서로 의존할 수 있는 여러 통계량의 증거를 합칠 때는 단순 평균이나 독립 가정을 쓴 보정이 유효성을 잃을 수 있다. 2026년 7월 17일 arXiv에 공개된 프리프린트는 변환된 데이터가 교환가능하다는 성질을 이용해 증거를 집계하고 다시 보정하는 틀을 제안했다. 연구의 근거는 이론 증명과 시뮬레이션이며, 실제 서비스나 임상 결과가 아니다.
단일 배치 방식은 같은 변환 집합으로 표준화와 보정을 수행한다. 연구진은 이 임계값이 복잡한 의존관계에서도 유효한 본페로니 같은 결정론적 보정보다 균일하게 개선된다고 증명한다. 핵심은 각 변환 데이터에서 통계량을 합친 뒤, 그 집계값을 변환들 사이의 순위로 다시 보정해 유한표본 수준을 통제하는 데 있다.
순차 확장은 알파소비 규칙을 사용해 증거가 충분히 강하면 일찍 귀무가설을 기각하면서도 비점근적 수준 통제를 유지한다. 두 배치 확장은 기준 배치와 검정 배치를 나눠 표준화와 보정을 분리한다. 이 구조는 데이터에서 학습한 집계 규칙을 수용하고 계산량을 줄이면서도 검정 배치의 교환가능성을 이용해 유효성을 보존하려는 설계다.
시뮬레이션은 두 표본 평균 이동, 순차 비모수 검정, 컨포멀 예측을 다뤘다. 대표 평균 이동 실험은 표본 크기 m=n=100, 차원 2만, 순열 199회로 설정했고 신호 희소도에 따른 검정력을 비교했다. 별도의 제1종 오류 실험은 m=n=50인 균등분포 표본과 순열 10회를 사용했다. 따라서 결과는 해당 생성 과정과 순열 수에 묶여 있다.
논문은 교환가능한 p값의 산술평균도 일반적으로 초균등하지 않아 그대로 유효한 p값으로 쓸 수 없다고 지적한다. 제안한 단일·두 배치 방식은 이 문제를 순위 보정으로 다루지만, 교환가능성 자체가 깨지는 실제 데이터에는 보장이 그대로 적용되지 않는다. 현재는 동료검토 전 프리프린트이므로 이론 조건의 적합성과 독립 구현의 재현성을 함께 확인해야 한다.
저작권자 © STORIUM 무단전재 및 재배포 금지
