사전 추정(elicitation)은 주관적 및 객관적 베이지안 프레임워크 모두에서 중요한 문제이며, 사전분포는 자료를 관측하기 전에 매개변수에 특정 정보를 부여한다. 가설 검정이나 모형 선택에 비정보적(prior) 사전분포를 사용할 때에는 주의가 필요하다. 비정보적 사전분포는 종종 부적절한(improper) 분포이기 때문에, 두 주변분포(marginal distributions)의 비인 베이즈 팩터(Bayes factor)는 베이즈 팩터 안에 포함된 미지의 상수로 인해 적절히 정의되지 않는다. 데이터 분할(data-splitting) 아이디어를 이용해 조정한 베이즈 팩터로서, 내재적(intrinsic) 베이즈 팩터(intrinsic Bayes factor)는 종종 이러한 비결정성을 회피하기 위한 기본(default) 측도로 사용될 수 있다. 한편, 합리적인(가능하면 적절한) 내재적 사전(intrinsic priors)이 이용 가능하다면, 내재적 베이즈 팩터는 내재적 사전을 사용하여 통상적인 베이즈 팩터를 계산함으로써 근사할 수 있다. 또한, 일반화된 기대 사후 사전(generalized expected posterior prior)에서 영감을 받은 적분 사전(integral prior) 개념은 전통적 베이즈 팩터에서의 불확실성을 완화하는 데 자주 활용된다. 따라서 이 접근법으로부터 도출된 베이즈 팩터는 통상적 베이즈 팩터를 효과적으로 근사할 수 있다. 본 논문에서는 영(0) 과잉(zero inflation) 모수 검정에서, 영 과잉 포아송(zero-inflated Poisson) 분포를 대상으로 하는 기본적인 베이지안 절차를 제시한다. 근사 방법을 사용하여 영 과잉 모수 검정을 위한 내재적 및 적분 사전을 도출한다. 이론적 결과를 입증하기 위해 몬테카를로 시뮬레이션 연구를 수행하고, 본 논문에서 제시한 결과를 뒷받침하기 위해 두 개의 실제 데이터셋을 분석한다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.