📊 statistics

Time-Averaged Drift Approximations are Inconsistent for Inference in Drift Diffusion Models

이 논문은 시변 드리프트(time-varying drift)를 갖는 드리프트 확산 모델에서 효율적인 파라미터 추론을 위해 흔히 사용되는 시간 평균 드리프트 근사법(TADA)이 통계적으로 일관되지 않으며, 체계적인 편향과 잘못된 과학적 결론을 초래한다는 것을 입증한다.

원저자: Sicheng Liu, Alexander Fengler, Michael J. Frank, Matthew T. Harrison

게시일 2026-06-09

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Sicheng Liu, Alexander Fengler, Michael J. Frank, Matthew T. Harrison

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

개요: 의사결정을 위한 고장 난 나침반

당신이 한 사람이 어떻게 의사결정을 내리는지 알아내려고 노력하고 있다고 상상해 보세요. 과학자들은 이를 위해 **드리프트 확산 모델(Drift Diffusion Model, DDM)**이라는 수학적 도구를 사용합니다. 이 모델을 안개 낀 계곡을 걷고 있는 등산객이라고 생각하면 쉽습니다.

등산객은 정보를 축적하는 사람의 뇌를 의미합니다.
안개는 그들의 생각 속에 존재하는 노이즈나 무작위성을 의미합니다.
등산객의 속도와 방향(이것을 "드리프트(drift)"라고 합니다)은 그 사람이 옵션 A를 얼마나 선호하느냐 혹은 옵션 B를 얼마나 선호하느냐에 따라 달라집니다.
계곡 양옆의 절벽은 의사결정 경계입니다. 등산객이 절벽에 닿으면 결정을 내리게 됩니다.

많은 현대 실험에서 등산객의 속도는 일정하지 않습니다. 등산객이 어디를 보고 있는지(그들의 "시선")에 따라 매 순간 변합니다. 만약 옵션 A를 본다면 그쪽으로 더 빠르게 움직이고, 옵션 B를 본다면 속도가 느려지거나 반대 방향으로 움직입니다. 이것을 **주의력 기반 드리프트 확산 모델(Attentional Drift Diffusion Model, aDDM)**이라고 부릅니다.

문제점: 거짓말을 하는 "지름길"

시선에 따라 속도가 끊임없이 변할 때 등산객이 정확히 어떻게 움직이는지 계산하는 것은 컴퓨터에게 매우 어렵고 느린 작업입니다. 이는 마치 교통 신호에 따라 매 초마다 속도가 변하는 자동차의 정확한 경로를 계산하면서, 동시에 모든 도로의 요철까지 고려해야 하는 것과 같습니다.

수학을 더 쉽게 만들기 위해 많은 연구자가 **시간 평균 드리프트 근사법(Time-Averaged Drift Approximation, TADA)**이라는 지름길을 사용합니다.

비유: 당신이 어떤 여행 동안 자동차가 얼마나 빨리 달렸는지 알고 싶다고 가정해 봅시다. 매 초마다 속도계를 확인하는 대신, 단순히 총 이동 거리를 총 시간으로 나눕니다. 그러면 "평균 속도"를 얻게 됩니다.
가정: TADA를 사용하는 연구자들은 끊임없이 변하는 등산객의 속도를 이 하나의 "평균 속도"로 대체하면 수학적 결과가 동일하게 나올 것이라고 가정합니다. 그들은 이렇게 생각합니다. "이 평균 속도를 사용하면, 간단하고 빠른 공식을 통해 등산객의 진짜 선호도를 알아낼 수 있을 거야."

논문의 발견: 지름길은 고장 났다

이 논문의 저자들(Liu, Fengler, Frank, Harrison)은 이 지름길이 근본적으로 잘못되었다는 것을 증명했습니다.

그들은 "평균 속도"(TADA)를 사용하여 등산객의 진짜 선호도를 추측하는 것이 틀린 답을 낳으며, 데이터를 더 많이 수집할수록 그 틀린 답에 대한 확신만 더 커진다는 것을 보여주었습니다.

저자들이 이를 증명한 세 가지 주요 방식은 다음과 같습니다.

1. "시간 여행"의 역설

이 논문은 TADA가 수학적으로 올바르게 정의되는 것이 불가능하다고 설명합니다.

비유: TADA를 사용하여 등산객의 "평균 속도"를 계산하려면, 여행이 끝나기도 전에 여행이 얼마나 걸릴지를 미리 알아야 합니다.
실제: "평균 속도"는 등산객이 절벽에 닿는 정확한 순간(의사결정 시간)에 따라 달라집니다. 그런데 의사결정 시간은 바로 당신이 예측하려고 하는 대상입니다!
결과: 이 지름길은 현재(속도)를 계산하기 위해 미래(의사결정 시간)의 정보에 의존하기 때문에, "유령" 모델을 만들어냅니다. 이것은 뇌가 어떻게 작동하는지에 대한 실제 설명이 아니라, 수학적인 환상일 뿐입니다.

2. "항상 너무 높게 측정되는" 편향

저자들은 간단한 수학적 증명과 컴퓨터 시뮬레이션을 통해 이 지름길을 사용할 때 어떤 일이 발생하는지 보여주었습니다.

비유: 당신이 미스터리 박스의 실제 무게를 맞추려고 한다고 가정해 봅시다. 그런데 당신은 항상 실제보다 5파운드를 더 높게 표시하는 고장 난 저울을 사용하고 있습니다.
- 박스가 10파운드라면, 저울은 15파운드라고 표시합니다.
- 박스가 100파운드라면, 저울은 105파운드라고 표시합니다.
- 박스를 몇 번을 다시 달아보더라도, 저울은 결코 진실에 가까워지지 않습니다. 이는 "일관성이 없는" 것입니다.
결과: 이 논문은 TADA가 "드리프트"의 강도를 항상 과대평가한다는 것을 증명합니다. 어떤 사람이 적당한 선호도를 가지고 있다면, TADA는 그 사람이 매우 강한 선호도를 가진 것처럼 말할 것입니다. TADA는 효과의 크기에 대해 체계적으로 거짓말을 합니다.

3. 과학적 테스트에서의 "잘못된 승자"

이것이 가장 위험한 부분입니다. 저자들은 이 고장 난 지름길이 어떤 집단이 다른지를 판단할 때 과학자들이 잘못된 결론을 내리게 만들 수 있음을 보여주었습니다.

비유: 당신이 앨리스(Alice)와 밥(Bob) 중 누가 더 빠른지 비교하고 있다고 상상해 보세요.
- 앨리스는 약간의 오르막길이 있는 트랙에서 달립니다.
- 밥은 평지 트랙에서 달립니다.
- 당신은 오르막에서는 느려지고 평지에서는 빨라지는 고장 난 스톱워치(TADA)를 사용합니다.
- 설령 앨리스가 실제로 더 빠르더라도, 당신의 고장 난 스톱워치는 달리기 능력 때문이 아니라 트랙 상태 때문에 밥이 더 빠르다고 말할 수도 있습니다.
결과: 저자들은 서로 다른 주의력 스타일을 가진 두 집단을 시뮬레이션했습니다. 표준적이고 올바른 수학을 사용했을 때는 올바른 차이를 찾아냈습니다. 하지만 TADA 지름길을 사용했을 때는 결과가 너무 왜곡되어, 오히려 반대되는 집단이 더 강하다고 결론지었습니다. 존재하지 않는 차이에 대해 "통계적 유의성"을 찾아내거나, 실제 차이를 놓쳐버린 것입니다.

해결책: 지름길을 사용하지 마라

이 논문은 TADA가 빠르고 쉽긴 하지만, 과학 연구에는 안전하지 않다고 결론짓습니다. 이는 편향된 결과를 초래하며 잘못된 결론을 내리게 합니다.

지름길을 사용하는 대신, 저자들은 별도의 논문에서 개발한 새롭고 수학적으로 올바른 빠른 방법(efpt)을 제시합니다.

비유: 고장 난 "평균 속도" 저울을 사용하는 대신, 그들은 복잡하게 변하는 등산객의 속도를 혼란 없이 처리할 수 있는 새로운 하이테크 저울을 만들었습니다. 이 저울은 지름길만큼 빠르면서도 진짜 정답을 알려줍니다.

요약

도구: 과학자들은 주의력이 의사결정에 어떤 영향을 미치는지 이해하기 위해 모델을 사용합니다.
실수: 많은 이들이 수학을 쉽게 만들기 위해 "시간 평균" 지름길(TADA)을 사용합니다.
발견: 이 지름길은 수학적으로 일관성이 없습니다. 이는 진실에 수렴하지 않습니다. 지속적으로 효과를 과대평가하며, 과학적 테스트의 결과를 뒤바꿔서, 실제로는 차이가 없는데도 한 집단이 다르다고 보이게 하거나 그 반대의 경우를 만듭니다.
조언: TADA 사용을 중단하십시오. 대신 저자들이 개발한 정확하고 빠른 방법(예: efpt)을 사용하여 올바른 답을 얻으십시오.

기술 요약: 시간 평균 드리프트 근사법(TADA)은 드리프트 확산 모델(DDM)의 추론에 있어 일관성이 없다

문제 정의
드리프트 확산 모델(DDM)은 의사결정 과업에서의 증거 축적을 모델링하는 데 널리 사용된다. 일정한 드리프트 매개변수를 갖는 표준 DDM은 닫힌 형태(closed-form)의 우도 해를 허용하지만, 특히 주의력 드리프트 확산 모델(aDDM)과 같은 많은 확장 모델들은 드리프트율이 (시간에 따라) 변동할 뿐만 아니라 (시행마다) 변동하는 특성을 가진다. aDDM에서 드리프트 함수 $\mu(t)$ 는 참가자의 순간적인 시각적 고정 궤적에 의존한다.

이러한 모델의 우도를 평가하는 것은 계산적으로 매우 까다로운데, 이는 드리프트 함수가 매 시행마다 고유하기 때문에 시행 간에 계산을 공유할 수 없기 때문이다. 이를 회피하기 위해 연구자들은 흔히 **시간 평균 드리프트 근사법(TADA)**을 사용한다. TADA는 변화하는 드리프트 $\mu(t)$ 를 시행 지속 시간 $\tau$ 동안의 시간 평균으로 대체하여 모델을 단순화하며, 이를 통해 문제를 일정한 "유효" 드리프트를 갖는 표준 DDM으로 변환한다. 이러한 근사는 분석적인 우도 공식을 사용할 수 있게 하여 빠른 매개변수 추론을 가능하게 한다. 그러나 TADA가 진정한 aDDM에 대한 유효한 대리 모델인지, 특히 그 추정량의 일관성 측면에서 그러한지는 엄밀하게 입증된 바 없다.

연구 방법론
저자들은 TADA의 통계적 특성을 평가하기 위해 수학적 분석과 수치 시뮬레이션의 결합을 활용한다.

불일치성에 대한 수학적 증명:
저자들은 단순화된 반례를 구성한다: 조각별로 일정한 드리프트(시간 $t \in [0, T]$ 동안 드리프트 $\mu$ , 그 이후에는 0)를 갖는 브라운 운동이 일방향 상단 경계에 도달하는 경우이다.

저자들은 이 과정의 정확한 첫 통과 시간 밀도(FPTD)인 $f_{aDDM}(\tau; \mu)$ 를 유도한다.
저자들은 TADA에 의해 함의되는 FPTD인 $f_{TADA}(\tau; \mu)$ 를 유도하며, 이는 평균 드리프트 $\alpha(\mu, \tau, T) = \frac{1}{\tau}\int_0^\tau \mu(t) dt$ 에 의존한다.
저자들은 $f_{TADA}$ 가 유효한 확률 밀도 함수가 아님을(적분값이 1이 되지 않음) 보여준다. 이는 "유효" 드리프트가 정지 시간 $\tau$ 자체에 의존하여, 생성 모델의 정의를 위반하는 순환 의존성을 만들기 때문이다.
강대수의 법칙을 사용하여, TADA 최대 우도 추정량( $\hat{\mu}_{TADA}$ )이 실제 드리프트 $\mu$ 보다 엄격히 큰 값 $\tilde{\mu}$ (구체적으로 $\tilde{\mu} > \max\{\mu, b/T\}$ )로 거의 확실하게 수렴함을 증명함으로써 통계적 불일치를 확립한다.

수치 시뮬레이션:
저자들은 세 가지 수치 실험을 통해 이론적 발견을 검증한다:

일방향 경계: 조각별로 일정한 드리프트 모델을 시뮬레이션하여, $\hat{\mu}_{TADA}$ 가 실제 $\mu$ 가 아닌 편향된 이론적 한계값으로 수렴하는 반면, 표준 최대 우도 추정량(MLE)은 일관성을 유지함을 확인한다.
양방향 경계: 두 경계 사이에서 드리프트가 교차하는 DDM을 시뮬레이션한다. 병렬 연구(Liu et al., 2025)에서 개발된 새로운 효율적 알고리즘(efpt)을 사용하여 정확한 우도를 계산함으로써, TADA가 드리프트 매개변수의 크기를 체계적으로 과대평가함을 보여준다.
전체 aDDM: 시선 의존적 드리프트를 갖는 전체 주의력 모델을 시뮬레이션한다. 주의력 할인 매개변수 $\eta$ ( $\eta=1$ 은 주의력 효과 없음, $\eta=0$ 은 최대 효과를 의미)를 추정한다. 샘플 크기가 변화함에 따라 TADA 추정치와 정확한 MLE를 비교한다.

주요 결과

통계적 불일치: TADA 추정량은 수학적으로 불일치함이 증명되었다. 샘플 크기 $n \to \infty$ 일 때, 추정량은 실제 매개변수 값으로 수렴하지 않고 편향된 한계값으로 수렴한다.
체계적 편향: 수치 예시에서 TADA는 드리프트 크기를 지속적으로 과대평가하고 주의력 할인 매개변수 $\eta$ 를 체계적으로 과소평가한다. 예를 들어, 실제 $\eta$ 가 낮을 때(주의력 효과가 강할 때), TADA 추정치는 물리적으로 의미가 없는 음수 값을 가질 수 있다.
가설 검정에서의 실패: TADA에 의해 도입된 편향은 균일하지 않다. 이는 섭잡음 매개변수(예: 경계 간격, 드리프트 척도) 및 공변량 분포에 의존한다. 결과적으로, 서로 다른 섭잡음 매개변수를 가진 두 집단을 비교할 때, TADA는 질적으로 잘못된 결론을 내릴 수 있음을 저자들은 보여준다. 저자들은 TADA가 주의력 효과의 차이 부호를 잘못 역전시켜, 우도비 검정에서 위양성 또는 위음성을 초래하는 시나리오를 제시한다.
정확한 방법의 유효성: 이와 대조적으로, efpt 알고리즘을 사용하여 계산된 표준 MLE는 모든 테스트 시나리오에서 일관성을 유지하며 실제 매개변수를 정확하게 회복한다.

의의 및 주장
본 논문은 TADA의 광범위한 사용이 과학적 결론을 왜곡할 위험이 크다고 주장한다. 저자들은 TADA가 잘 정의된 생성 모델을 정의하지 못하기 때문에(드리프트가 미래의 정지 시간에 의존함), 그 우도 함수는 유효하지 않으며 추정량은 근본적으로 결함이 있다고 주장한다.

이 연구의 의의는 다음과 같다:

흔한 관행의 교정: TADA가 aDDM에 대한 유효한 근사라는 가정을 반박하며, 이 근사에 의존했던 기존 연구들이 편향된 매개변수 추정치를 보고했을 수 있음을 시사한다.
질적 위험 강조: 편향이 단순히 양적인 문제가 아니라, 집단 간 차이에 대한 과학적 결론의 방향을 바꿀 수 있음을 입증한다.
엄격한 대안 장려: 저자들은 계산적으로 편리하지만 통계적으로 일관성이 없는 근사법 대신, 수학적으로 정당화되고 빠른 우도 계산 방법(예: efpt 알고리즘)의 사용을 권장하며, TADA를 통해 얻은 기존 결과들을 재검토할 것을 권고한다.

저자들은 자신의 발견의 범위에 대해 신중한 태도를 유지하며, 본 분석이 TADA의 일관성을 무효화하더라도 이전 연구의 모든 질적 결론을 무효화하는 것은 아니지만, 그 신뢰성에 심각한 우려를 제기한다는 점을 명시한다. 그들은 불일치가 특히 "유효" 매개변수가 첫 통과 시간 자체에 의존할 때 발생하며, 이는 시간 의존적 DDM에서 흔히 나타나는 조건임을 강조한다.