Kwangmin Kim - FDA 6.5~6.6 — DTI 다발성 경화증 분류와 무한차원 밀도의 한계

1 두 절의 역할

이 포스트의 범위

절	주제	핵심 도구
6.5	DTI 데이터에 스칼라-on-함수 probit GLM 적용	refund::pfr + binomial(probit), $\widehat{\beta}(t)$ 결합 해석
6.6	무한차원 밀도가 정의되지 않는 이유	측도의 직교성, Brownian motion vs Brownian bridge, small ball probability

6.5 는 Ch.6.1~6.4 의 framework 를 실제 의료 영상 데이터 에 적용하는 사례. 다발성 경화증 환자의 뇌영상에서 corpus callosum (뇌량) 의 FA 프로파일 곡선을 함수 회귀자로 사용해 MS 여부를 분류한다. 추정된 회귀 함수 $\widehat{\beta}(t)$ 의 해석에서 함수 회귀의 결합적 해석 함정 — 한 시점만 분리해 해석하는 것이 왜 잘못인가 — 을 명확히 보여준다.

6.6 은 함수 GLM 의 이론적 근본 — 왜 함수 우도가 정의되지 않는가 — 를 다룬다. 측도의 직교성이라는 무한차원 확률론의 표준 결과가 핵심이며, Brownian motion 과 Brownian bridge 의 비교가 직관적 예시. 이는 Ch.6 전체에서 우도 대신 추정 방정식에 의존해야 하는 이유의 이론적 근거이다.

두 절을 합치면 응용(6.5) 의 실무 통찰 + 이론(6.6) 의 한계 인식 이라는 균형 — 함수 GLM 의 도구가 강력하지만 어디서 깨지는지를 안다.

2 DTI 데이터 배경

2.1 Diffusion Tensor Imaging (DTI)

확산 텐서 영상은 뇌의 미세 구조 — 특히 신경 섬유의 방향성과 일관성 — 을 측정하는 MRI 기법.

부분 비등방성 (FA: fractional anisotropy) — 0 부터 1 까지의 척도. 0 = 완전 등방성 (방향성 없음, 자유 확산), 1 = 완전 이방성 (강한 방향성, 신경 섬유에 따라 확산).
트랙 프로파일 (tract profile) — 한 신경 다발(예: corpus callosum) 의 길이를 따라 측정된 FA 값의 곡선. 함수형 데이터의 자연스러운 예.

2.2 Corpus Callosum 의 의의

Corpus callosum (뇌량) 은 좌우 대뇌 반구를 연결하는 가장 큰 신경 다발. 다발성 경화증 (Multiple Sclerosis, MS) 환자에서 신경 미엘린이 손상되어 트랙의 두께(FA) 가 감소 하는 것으로 알려져 있다.

2.3 분류 문제

refund::DTI 데이터셋의 변수:

$Y_n \in \{0, 1\}$ — MS 여부 (1 = 환자, 0 = 건강한 대조군).
$X_n(t)$ — $n$ 번째 환자의 corpus callosum 트랙트의 FA 프로파일 곡선.
$t \in [0, 1]$ — 트랙트 길이의 정규화된 위치 (0 = 한 끝, 1 = 다른 끝).

2.4 직관: 곡선이 자연스러운 예측 변수

전통적 통계 분석은 트랙트의 평균 FA, 최댓값, 표준편차 같은 요약 통계량 을 회귀자로 사용. 그러나 이 방식은 곡선의 모양 정보를 잃는다.

함수 회귀는 곡선 전체를 예측 변수로 사용 — 어느 위치에서의 FA 가 MS 와 연관되는지를 직접 추정. 이는 의학적으로 더 풍부한 정보를 제공한다.

2.5 비유: 음악의 평균 vs 멜로디

음악의 “음높이 평균” 만으로 그 음악이 어떤 곡인지 알 수 없다. 음표의 시간적 패턴(멜로디) 이 곡의 정체. 마찬가지로 FA 의 “트랙 평균” 만으로 환자/건강한지 알기 어렵고, 트랙 위치별 FA 패턴 이 진단 정보의 핵심.

3 모형: 스칼라-on-함수 Probit GLM

3.1 모형 식

정의: DTI 분류 모형

\[ E[Y_n] = \Phi(\alpha + \langle X_n, \beta \rangle) = \Phi\left(\alpha + \int_0^1 X_n(t) \beta(t) \, dt\right). \]

여기서:

$\Phi$ — 표준 정규 CDF (probit 링크의 역).
$\alpha \in \mathbb{R}$ — 절편.
$\beta: [0, 1] \to \mathbb{R}$ — 회귀 함수, 트랙트 위치별 효과.

링크 함수는 $g = \Phi^{-1}$ (probit). 즉:

\[ \Phi^{-1}(E[Y_n]) = \alpha + \langle X_n, \beta \rangle. \]

3.2 왜 probit 인가

Probit 와 logit 은 이항 GLM 의 두 표준 링크. 점추정 결과는 보통 매우 비슷하지만 차이:

측면	logit	probit
정규(canonical) 링크	O	X
잠재 변수 해석	(logistic 분포)	자연스러움 (가우스 잠재)
추정 방정식	가장 단순	약간 복잡
의학 통계 관행	일반 GLM	epidemiology, biostatistics

DTI 같은 의학 응용에서는 잠재 변수 해석의 자연스러움 (잠재 가우스 = “환자의 잠재 건강 상태”) 으로 probit 를 자주 선택. 6.4 의 시뮬레이션 패턴 (잠재 변수 + 임계화) 과도 일관.

3.3 함수-on-스칼라 GLM 과의 비교

측면	6.4 (함수 반응)	6.5 (DTI: 스칼라 반응)
반응	$Y_n(t)$ 함수	$Y_n \in \{0, 1\}$ 스칼라
모수	함수 $\alpha(t), \beta(t)$	스칼라 $\alpha$ + 함수 $\beta(t)$
R 함수	`pffr`	`pfr`
헬퍼	`ff()`	`lf()`

DTI 에서는 반응이 스칼라 (MS 여부) 이므로 pfr 가 적절. 절편 $\alpha$ 도 스칼라.

4 R 구현

4.1 코드

library(refund)

data(DTI)
Y <- DTI$case      # 0/1 binary (MS 여부)
X <- DTI$cca       # corpus callosum FA 프로파일 (N x M 행렬)
N <- dim(X)[1]
M <- dim(X)[2]
time <- seq(0, 1, length = M)
Xdata <- data.frame(X = X)

# 스칼라-on-함수 probit GLM
dti_fit <- pfr(Y ~ lf(X, argvals = time),
               family = binomial(link = "probit"),
               data = Xdata)

# 회귀 함수 시각화
plot(dti_fit, xlab = "t", ylab = expression(beta(t)),
     main = "DTI: Estimated regression function")

summary(dti_fit)

4.2 핵심 인자 해설

Y ~ lf(X, argvals = time) — lf (linear function) 헬퍼가 함수 회귀자 표시.
family = binomial(link = "probit") — 이항 분포 + probit 링크.
argvals = time — 함수 회귀자의 평가 시점 격자.

pfr 가 자동으로:

$\beta(t)$ 를 P-spline 기저로 전개 (기본 30 개 기저).
거칠기 벌점 추가.
매끄러움 모수를 REML 로 자동 선택.
IRLS (벌점 반복 가중 최소제곱) 으로 추정 방정식 해결.

사용자는 모형 변경만 하면 되고 알고리즘 세부는 패키지가 처리.

5 β̂(t) 의 해석

5.1 전형적 결과 (Figure 6.4)

$\widehat{\beta}(t)$ 의 패턴:

대부분의 $t$ 에서 $\widehat{\beta}(t) < 0$ — 트랙트 대부분 영역에서 음의 값.
트랙트 끝부분(예: $t \approx 0.7$~$0.9$) 에서 두드러진 음의 dip — 가장 강한 음의 효과.
트랙트 양 끝(예: $t \approx 0$ 과 $t \approx 1$) 에서 약간 양의 값.

5.2 직접적 해석 (1차)

음의 회귀 함수의 의미:

\[ \widehat{\beta}(t_0) < 0 \implies \text{$X(t_0)$ 가 클수록 } P(\text{MS}) \text{ 감소}. \]

따라서 트랙트가 두꺼울수록 (FA 가 클수록) MS 확률 감소 — 의학적 직관과 일치 (MS 가 신경 미엘린을 손상시켜 트랙트를 얇게 만듦).

5.3 함정: 한 시점 분리 해석 금지

$\widehat{\beta}(t)$ 의 양의 값 (예: 트랙트 양 끝) 을 보고 “양 끝이 두꺼울수록 MS 확률 증가” 로 해석하는 것은 부정확.

이유:

\[ \eta_n = \alpha + \int X_n(t) \beta(t) \, dt \]

는 모든 $t$ 의 기여의 적분. 한 시점의 효과는 그 시점만의 함수 값이 아니라 전체 적분의 한 기여 항.

5.4 정확한 해석 (2차, 결합적)

$\widehat{\beta}(t)$ 의 양/음 패턴이 의미하는 것:

트랙트 양 끝(양의 $\widehat{\beta}$)과 중간(음의 $\widehat{\beta}$)의 두께 대비 (contrast) 가 MS 와 연관.

즉:

“양 끝이 두껍고 중간이 얇은” 패턴이 MS 와 연관.
또는: “전체적으로 균등한 두께” → 건강.
또는: “양 끝이 얇고 중간이 두꺼운” → 건강.

5.5 직관: 함수 회귀의 결합적 본질

스칼라 회귀에서 $\beta_k$ 는 변수 $x_k$ 의 단독 효과 — 다른 변수를 고정한 채 $x_k$ 만 1 단위 변화시킬 때의 평균 변화. 이는 개별 변수가 의미를 가짐 을 가정한다.

함수 회귀의 $\beta(t)$ 는 단일 함수의 한 점 — 그 점만 분리해 변경하는 것 자체가 무의미. 인접 시점들이 본질적으로 강하게 상관되어 있어 한 점만의 변화는 물리적으로 불가능 (또는 의미가 거의 없음).

따라서 $\beta(t)$ 의 해석은 항상 전체 형태의 패턴 — 어느 영역이 양/음, 그 영역의 폭, 인접 영역과의 대비 — 으로 해야 한다.

5.6 비유: 그림의 색채 구도

피카소의 그림에서 한 픽셀의 색만 보고 그림 전체의 인상을 알 수 없다. 색채의 공간적 구도 — 어느 영역이 어떤 색, 그 영역의 크기, 영역 간의 대비 — 가 그림의 정체.

함수 회귀의 $\widehat{\beta}(t)$ 도 마찬가지 — 한 점이 아니라 전체 곡선의 형태 가 진단 정보.

6 함수 회귀 해석의 일반 원칙

6.1 결합적 해석 가이드

$\widehat{\beta}(t)$ 시각화 후 해석 단계

전체 부호 패턴 파악 — 어느 영역이 양, 어느 영역이 음.
dip 와 peak 의 위치 — 강한 효과가 어느 시점에 집중.
인접 영역과의 대비 — 양/음이 교차하는 패턴이 있는가.
도메인 지식과의 일치 — 추정된 패턴이 알려진 생물학·물리학과 부합하는가.
주의: 한 점만 보지 말 것 — 전체 적분의 기여가 의미.

6.2 시각화 vs 적분의 직관 차이

시각적: β(t) 곡선의 한 점 = 그 점의 개별 효과 (오해)
실제: η = ∫β(t)X(t)dt = 모든 점의 기여의 결합 (정확)

이 차이가 함수 회귀 해석의 가장 흔한 오류 원인. 시각화는 패턴 인식의 도구이며, 해석은 적분의 결합으로 가 일관된 원칙.

6.3 다른 응용에서의 같은 패턴

함수 회귀의 결합적 해석은 DTI 외에도 모든 응용에서 일관:

응용	$X(t)$	결합 해석의 예
가솔린 옥탄가	NIR 스펙트럼	특정 파장 대역의 비율이 옥탄가 결정
RT-PCR	형광 곡선	사이클 초기와 후기의 형광비가 농도 결정
종단 의학	시간별 측정	진행 중간과 시작/끝의 차이가 진단 정보

모든 경우 — 곡선의 형태(상대적 패턴) 가 단일 시점의 절대값보다 중요.

7 무한차원 밀도의 본질적 한계

7.1 가능도 부재의 문제

표준 GLM 의 모든 이론은 반응 변수의 밀도 (가능도) 함수 를 중심으로 전개:

MLE 의 정의: 가능도 최대화.
Fisher 정보 행렬: 로그 가능도의 2차 미분.
Wald·우도비 검정: 가능도의 비율 또는 점근 정규성.
AIC·BIC: 가능도 + 모수 수 페널티.
베이지안 사후분포: 가능도 × 사전분포.

함수 GLM 에서 이 모든 것이 깨진다 — 함수 공간 위의 두 확률 측도가 일반적으로 직교 이므로 한 측도에 대한 다른 측도의 밀도 (라돈-니코딤 도함수) 가 정의되지 않음.

7.2 정의: 측도의 직교성과 등가성

측도의 직교성 (orthogonality) vs 등가성 (equivalence)

두 확률 측도 $P_1, P_2$ 가 측정 가능 공간 $(\Omega, \mathcal{F})$ 위에 있을 때:

직교 (orthogonal): $P_1(A) = 1, P_2(A) = 0$ 인 사건 $A \in \mathcal{F}$ 가 존재.
등가 (equivalent): 모든 $A \in \mathcal{F}$ 에 대해 $P_1(A) = 0 \iff P_2(A) = 0$.

직교이면 두 측도가 본질적으로 다른 sample paths 를 거의 확실히 생성한다. 등가이면 한 측도에 대한 다른 측도의 밀도(라돈-니코딤 도함수) 가 정의된다.

7.3 유한차원에서의 직관

$\mathbb{R}^d$ 위의 두 가우스 분포 $N(\boldsymbol{\mu}_1, \boldsymbol{\Sigma}_1)$ 와 $N(\boldsymbol{\mu}_2, \boldsymbol{\Sigma}_2)$ — $\boldsymbol{\Sigma}_i$ 가 양정치이면:

둘 다 $\mathbb{R}^d$ 전체에서 양의 밀도.
어떤 사건 $A \subseteq \mathbb{R}^d$ 도 양 측도 모두에서 $P_1(A) > 0 \iff P_2(A) > 0$.
두 측도가 등가 — 라돈-니코딤 도함수 (즉 한 분포에 대한 다른 분포의 밀도) 가 잘 정의됨.

이 등가성이 다변량 통계의 가능도 framework 의 토대.

7.4 무한차원에서의 차이

함수 공간의 가우스 측도들은 일반적으로 직교. 다른 공분산을 가진 두 가우스 과정은 본질적으로 다른 sample path 의 클래스를 생성.

7.5 시각적 예시: Brownian motion vs Brownian bridge

표준 Brownian motion $\{W(t): t \in [0, 1]\}$ 와 표준 Brownian bridge $\{B(t): t \in [0, 1]\}$ 를 비교.

$B(t)$ 는 $W(t)$ 로부터 유도: $B(t) \stackrel{D}{=} W(t) - t W(1)$ — “양 끝이 0 으로 묶인 Brownian motion”.
정의상 $B(1) = 0$ a.s. (확률 1).
$W(1) \neq 0$ a.s. (정규 분포 $N(0, 1)$ 이므로 0 일 확률 = 0).

사건 $A = \{f: f(1) = 0\}$ 을 고려:

$P_B(A) = 1$ (Brownian bridge 는 항상 $f(1) = 0$).
$P_W(A) = 0$ (Brownian motion 의 $W(1)$ 이 0 일 확률 = 0).

따라서 두 측도가 직교 — 한 측도에 대한 다른 측도의 밀도 정의 불가.

7.6 직관: 무한차원에서는 “구별 가능한 특징” 이 너무 많다

유한차원에서는 두 분포의 평균이 다르거나 공분산이 다르면 — 어느 점에서나 양의 밀도 — 두 분포는 등가. 무한차원에서는 무한히 많은 시점에서의 동시 평가 가 가능하므로, 특정 동작의 확률이 정확히 0 이거나 1 인 사건이 풍부.

Brownian bridge 의 $f(1) = 0$ 은 무한차원에서만 의미 있는 명확한 분리 — 유한차원이라면 $f(1) = 0$ 은 0 측도 사건이지만, Brownian bridge 의 정의 자체가 이 사건을 거의 확실히 만든다.

7.7 비유: 두 화가의 화풍

피카소와 모네는 같은 캔버스 위에 그림을 그리지만, 그들의 작품 분포는 완전히 분리된 세계 — 피카소가 그린 그림과 모네가 그린 그림은 한 눈에 구별 가능. 어떤 그림도 두 분포 모두에서 양의 확률을 가지지 않음 — 한 화가의 분포에서 나올 확률이 1 이면 다른 화가에서는 0.

함수 분포도 마찬가지 — 다른 공분산 함수를 가진 두 가우스 과정은 본질적으로 다른 “함수 화풍”. 한 화풍의 함수가 다른 화풍의 분포에서 나올 확률 = 0. 두 측도가 직교 — 한 측도에 대한 다른 측도의 밀도가 정의되지 않음.

8 지수 기울이기의 함수 일반화

8.1 시도와 한계

6.1 의 지수 기울이기 (식 6.1) 를 함수 공간 $\mathcal{H}$ 위로 일반화하려 시도:

\[ f(y \mid \theta) = f_0(y) \exp\{\langle \theta, y \rangle - b(\theta)\}, \]

여기서 $y, \theta \in \mathcal{H}$, $b(\theta) = \log \int e^{\langle \theta, y \rangle} f_0(y) \, d\mu(y)$.

이 가족이 잘 정의되지만 — 함수 공간의 가우스 분포 가족 전체를 포함하지 못한다. 모든 가능한 공분산을 갖는 가우스 과정을 한 기준 분포의 지수 기울이기로 표현 불가.

8.2 직관: 가족이 너무 좁다

유한차원에서 정규 가족 $\{N(\mu, \sigma^2)\}$ 의 모든 멤버가 표준 정규의 지수 기울이기로 표현된다 (6.1 의 Example 6.1.1). 무한차원에서는 같은 시도가 부분적으로만 성공 — 한 기준의 지수 기울이기 가족이 모든 가우스 과정의 일부만 포함.

이는 함수 공간의 풍부함 — 무한히 다양한 공분산 함수 — 이 한 기준에서 도달할 수 있는 변형의 한계를 넘기 때문.

8.3 결과: 추정 방정식 기반 접근

함수 GLM 의 적합은:

가능도 최대화 가 아닌 추정 방정식 (식 6.6 의 함수 버전) 의 해.
분포 가정 없이 적률 (mean-variance) 만으로 모형 정의.
GMM (generalized method of moments) 와 비슷한 사고.

이는 6.1 의 추정 방정식 (식 6.6) 이 함수 GLM 으로 자연스럽게 일반화되는 이유 — 가능도가 정의되지 않으므로 적률 조건 (1차 조건) 만으로 추정 절차를 구성한다.

9 Small Ball Probability 관점

9.1 유한차원에서의 직관

$\mathbb{R}^d$ 의 점 $\mathbf{x}_0$ 주위 작은 공 $B(\mathbf{x}_0, r) = \{\mathbf{x}: \|\mathbf{x} - \mathbf{x}_0\| < r\}$ 의 확률:

\[ P(B(\mathbf{x}_0, r)) \approx f(\mathbf{x}_0) \cdot \text{vol}(B(\mathbf{x}_0, r)), \]

여기서 $f$ 는 분포의 밀도, $\text{vol}$ 은 공의 부피. 작은 공 확률은 부피와 밀도의 곱 — 이것이 “밀도의 정의” 와 연결.

9.2 무한차원에서의 차이

함수 공간 $\mathcal{H}$ 의 한 함수 $f_0$ 주위 작은 공의 확률:

\[ P(B(f_0, r)) \to ? \text{ as } r \to 0. \]

유한차원에서는 부피에 비례하지만, 무한차원에서는 부피 자체가 잘 정의되지 않음 (Lebesgue 측도 부재). 작은 공 확률이 어떻게 0 으로 수렴하는지의 패턴이 분포의 본성을 반영하지만 — 밀도의 단순한 곱셈 구조가 깨진다.

9.3 후속 연구

Li & Linde (1999) — 가우스 과정의 작은 공 확률의 점근 분석. 공분산 함수의 고유값에 의해 결정.
Delaigle & Hall (2010) — small ball probability 를 활용한 함수 데이터 분류 방법.
Dai et al. (2016) — 작은 공 확률 기반 함수 회귀와 추론의 발전.

9.4 직관: “밀도” 가 아닌 “기하 구조”

유한차원에서 분포는 밀도 함수 = 점별 기여로 표현. 무한차원에서 분포는 공분산 구조 (또는 KL 전개의 고유값/고유함수) 로 표현. 작은 공 확률의 감쇠 속도가 이 기하 구조를 반영.

이는 함수 데이터 분석이 본질적으로 공분산 중심의 분야 인 이유 — 평균과 공분산이 분포의 거의 모든 정보를 담는다 (가우스 가정 하).

9.5 비유: 점 vs 공간 구조

평면 위의 점 분포는 점별 밀도로 표현 — “이 위치에 점이 얼마나 모이는가”. 공간 위의 곡선 분포는 점별 밀도가 아닌 공간 전체의 구조 — “곡선들이 어떤 패턴으로 분포하는가, 어느 방향으로 변동하는가”.

함수 공간의 “공” 은 한 곡선 주위의 가까운 곡선들의 집합. 작은 공의 확률은 곡선들이 그 영역에 얼마나 집중되는지를 나타내며 — 이는 곡선의 공분산 구조에서 결정된다.

10 함수 GLM 이론의 현재 상태

10.1 정리

도구	유한차원 GLM	함수 GLM
분포 가정	명시적 (지수족)	점별 가정만
가능도	잘 정의	정의 안 됨
추정	MLE	추정 방정식
Fisher 정보	표준	점근 분산 형태로 대체
AIC, BIC	표준	부분적 사용 (점별 가능도)
베이지안	표준	어려움 (사전분포의 함수 일반화 필요)
추론	표준	부트스트랩, 순열 검정 자주 사용

10.2 실용적 함의

점추정 은 견고함 — pfr/pffr 의 결과를 신뢰할 수 있음.
표준오차·신뢰 구간 은 보수적 — 가능도 기반 정확한 추론보다 보수적이어야 함.
모형 선택 — 정보 기준 대신 교차검증, 시각적 검증 권장.
베이지안 함수 GLM — 활발한 연구 분야이지만 아직 표준화 미흡.

10.3 직관: 도구는 가능, 이론은 진행 중

함수 GLM 은 실무적으로 강력한 도구이지만, 그 이론적 토대는 표준 GLM 과 다르며 일부 영역(베이지안, 정확한 추론) 은 여전히 개발 중. 사용자는 도구의 가능과 한계를 모두 인식 해야 한다.

이는 함수 데이터 분석 전반의 패턴 — 도구의 발전이 이론의 정교화보다 빠르며, 둘 사이의 간극을 메우는 연구가 활발.

11 두 절의 통합 시각

11.1 한 줄 요약

DTI 데이터의 MS 분류는 함수 GLM 의 실용적 강력함을 보여준다 — corpus callosum FA 프로파일에 probit GLM 을 적용해 트랙트의 위치별 효과 β(t) 를 추정하지만, 해석은 항상 전체 형태의 결합적 패턴이어야 하며 한 시점의 분리 해석은 잘못이다 (6.5). 이 framework 의 이론적 한계는 무한차원 가능도의 부재 — 측도의 직교성으로 함수 공간의 두 분포가 본질적으로 분리되어 한 측도에 대한 다른 측도의 밀도가 정의되지 않는다. Brownian motion vs bridge 의 비교가 직관적 예시이며, small ball probability 관점이 후속 연구의 도구이다 (6.6).

11.2 Ch.6 전체의 통합

6.1~6.6 의 흐름을 한눈에:

절	핵심	역할
6.1	표준 GLM 배경 (지수족·링크)	토대
6.2	스칼라-on-함수 GLM	가장 단순한 함수 GLM
6.3	함수 반응 GLM (점별 + 이변량 핵)	일반화
6.4	refund 구현 (pfr·pffr)	실무 도구
6.5	DTI 응용	실제 데이터 적용 + 해석 함정
6.6	무한차원 밀도 한계	이론적 토대의 부재

6.1~6.4 가 도구 구축, 6.5 가 실무 통찰, 6.6 이 이론적 자각 — 도구를 강력하지만 한계를 알고 사용하는 균형.

11.3 Chapter 6 너머

다음 챕터	6.5~6.6 의 통찰을 어떻게 활용하는가
Ch.7 희소 FDA	DTI 같은 의학 응용 + 불규칙 관측
Ch.8 함수 시계열	시간 종속 함수 + GLM (포아송 카운트 시계열 등)
Ch.9 공간 함수	공간 + GLM (geofd + family)
Ch.10~11 힐베르트 공간 이론	6.6 의 측도 직교성의 형식화
Ch.12 추론	함수 모형의 점근 분포 — 가능도 부재의 우회

6.6 의 이론적 한계 인식이 후속 챕터들의 추론 도구 (부트스트랩, 점근 정규성 직접 도출) 의 동기를 제공한다.

12 관련 주제

선행 지식

후속 주제

관련 개념

Probit 모형 — 잠재 가우스 변수 framework
DTI (확산 텐서 영상) 기초 — 의학 영상 측정의 원리
Brownian motion 과 Brownian bridge — 6.6 의 핵심 예시
측도론 기초 (라돈-니코딤 정리) — 측도 등가성의 형식 정의
가우스 과정의 등가성·직교성 — Ibragimov-Rozanov 의 결과
Small ball probability 와 함수 데이터 — Li-Linde, Delaigle-Hall 의 후속 발전