ÃÑ 327ÆäÀÌÁö
266ÆäÀÌÁö º»¹®½ÃÀÛ
¥±. À§ÇèºÐ¼®ÀÇ Åë°èÀû ÀÌ·Ð
4.5.6Bayesian¸ðÀǽÇÇèÀÇ¿¹
Bayesian Ã߷км® ´ë½Å¿¡ ¸ðÀǽÇÇèÀ» ¼öÇàÇÒ ¼ö ÀÖ´Ù. ¸ðÀǽÇÇè ¸ðÇüÀº ±¸ÃàÇϱâ
¿ëÀÌÇÏ°í ´Ù¼Ò Á÷°üÀûÀÌ´Ù. ¿¹¸¦ µé¾î ¾Õ Àý¿¡¼ Bayesian Ãß·Ð °è»êÀ» À§ÇÏ¿© ¿¹
(Ç¥4-9)·Î ¼³¸íÇÑ ¸ðÇüÀº Ç¥ 4-10¿¡ Á¦½ÃÇÑ ¸ðÇüÀ¸·Î ´ëÄ¡ÇÒ ¼ö ÀÖ´Ù. »çÈĺÐÆ÷ÀÎ B8¼¿ÀÇ
°á°ú´Â °á°ú¸¦ ¼ö¿ëÇÒ °ÍÀÎÁöÀÇ ¿©ºÎ¸¦ °áÁ¤ÇÑ´Ù. ¸¸ÀÏ 1µÎ ÀÌ»óÀÇ µ¿¹°ÀÌ °Ë»ç
¾ç¼ºÀ̶ó¸é °á°ú´Â ±â°¢µÇ°í ¿À·ùÀÎ NA()°¡ Ãâ·ÂµÈ´Ù. ¸¸ÀÏ ¹Ýº¹½ÇÇèÀ» ÃæºÐÈ÷ ¸¹ÀÌ
¼öÇàÇÑ´Ù¸é ¼ö¿ëÇÒ ¼ö ÀÖ´Â °á°ú°¡ Ãâ·ÂµÇ¾î ºÐÆ÷¸¦ ÀÛ¼ºÇÒ ¼ö ÀÖ°Ô µÈ´Ù. ÁÖ¿ä ´ÜÁ¡Àº
È®·üÀû »ç°Ç¹ß»ýÀÌ ³·Àº °æ¿ì ¹«¼öÈ÷ ¸¹Àº ¹Ýº¹½ÇÇèÀÌ ¿ä±¸µÈ´Ù´Â Á¡ÀÌ´Ù. ±×·¯³ª »ó´çÈ÷
ºü¸¥ ÄÄÇ»Å͸¦ »ç¿ëÇÏ¸é ¸ðÀǽÇÇèµÈ °á°ú°¡ ±Ã±ØÀûÀ¸·Î °è»êµÈ °á°ú¿¡ ¼ö·ÅÇϱ⠶§¹®¿¡
°è»êÇÏ´Â ¹æ¹ý ¸øÁö ¾Ê°Ô ¸ðÀǽÇÇèµµ ÃæºÐÈ÷ °¡´ÉÇÏ´Ù. ±×¸² 4-9a¿Í informed prior¿¡
´ëÇÑ ¸ðÀǽÃÇè °á°úºÐÆ÷¿Í ºñ±³ÇÑ °ÍÀÌ´Ù. ÀÌ °æ¿ì Bayesian ¸ðÀǽÇÇè¿¡ ´ëÇÑ »çÈĺÐÆ÷´Â
10,000ȸ ¹Ýº¹ÇÑ °á°ú´Ù. Uninformed priorÀÇ °æ¿ì, ÃÑ ¹Ýº¹ Áß 228ȸ (¾à 2%)¸¸ÀÌ
¼ö¿ëÇÒ ¼ö ÀÖ´Â °ÍÀ¸·Î ³ªÅ¸³ ¹Ý¸é, informed priorÀÇ °æ¿ì 1658ȸ (¾à 17%)°¡
¼ö¿ëµÇ¾ú´Ù. °è»ê¹ý°ú ¸ðÀǽÇÇè °£¿¡ ¾à°£ÀÇ Â÷ÀÌ°¡ ÀÖÁö¸¸ Å« Â÷ÀÌ´Â ¾Æ´Ï´Ù.
Ç¥ 4-10 Bayesian ¸ðÀǽÇÇè ½ºÇÁ·¡µå½¬Æ® ¸ðÇü
A
B
ÅõÀÔº¯¼ö: M=°è±ºÅ©±â, n=Ç¥º»Å©±â, D=°è±º¿¡¼ °¨¿°µÈ ¼ö¼ö
1
Se=°Ë»çÀÇ ¹Î°¨µµ, Sp=°Ë»çÀÇ Æ¯À̵µ
Uninformed
ɤÉèɵ???????ÉåÉÞÉóÉÉæÉõÉ
2 »çÀüºÐÆ÷: °è±ºM¿¡¼ °¨¿°µÈ ¼ö¼öD
Informed
ɤÉèÉ°???ÉåÉÞÉôÉÞÉÕÉóÉÞÉôÉÞÉÙÉóÉÞÉôÉÕÉæ
¿ìµµºñ:
3
= ɩɦÉåÉ¢ÉÖÉèÉÞÉóÉÞÉóÉ¢???????Éå?ÉóɤÉîÉÉæÉæ
a) ¼±¹ßµÈ n±º¿¡¼ °¨¿°µÈ ¼ö¼ö
4 b) °Ë»ç¾ç¼ºÀÎ °¨¿°µÈ ¼ö¼ö
= ɩɦÉåÉ¢É×ÉèÉÞÉóÉÞÉóÉ¢???????ÉåÉ¢É×Éóɳ?ÉæÉæ
5 c) ±º¿¡¼ °¨¿°µÇÁö ¾ÊÀº ¼ö¼ö
= ?ÉçÉ¢É×
6 d) °Ë»ç¾ç¼ºÀÓ °¨¿°µÇÁö ¾ÊÀº ¼ö¼ö
= ɩɦÉåÉ¢ÉÙÉèÉÞÉóÉÞÉóÉ¢???????ÉåÉ¢ÉÙÉóÉÕÉçɳ?ÉæÉæ
7 e) °Ë»ç¾ç¼º ¼ö¼ö
= É¢ÉØÉéÉ¢ÉÚ
8 »çÈĺÐÆ÷:
= ɩɦÉåÉ¢ÉÛÉèÉÞÉóɤÉóɮɡÉåÉæÉæ
251
4.5.6Bayesian¸ðÀǽÇÇèÀÇ¿¹
Bayesian Ã߷км® ´ë½Å¿¡ ¸ðÀǽÇÇèÀ» ¼öÇàÇÒ ¼ö ÀÖ´Ù. ¸ðÀǽÇÇè ¸ðÇüÀº ±¸ÃàÇϱâ
¿ëÀÌÇÏ°í ´Ù¼Ò Á÷°üÀûÀÌ´Ù. ¿¹¸¦ µé¾î ¾Õ Àý¿¡¼ Bayesian Ãß·Ð °è»êÀ» À§ÇÏ¿© ¿¹
(Ç¥4-9)·Î ¼³¸íÇÑ ¸ðÇüÀº Ç¥ 4-10¿¡ Á¦½ÃÇÑ ¸ðÇüÀ¸·Î ´ëÄ¡ÇÒ ¼ö ÀÖ´Ù. »çÈĺÐÆ÷ÀÎ B8¼¿ÀÇ
°á°ú´Â °á°ú¸¦ ¼ö¿ëÇÒ °ÍÀÎÁöÀÇ ¿©ºÎ¸¦ °áÁ¤ÇÑ´Ù. ¸¸ÀÏ 1µÎ ÀÌ»óÀÇ µ¿¹°ÀÌ °Ë»ç
¾ç¼ºÀ̶ó¸é °á°ú´Â ±â°¢µÇ°í ¿À·ùÀÎ NA()°¡ Ãâ·ÂµÈ´Ù. ¸¸ÀÏ ¹Ýº¹½ÇÇèÀ» ÃæºÐÈ÷ ¸¹ÀÌ
¼öÇàÇÑ´Ù¸é ¼ö¿ëÇÒ ¼ö ÀÖ´Â °á°ú°¡ Ãâ·ÂµÇ¾î ºÐÆ÷¸¦ ÀÛ¼ºÇÒ ¼ö ÀÖ°Ô µÈ´Ù. ÁÖ¿ä ´ÜÁ¡Àº
È®·üÀû »ç°Ç¹ß»ýÀÌ ³·Àº °æ¿ì ¹«¼öÈ÷ ¸¹Àº ¹Ýº¹½ÇÇèÀÌ ¿ä±¸µÈ´Ù´Â Á¡ÀÌ´Ù. ±×·¯³ª »ó´çÈ÷
ºü¸¥ ÄÄÇ»Å͸¦ »ç¿ëÇÏ¸é ¸ðÀǽÇÇèµÈ °á°ú°¡ ±Ã±ØÀûÀ¸·Î °è»êµÈ °á°ú¿¡ ¼ö·ÅÇϱ⠶§¹®¿¡
°è»êÇÏ´Â ¹æ¹ý ¸øÁö ¾Ê°Ô ¸ðÀǽÇÇèµµ ÃæºÐÈ÷ °¡´ÉÇÏ´Ù. ±×¸² 4-9a¿Í informed prior¿¡
´ëÇÑ ¸ðÀǽÃÇè °á°úºÐÆ÷¿Í ºñ±³ÇÑ °ÍÀÌ´Ù. ÀÌ °æ¿ì Bayesian ¸ðÀǽÇÇè¿¡ ´ëÇÑ »çÈĺÐÆ÷´Â
10,000ȸ ¹Ýº¹ÇÑ °á°ú´Ù. Uninformed priorÀÇ °æ¿ì, ÃÑ ¹Ýº¹ Áß 228ȸ (¾à 2%)¸¸ÀÌ
¼ö¿ëÇÒ ¼ö ÀÖ´Â °ÍÀ¸·Î ³ªÅ¸³ ¹Ý¸é, informed priorÀÇ °æ¿ì 1658ȸ (¾à 17%)°¡
¼ö¿ëµÇ¾ú´Ù. °è»ê¹ý°ú ¸ðÀǽÇÇè °£¿¡ ¾à°£ÀÇ Â÷ÀÌ°¡ ÀÖÁö¸¸ Å« Â÷ÀÌ´Â ¾Æ´Ï´Ù.
Ç¥ 4-10 Bayesian ¸ðÀǽÇÇè ½ºÇÁ·¡µå½¬Æ® ¸ðÇü
A
B
ÅõÀÔº¯¼ö: M=°è±ºÅ©±â, n=Ç¥º»Å©±â, D=°è±º¿¡¼ °¨¿°µÈ ¼ö¼ö
1
Se=°Ë»çÀÇ ¹Î°¨µµ, Sp=°Ë»çÀÇ Æ¯À̵µ
Uninformed
ɤÉèɵ???????ÉåÉÞÉóÉÉæÉõÉ
2 »çÀüºÐÆ÷: °è±ºM¿¡¼ °¨¿°µÈ ¼ö¼öD
Informed
ɤÉèÉ°???ÉåÉÞÉôÉÞÉÕÉóÉÞÉôÉÞÉÙÉóÉÞÉôÉÕÉæ
¿ìµµºñ:
3
= ɩɦÉåÉ¢ÉÖÉèÉÞÉóÉÞÉóÉ¢???????Éå?ÉóɤÉîÉÉæÉæ
a) ¼±¹ßµÈ n±º¿¡¼ °¨¿°µÈ ¼ö¼ö
4 b) °Ë»ç¾ç¼ºÀÎ °¨¿°µÈ ¼ö¼ö
= ɩɦÉåÉ¢É×ÉèÉÞÉóÉÞÉóÉ¢???????ÉåÉ¢É×Éóɳ?ÉæÉæ
5 c) ±º¿¡¼ °¨¿°µÇÁö ¾ÊÀº ¼ö¼ö
= ?ÉçÉ¢É×
6 d) °Ë»ç¾ç¼ºÀÓ °¨¿°µÇÁö ¾ÊÀº ¼ö¼ö
= ɩɦÉåÉ¢ÉÙÉèÉÞÉóÉÞÉóÉ¢???????ÉåÉ¢ÉÙÉóÉÕÉçɳ?ÉæÉæ
7 e) °Ë»ç¾ç¼º ¼ö¼ö
= É¢ÉØÉéÉ¢ÉÚ
8 »çÈĺÐÆ÷:
= ɩɦÉåÉ¢ÉÛÉèÉÞÉóɤÉóɮɡÉåÉæÉæ
251
266ÆäÀÌÁö º»¹®³¡
¸Þ´º
ÇöÀç Æ÷Ä¿½ºÀÇ ¾Æ·¡³»¿ëµéÀº µ¿ÀÏÇÑ ÄÁÅÙÃ÷¸¦ °¡Áö°í ÆäÀÌÁö³Ñ±è È¿°ú¹× ½Ã°¢Àû È¿°ú¸¦ Á¦°øÇÏ´Â ÆäÀÌÁöÀ̹ǷΠ½ºÅ©¸°¸®´õ »ç¿ëÀÚ´Â ¿©±â±îÁö¸¸ ³¶µ¶ÇϽðí À§ÀÇ ÆäÀÌÁöÀ̵¿ ¸µÅ©¸¦ »ç¿ëÇÏ¿© ´ÙÀ½ÆäÀÌÁö·Î À̵¿ÇϽñ⠹ٶø´Ï´Ù.