[논문 리뷰] Impact of model choice on LR assessment in case of rare haplotype match (frequentist approach)

Giulia Cereda|arXiv (Cornell University)|2015. 02. 13.

Forensic and Genetic Research참고 문헌 52인용 수 4

한 줄 요약

이 논문은 희귀 Y-STR 히브리드형 일치 문제에서 참조 데이터베이스에 존재하지 않는 일치하는 프로파일을 고려할 때, 우도비(LR)를 추정하기 위한 두 가지 최빈주의 방법—이산 라플라스와 일반화된 굿-터닝—을 제안한다. 이는 모형과 추정 불확실성으로 인해 우도비를 '해당 우도비'로 간주해야 하며, 추정 오차를 명시적으로 측정해야 한다고 강조한다. 일반화된 굿-터닝 방법은 자료 축소를 통해 더 높은 정밀도를 제공하지만 일부 정보 손실을 동반하는 반면, 이산 라플라스 방법은 더 많은 자료를 유지하지만 추정 정밀도가 낮다.

ABSTRACT

The likelihood ratio (LR) measures the relative weight of forensic data regarding two hypotheses. Several levels of uncertainty arise if frequentist methods are chosen for its assessment: the assumed population model only approximates the true one and its parameters are estimated through a database. Moreover, it may be wise to discard part of data, especially that only indirectly related to the hypotheses. Different reductions define different LRs. Therefore, it is more sensible to talk about "a" LR instead of "the" LR, and the error involved in the estimation should be quantified. Two frequentist methods are proposed in the light of these points for the `rare type match problem', that is when a match between the perpetrator's and the suspect's DNA profile, never observed before in the database of reference, is to be evaluated.

연구 동기 및 목표

• 기존 데이터베이스에 존재하지 않는 Y-STR 프로파일에 대해 희귀 히브리드형 일치 문제에서 우도비(LR) 추정의 과제를 해결하기 위해.
• 최빈주의 LR 추정이 다중 수준의 불확실성—모형 선택, 매개변수 추정, 자료 축소—을 고려해야 한다고 주장하기 위해.
• 우도비를 '해당 우도비'로 간주하고 '해당 우도비'로 간주해야 하며, 추정 오차를 명시적으로 측정해야 한다고 주장하기 위해.
• 이산 라플라스와 일반화된 굿-터닝이라는 두 가지 최빈주의 방법 간의 정밀도와 정보 유지 능력 측면에서의 성능을 비교하기 위해.
• 하이브리드 베이지안-최빈주의 접근 방식을 피하고 방법론적 투명성을 확보하는 최빈주의 LR 평가의 일관된 프레임워크를 제공하기 위해.

제안 방법

• 이산 라플라스 방법을 적용하여, 모집단 빈도의 로그 스케일에 라플라스 우선분포를 사용해 희귀 Y-STR 히브리드형의 빈도를 모형화하는 비모수적 최빈주의 접근 방식을 사용한다.
• 일반화된 굿-터닝 추정기법을 사용하여, 데이터베이스 내 빈도의 빈도를 활용해 관측되지 않은 히브리드형의 확률을 추정하는 비모수적 방법을 적용한다.
• 증거를 가설과 관련된 E와 가설과 무관한 B로 분리함으로써 자료 축소를 도입하여 더 집중적인 추정을 가능하게 한다.
• 양측 방법에 대해 시뮬레이션 기반 평가를 통해 평균제곱오차(MSE)를 기반으로 추정된 LR의 추정 오차를 정량화한다.
• 이론적 LR = 1/f가 허용되는 패닝믹틱 인구에서 기준으로 삼아, 두 방법의 정밀도(MSE)와 정보 손실 측면에서 성능을 평가하고 비교한다.
• 작은 데이터베이스와 희귀 히브리드형을 사용한 시뮬레이션 연구를 통해 실제 형사법 조건 하에서 두 방법의 행동을 평가한다.

실험 결과

연구 질문

• RQ1 참조 데이터베이스에 존재하지 않는 일치 프로파일이 있는 희귀 Y-STR 히브리드형 일치 문제에서 우도비는 어떻게 일관되게 추정할 수 있는가?
• RQ2 자료 축소는 최빈주의 우도비 추정의 정밀도와 신뢰성에 어느 정도의 영향을 미치는가?
• RQ3 이산 라플라스와 일반화된 굿-터닝 방법은 추정 오차와 정보 유지 능력 측면에서 어떻게 비교될 수 있는가?
• RQ4 모형 선택과 매개변수 추정에서 여러 불확실성 원인이 존재할 경우, 우도비를 '해당 우도비'로 간주하는 것이 타당한가?
• RQ5 최빈주의 LR 평가에서 다양한 자료 축소 전략을 적용할 때 정밀도와 정보 손실 간의 상충 관계는 어떠한가?

주요 결과

• 특히 자료 축소를 적용한 경우, 일반화된 굿-터닝 방법은 이산 라플라스 방법보다 유의미하게 낮은 추정 오차(로그10 척도 기준)를 기록한다.
• 평균적으로 일반화된 굿-터닝 방법은 이론적 LR = 1/f 대비 약 0.5 정도의 로그10(LR) 강도 손실을 초래하여 검찰 측에 다소 불리한 영향을 미친다.
• 이산 라플라스 방법은 더 많은 자료를 유지하므로 가설 간의 분별력을 유지하지만, 높은 분산으로 인해 추정 정밀도가 낮다.
• 자료 축소는 추정 정밀도를 향상시키지만, 과도한 축소는 정보 손실을 초래하여 검찰과 변호사 측의 가설을 구별하는 능력을 떨어뜨린다.
• 이산 라플라스 방법은 일반화된 굿-터닝 방법과 달리 어떤 실험 결과도 배제할 필요가 없어 더 광범위하게 적용 가능하다. 일반화된 굿-터닝 방법은 N₂ = 0인 121건을 배제하기 때문이다.
• 이 연구는 최적의 방법이 유일하지 않으며, 선택은 정밀도, 정보 유지, 모형 가정의 균형을 고려한 맥락 기반 여야 한다고 결론 내린다.