렴하지 않은 결과는 신뢰할 수 없다.