[논문 리뷰] Bayesian approach to LR assessment in case of rare type match: careful derivation and limits

Giulia Cereda|arXiv (Cornell University)|2015. 02. 09.

Statistical Methods and Inference참고 문헌 44인용 수 4

한 줄 요약

이 논문은 희귀형질일치 문제에서, 즉 피의자의 DNA 프로파일이 범죄 흔적과 일치하지만 참조 데이터베이스에 존재하지 않을 경우, 가능도비(Likelihood Ratio, LR)를 원칙적으로 베이지안 방식으로 계산하는 방법을 제시한다. 계층 모델(베타-이항분포 및 딜리클-다항분포)을 사용하여 전체 베이지안 LR을 유도하며, 포인트 추정을 사용하는 플러그인 방법(Bayesian 추정과 빈도주의 LR을 혼합한 방식)이 특히 전통적 사전분포를 사용할 경우 반경향적(anti-conservative)이고 종종 오해를 낳는다는 점을 보여주고 있다. 주요 기여는 하이브리드 추론을 피하고 일관된 베이지안 프레임워크를 제공함으로써 법의학 평가의 공정성을 향상시키는 것이다.

ABSTRACT

The likelihood ratio (LR) is largely used to evaluate the relative weight of forensic data regarding two hypotheses and for its assessment Bayesian methods are widespread in the forensic field. However, the Bayesian `recipe' for the LR presented in most of literature consists in plugging-in Bayesian estimates of the involved nuisance parameters into a frequentist-defined LR: frequentist and Bayesian methods are thus mixed, giving rise to solutions obtained by hybrid reasoning. This paper provides the derivation of a proper Bayesian approach to assess LR for the `rare type match problem', the situation in which the expert wants to evaluate a match between the profile of a suspect and that of a trace from the crime scene, and this profile has never been observed before in the database of reference. Bayesian LR assessment using the two most popular Bayesian models (beta-binomial and Dirichlet-multinomial) is discussed and compared to corresponding plug-in versions.

연구 동기 및 목표

• 참조 데이터베이스에 존재하지 않는 피의자의 DNA 프로파일과 범죄 흔적 간의 일치를 평가하는 법의학적 과제를 다루는 것.
• 빈도주의와 베이지안 가능도비 정의 간의 차이를 명확히 하여, 베이지안 추정치를 빈도주의 LR 프레임워크에 활용하는 하이브리드 접근 방식의 비일관성을 부각하는 것.
• 불편수치(예: 프로파일 빈도)의 불확실성을 적절한 계층 모델링을 통해 통합하는 완전한 베이지안 가능도비를 도출하고 옹호하는 것.
• 기존 사전분포(예: 균일한 베타/디릴레트 분포)를 사용할 경우, 가능도비 결과가 초모수에 매우 민감하게 반응하여 법의학 평가의 공정성과 신뢰성에 해를 끼친다는 것을 보여주는 것.
• 특히 데이터베이스가 희소하고 상태공간이 큰 Y-STR 분석에서, 수학적으로 편리한 기본 사전분포가 아닌 전문가 지식에 기반한 현실적인 사전분포 사용을 주장하는 것.

제안 방법

• 프로파일 빈도 매개변수 θ의 사후분포에 대해 가능도를 적분하는 방식으로, 점추정치를 삽입하는 방식이 아닌 전체 베이지안 LR을 계층 베이지안 모델을 사용해 유도한다.
• Y-STR 데이터에 대해 베타-이항분포 및 딜리클-다항분포 모델을 적용하여, 참조 데이터베이스 내에서 관측된 허모타입 수와 그 빈도를 모델링한다.
• 불편수치 θ의 마진화를 단순화하기 위해 핵심 보조정리를 사용하여 근사치 없이 정확한 베이지안 LR 계산을 가능하게 한다.
• 전체 베이지안 LR과 플러그인 버전(Bayesian 추정치를 빈도주의 LR에 삽입한 것)을 비교하여, 후자의 체계적인 반경향성(anti-conservatism)을 드러낸다.
• 초모수(예: 딜리클 분포의 α, 베타 분포의 a)에 대한 민감도 분석을 수행하여, 기존 사전분포 하에서 가능도비가 이들 선택에 매우 민감하게 반응함을 보여준다.
• 사전분포는 수학적 편의성보다는 전문가 의견을 반영해야 하며, 특히 Y-STR 응용에서 더 유연하고 조정 가능한 사전분포(예: Cereda, 2015c)를 제안한다.

실험 결과

연구 질문

• RQ1 희귀형질일치 문제에 대해 하이브리드 추론을 피하고 완전한 베이지안 프레임워크에서 가능도비를 올바르게 유도하는 방법은 무엇인가?
• RQ2 베이지안 플러그인 방법—즉, 프로파일 빈도의 베이지안 추정치를 빈도주의 가능도비에 삽입하는 방식—을 사용할 경우, 진정한 베이지안 가능도비와 비교해 어떤 결과를 낳는가?
• RQ3 Y-STR DNA 프로파일 맥락에서 기존 사전분포(예: 균일한 베타 또는 딜리클 분포)의 초모수에 대해 베이지안 가능도비는 얼마나 민감한가?
• RQ4 왜 베타-이항분포 및 딜리클-다항분포 모델이 희귀형질일치 설정에서 유사한 가능도비를 도출하는가? 이는 각 모델이 유지하는 정보에 대해 어떤 시사점을 갖는가?
• RQ5 Y-STR 분석에서 대칭적 비정보성 사전분포(예: α = 1)를 사용할 경우의 영향은 무엇이며, 새로운 허모타입이 관측될 때 가능도비에 어떤 영향을 미치는가?

주요 결과

• 전체 베이지안 가능도비는 플러그인 버전만큼 계산이 어렵지 않으며, 불편수치 θ에 대한 마진화를 단순화하는 핵심 보조정리를 통해 정확한 계산이 가능하다.
• 베이지안 플러그인 방법은 체계적으로 반경향적(anti-conservative)이며, 특히 프로파일이 희귀하고 데이터베이스가 작을 경우 기소 측에 유리하게 가능도비를 과대평가한다.
• 기존의 균일한 사전분포(예: α = 1인 딜리클 분포) 선택은 가능도비가 초모수에 매우 민감하게 반응하여 법의학 평가의 신뢰성과 공정성에 해를 끼친다.
• α = 1인 딜리클-다항분포 모델은 관측된 허모타입 수에만 의존할 뿐 빈도 정보에는 영향을 받지 않으며, 이는 Y-STR 데이터에서는 빈도 정보가 유의미한데 비해 비현실적이다.
• 민감도 분석 결과, 전체 베이지안 가능도비와 플러그인 가능도비 간의 차이는 사전 평균 λ와 관측된 허모타입 수 kobs에 따라 상당히 클 수 있으며, 일부 경우 최대 2 log10 단위까지도 차이가 난다.
• 논문은 법의학 전문가가 계산 복잡도가 증가하더라도 기본 비정보성 사전분포가 아닌 현실적이고 전문가 지식에 기반한 사전분포를 사용해야 하며, 이는 증거 평가의 공정성과 정확성을 확보하기 위함이라고 결론 내린다.