프로젝트 소개
본 과제는 유전자·영상·금융 등에서 여러 가설을 동시에 검정할 때, 가설들 사이의 연관성을 반영해 더 정확한 결과를 얻는 통계방법을 개발하는 연구임.
연구 목표는 다중검정에서 false discovery rate (FDR)을 FDR 이하로 조절하면서, 가정되던 독립성과 정규성 같은 강한 분포 가정을 완화하고 hidden Markov random field (HMRF) 기반 및 data-adaptive 추정을 구현하는 데 있음. 핵심 내용은 Markov chain, 이차원 lattice(Ising model), 비정형 graph(tree)로 구조를 1차원→2차원→비정형으로 확장하며 전이확률 추정·준모수적 분포 추정과 다중검정 절차를 통합하는 알고리즘 개발임. 기대 효과는 robust하고 활용 범위가 넓은 다중검정 절차 제공으로 fMRI·SNS network 등 고차원 자료 분석 성능 향상임.