사후예측분포 (Posterior Predictive Distribution)

한 줄 정의: 관측된 자료와 사후분포를 함께 반영하여, 아직 관측되지 않은 새로운 자료가 어떤 값을 가질지에 대한 확률분포.

쉽게 풀면

사후분포가 '모수가 어떤 값일지'에 대한 확률적 결론이라면, 사후예측분포는 그 모수의 불확실성까지 모두 반영하여 '다음에 관측될 새로운 데이터는 어떤 값일지'를 예측하는 분포다. 모수 하나로 고정해서 예측하는 것이 아니라, 모수가 가질 수 있는 모든 값의 가능성을 가중 평균하여 예측하기 때문에 모수의 불확실성이 예측의 불확실성에도 자연스럽게 반영된다. 이는 새로운 관측치에 대한 예측구간을 만들거나 모형의 적합도를 점검하는 데 활용된다.

왜 중요한가

사후예측분포는 베이지안 추론의 최종 결과물을 실제 예측이나 의사결정으로 연결하는 다리 역할을 한다. 모수 자체의 값보다 미래 관측치나 아직 보지 못한 데이터가 어떤 범위에 있을지를 알고 싶은 응용 연구(수요 예측, 임상시험 설계, 시계열 예측 등)에서 핵심적으로 쓰이며, 모수의 불확실성을 예측에 자연스럽게 반영한다는 점에서 빈도주의적 점추정 예측과 구분되는 베이지안 접근의 강점으로 자주 언급된다. 또한 사후예측점검의 이론적 기반이 되기도 한다.

논문에서는 이렇게 쓰입니다

"사후예측분포를 이용하여 관측되지 않은 미래 시점의 값을 예측하고 예측구간을 산출하였다."

베이지안 모형에서 미래 관측치를 예측하거나, 실제 자료와 모형이 생성한 자료를 비교하는 모형 적합도 점검(posterior predictive check)에 사용된다.

"임상시험 중간분석에서 사후예측분포를 활용하여 시험 종료 시점의 최종 결과를 사전에 예측함으로써 조기 종료 여부를 판단하였다."

임상시험이 아직 끝나지 않은 시점에서, 지금까지 모은 자료를 바탕으로 시험이 끝났을 때 나올 법한 결과를 미리 가늠해 시험을 계속할지 결정하는 데 사후예측분포가 쓰였다는 뜻이다.

"베이지안 시계열모형의 사후예측분포로부터 향후 12개월간의 수요를 예측하고, 그 예측구간의 폭을 통해 예측 불확실성을 함께 제시하였다."

단순히 미래 수요의 점 예측값만 제시하는 것이 아니라, 그 예측이 얼마나 불확실한지를 구간의 형태로 함께 보여주었다는 의미다.

조금 더 깊게 보면

사후예측분포는 수학적으로 모수의 사후분포에 대해 새로운 관측치의 조건부 확률을 적분(가중 평균)하여 얻어지며, 이 적분은 대부분 해석적으로 풀리지 않아 실무에서는 사후분포에서 표집한 모수 값마다 새로운 데이터를 하나씩 생성하는 몬테카를로 방식으로 근사한다. 이렇게 생성된 표본들의 분포에서 특정 분위수를 뽑으면 예측구간을 구할 수 있으며, 이 과정은 깁스 표집과 같은 MCMC 기법과 함께 수행되는 경우가 많다.

주의할 점

사후예측분포는 사전분포와 모형 설정에 의존하므로, 모형 자체가 잘못되었다면 예측 역시 체계적으로 왜곡될 수 있다.