콘텐츠로 이동

위험비 해석

콕스 모형이 돌려주는 것은 \(\hat\beta\) 이고, 그 수는 로그 척도에 있어 그대로는 읽히지 않는다. 지수를 씌우면 위험비가 되어 「\(1.57\) 배」처럼 말할 수 있게 되는데, 여기서 두 가지가 한꺼번에 생긴다. 하나는 단위다 — 같은 \(\hat\beta = 0.03\) 이 연 단위로는 \(1.030\) 이고 십 년 단위로는 \(1.350\) 이다. 다른 하나는 기준이다 — 범주형 변수의 위험비는 언제나 어느 범주에 견준 것이고, 기준을 바꾸면 수가 통째로 바뀐다. 위험비 하나를 보고할 때 함께 적어야 하는 것은 무엇인가.

콕스 모형은 회귀계수(regression coefficient) \(\boldsymbol{\beta}\)를 추정하지만, 이 계수들은 자연스러운 척도에서 곧바로 해석되지 않는다. 표준적인 관행은 각 계수를 지수화하여 위험비(hazard ratio, HR)를 얻는 것이다. 위험비는 공변량이 순간 사건율에 미치는 곱셈적 효과를 잰다.

이 절에서는 공변량 유형별로 위험비를 해석하는 방법, 신뢰구간을 구성하는 방법, 흔한 오해를 피하는 방법을 설명한다.


1. 위험비의 정의

콕스 모형을 떠올리자.

\[ h(t \mid \mathbf{x}) = h_0(t) \exp(\boldsymbol{\beta}^\top \mathbf{x}) \]

다른 공변량을 모두 고정한 채 공변량 \(x_j\)가 한 단위 증가할 때의 위험비는

\[ \text{HR}_j = \frac{h(t \mid x_j + 1, \mathbf{x}_{-j})}{h(t \mid x_j, \mathbf{x}_{-j})} = \exp(\beta_j) \]

이다. 기저위험 \(h_0(t)\)가 소거되고 비가 \(t\)에 의존하지 않는다(비례위험 성질).


2. 공변량 유형별 해석

이항 공변량

이항 공변량(예: 처리면 \(x = 1\), 대조면 \(x = 0\))에 대해,

\[ \text{HR} = \exp(\hat{\beta}) \]
  • \(\text{HR} > 1\): 처리군의 위험이 더 높다(생존이 짧고 사건이 많다).
  • \(\text{HR} < 1\): 처리군의 위험이 더 낮다(생존이 길고 사건이 적다).
  • \(\text{HR} = 1\): 두 집단에 차이가 없다.

생존에 대한 처리 효과

수술 후 생존에 대한 콕스 모형이 신약(1로 부호화) 대 표준 치료(0)에 대해 \(\hat{\beta} = -0.35\)를 주었다. 위험비는 \(\text{HR} = e^{-0.35} = 0.705\)다. 다른 공변량을 고정할 때 신약을 받은 환자의 사망 위험이 임의의 시점에서 29.5% 낮다.

연속형 공변량

연속형 공변량(예: 나이(년))에 대해 \(\exp(\hat{\beta})\)는 한 단위 증가에 대한 위험비다. 실무적 해석에는 한 단위가 너무 작을 수 있다.

\(c\) 단위 증가에 대한 위험비는

\[ \text{HR}_c = \exp(c \cdot \hat{\beta}) \]

이다.

부도에 대한 나이 효과

대출 부도에 대한 콕스 모형이 연 단위로 \(\hat{\beta}_{\text{age}} = 0.03\)을 주었다. 연 단위 HR은 \(e^{0.03} = 1.030\)이다(연간 위험 3.0% 증가). 10년 단위 HR은 \(e^{10 \times 0.03} = e^{0.3} = 1.350\)이다(차입자 나이 10년 증가당 위험 35.0% 증가).

수준이 셋 이상인 범주형 공변량

수준이 \(G\)개인 범주형 변수는 기준범주에 대해 \(G - 1\)개의 가변수로 부호화된다. 각 위험비는 한 수준을 기준범주와 비교한다.

산업 효과

기업 부도에 대한 콕스 모형이 세 수준의 산업을 포함한다. 제조(기준), 소매 (\(\hat{\beta}_1 = 0.45\)), 기술(\(\hat{\beta}_2 = -0.20\)).

  • 소매 대 제조: \(\text{HR} = e^{0.45} = 1.57\). 소매 기업이 제조 기업의 1.57배 비율로 부도를 낸다.
  • 기술 대 제조: \(\text{HR} = e^{-0.20} = 0.82\). 기술 기업이 제조 기업의 0.82배 비율로 부도를 낸다.

3. 위험비의 신뢰구간

\(\beta_j\)의 \(100(1 - \alpha)\%\) 신뢰구간은

\[ \hat{\beta}_j \pm z_{1-\alpha/2} \cdot \text{se}(\hat{\beta}_j) \]

이며 \(\text{se}(\hat{\beta}_j) = \sqrt{[\mathcal{I}^{-1}]_{jj}}\)는 관측 정보행렬의 역행렬에서 얻는다.

양 끝점을 지수화하면 위험비의 신뢰구간을 얻는다.

\[ \text{CI}_{\text{HR}} = \bigl(\exp(\hat{\beta}_j - z_{1-\alpha/2} \cdot \text{se}),\; \exp(\hat{\beta}_j + z_{1-\alpha/2} \cdot \text{se})\bigr) \]

구간이 1을 포함하지 않으면 그 공변량은 유의수준 \(\alpha\)에서 통계적으로 유의한 효과를 갖는다.


4. 단일 계수의 가설검정

\(H_0: \beta_j = 0\)(동등하게 \(\text{HR}_j = 1\))에 대한 왈드 검정은

\[ z = \frac{\hat{\beta}_j}{\text{se}(\hat{\beta}_j)} \;\xrightarrow{d}\; N(0, 1) \]

이다. p 값은 \(2[1 - \Phi(|z|)]\)이며, \(\Phi\)는 표준정규 누적분포함수다. 대안으로 가능도비(likelihood ratio) 검정이 그 공변량을 넣은 경우와 뺀 경우의 부분 로그가능도를 비교한다.

19장에서 보았듯 왈드 검정은 효과가 매우 클 때 힘을 잃을 수 있으므로(하우크–도너 현상, Hauck–Donner effect), 형식적 검정에는 가능도비 검정이 더 안전하다.


5. 흔한 오해

위험비는 상대위험도가 아니다

\(\text{HR} = 2\)는 "사건을 겪을 가능성이 두 배"라는 뜻이 아니다. 모든 시점에서 순간율이 두 배라는 뜻이다. 사건의 누적확률은 위험비만이 아니라 위험 궤적 전체에 달려 있다.

HR가 중앙 생존시간의 단축을 뜻하지 않는다

\(\text{HR} = 2\)는 중앙 생존시간이 절반이 된다는 뜻이 아니다. 위험비와 중앙 생존시간의 관계는 기저위험의 모양에 달려 있다. 예컨대 기저가 지수분포(exponential distribution)이면 중앙값이 정확히 절반이 되지만, 형상 \(k\)인 와이불이면 \(2^{-1/k}\)배가 된다. \(k = 2\)이면 \(0.707\)배로 절반보다 훨씬 덜 줄어든다.

같은 위험비 2가 기저 모양에 따라 중앙 생존시간을 다르게 깎는다

왼쪽 그림에서 대조군 두 곡선은 기저의 모양만 다를 뿐 중앙 생존시간이 40개월로 똑같다. 각각에 \(\text{HR} = 2\)를 적용한 것이 점선이며, 비례위험 모형에서 이는 \(S_1(t) = S_0(t)^2\)을 뜻한다. 그런데 새 중앙값이 지수 기저에서는 \(20.0\), 와이불 \(k = 2\) 기저에서는 \(28.3\)이다. 같은 "위험이 두 배"인데 잃는 시간이 20개월과 11.7개월로 두 배 가까이 차이 난다.

붉은 세로선이 흔한 오해의 자리다. "위험비가 2면 생존시간이 절반"이라는 계산은 기저가 지수분포일 때만 맞는다. 그 경우에만 \(S_0(t) = e^{-\lambda t}\)이므로 \(S_0(t)^2 = e^{-2\lambda t}\)가 되어 시간 척도가 정확히 절반으로 압축되기 때문이다. 다른 기저에서는 이 압축이 균일하지 않다.

오른쪽이 그 관계를 한 줄로 정리한다. 기저가 형상 \(k\)인 와이불이면 중앙값의 비가 \(\text{HR}^{-1/k}\)이므로, \(\text{HR} = 2\)에서 \(k = 0.6\)이면 \(0.315\)배, \(k = 1\)이면 \(0.500\)배, \(k = 2\)이면 \(0.707\)배, \(k = 3\)이면 \(0.794\)배다. 위험이 빠르게 커지는 과정일수록 같은 위험비가 시간을 덜 깎는다. 직관적으로, 위험이 가파르게 오르는 과정에서는 곡선이 급하게 떨어지므로 위험을 두 배로 올려도 \(0.5\)에 닿는 시점이 조금밖에 앞당겨지지 않는다.

그래서 환자나 경영진에게 결과를 전할 때 \(\text{HR}\)을 "몇 배 빨리"로 옮겨 말하면 안 된다. 시간 척도의 해석이 필요하면 21.3절의 AFT 모형을 적합하거나, 제한 평균 생존시간(restricted mean survival time, RMST)의 차이를 "평균 몇 개월 손해"로 보고하는 편이 정직하다. 위험비는 순간율의 비이지 시계의 배율이 아니다.

그 밖의 함정은 이렇다.

  • 조건부성. HR는 다른 모든 공변량을 고정한 조건부 값이다. 다른 공변량을 조건으로 하지 않은 주변 위험비는 교란 때문에 상당히 다를 수 있다.
  • 비례위험 위배. 비례위험 가정이 위배되면 추정된 HR는 시간에 걸쳐 평균한 요약값이며, 어느 특정 시점의 공변량 효과도 대표하지 못할 수 있다.

그림으로 보는 통계학 1. 무작위배정이 보장하는 것은 첫날의 동질성뿐이다

위의 함정들은 모두 해석의 문제다. 하나가 더 있는데, 이것은 해석도 모형 선택도 아닌 위험비라는 양 자체의 성질이다.

완벽하게 무작위배정된 시험을 생각하자. 교란은 없다. 비례위험 위배도 없다. 그리고 치료가 모든 사람의 위험을 어느 순간에나 정확히 절반으로 낮춘다고 하자. 개인 수준의 위험비는 \(0.5\) 로 못 박혀 있다.

딱 하나만 더 둔다. 사람마다 타고난 위험이 다르다. 유전이든 체질이든 생활이든, 측정하지 않은 그 차이를 허약성(frailty) \(Z\) 라 하고 평균 \(1\) 인 감마분포로 둔다.

\[ h(t \mid \text{치료}, Z) = Z\,\lambda\,(0.5), \qquad h(t \mid \text{대조}, Z) = Z\,\lambda \]

시간이 흐르면 양쪽 집단에서 허약한 사람부터 먼저 죽는다. 그런데 치료군에서는 그 속도가 절반이다. 그래서 치료군에는 허약한 사람이 더 많이 남는다.

허약성 분산에 따라 관측되는 위험비가 1 로 끌려가는 모습과, 양쪽 집단에 남은 사람의 평균 허약도가 벌어지는 모습

왼쪽의 동그라미는 \(2\) 백만 명을 직접 만들어 구간마다 위험을 센 것이다. 선은 감마 허약성에서 유도한 식이고, 둘이 맞는다.

배정 뒤 지난 시간 \(\theta = 0\) \(\theta = 0.5\) \(\theta = 1\) \(\theta = 2\)
\(0\) \(0.500\) \(0.500\) \(0.500\) \(0.500\)
\(10\) \(0.500\) \(0.600\) \(0.667\) \(0.750\)
\(40\) \(0.500\) \(0.750\) \(0.833\) \(0.900\)
\(160\) \(0.500\) \(0.900\) \(\mathbf{0.944}\) \(0.971\)

아무것도 변하지 않았는데 관측되는 위험비는 \(0.50\) 에서 \(0.94\) 로 간다. 치료는 첫날과 똑같이 모든 사람의 위험을 절반으로 낮추고 있다. 길게 추적한 시험이 「효과가 시간이 가며 약해졌다」는 결론을 내놓을 때, 그 결론이 이 그림일 수도 있다.

오른쪽이 까닭이다. \(t = 20\) 에서 치료군에 남은 사람의 평균 허약도는 \(0.50\) 인데 대조군은 \(0.33\) 이다. 치료가 허약한 사람을 살려 둔 것이다. 그 시점의 위험비는 「같은 사람들을 치료했을 때와 안 했을 때」가 아니라 더 허약해진 집단과 덜 허약한 집단을 견준 값이다.

\(\theta = 0\) 인 파란 선만 평평하다. 모두가 똑같이 타고났다면 끌림이 없다. 그러나 사람을 다루는 어떤 연구에서도 \(\theta = 0\) 을 믿을 근거는 없다.

무작위배정은 배정하던 날의 동질성만 보장한다. 그 뒤로는 시간이 양쪽 집단을 서로 다르게 깎아 낸다. 위험비는 매 순간 그때 살아 있는 사람들 사이의 비이므로, 시간이 지날수록 무작위배정이 만들어 준 비교가능성에서 멀어진다.

이것이 요즘 임상시험 보고가 위험비 하나로 끝내지 않고 제한 평균 생존시간의 차이나 특정 시점의 생존율 차이를 함께 싣는 까닭이다. 그 두 양은 처음 배정된 전체 집단을 두고 정의되므로 이 끌림을 겪지 않는다.


AI로 보는 통계학 1. 위험비는 옮겨 가고 절대 위험은 옮겨 가지 않는다

위 함정들은 위험비를 읽는 일에 관한 것이었다. 모형을 옮겨 쓰는 일에서 생기는 함정이 하나 더 있다. 콕스 모형이 추정하는 것은 \(\boldsymbol\beta\) 뿐이고, 기저위험 \(h_0(t)\) 는 비에서 소거되어 추정되지 않은 채 남는다. 그 성질이 모형을 다른 자료로 가져갈 때 두 얼굴을 보인다.

한쪽 모집단에서 적합한 위험 점수를 다른 곳에 쓰는 일은 오늘 흔하다 — 다른 지역, 다른 기간, 다른 유입 경로. 기저위험만 다르고 공변량 효과는 같은 두 모집단을 만들어 재어 보았다.

import numpy as np
from scipy import stats
from scipy.optimize import minimize

rng = np.random.default_rng(21)
BETA, HOR = np.array([0.8, -0.5]), 12.0

def make(n, h0):                        # 기저위험만 다른 두 모집단
    x = rng.normal(size=(n, 2))
    T = rng.exponential(1 / (h0 * np.exp(x @ BETA)))
    C = rng.uniform(0, 2 * HOR, n)
    return x, np.minimum(T, C), (T <= C).astype(float)

def cox(x, t, d):
    """계수와 브레슬로 기저누적위험을 함께 돌려준다."""
    o = np.argsort(t); xs, ds, ts = x[o], d[o], t[o]
    def nll(b):
        e = xs @ b
        m = e.max()
        return -float((ds * (e - m - np.log(np.cumsum(np.exp(e - m)[::-1])[::-1]))).sum())
    b = minimize(nll, np.zeros(2), method="BFGS").x
    e = np.exp(xs @ b)
    H0 = np.cumsum(np.where(ds == 1, 1 / np.cumsum(e[::-1])[::-1], 0.0))
    return b, (lambda q: np.interp(q, ts, H0))

xA, tA, dA = make(4000, 0.05)           # 모집단 가: 기저위험 0.05
xB, tB, dB = make(4000, 0.12)           # 모집단 나: 기저위험 0.12, 그 밖은 같다
bA, H0A = cox(xA, tA, dA)
bB, H0B = cox(xB, tB, dB)

S_as_is = np.exp(-H0A(HOR) * np.exp(xB @ bA))     # 가의 모형을 나에 그대로
S_recal = np.exp(-H0B(HOR) * np.exp(xB @ bA))     # 계수는 그대로, 기저만 다시
S_true = np.exp(-0.12 * HOR * np.exp(xB @ BETA))

print(f"계수   가 {bA.round(3)}   나 {bB.round(3)}   참값 {BETA}")
print(f"12 개월 기저 누적위험   가 {H0A(HOR):.4f}   나 {H0B(HOR):.4f}"
      f"   (참 비 {0.12/0.05:.1f})\n")
print("나 집단의 12 개월 생존확률")
print(f"  가의 모형을 그대로        {S_as_is.mean():.4f}")
print(f"  기저만 나에서 다시 재고   {S_recal.mean():.4f}")
print(f"  참값                     {S_true.mean():.4f}")
print(f"\n두 예측의 순위 상관 (켄달 타우) {stats.kendalltau(S_as_is, S_recal)[0]:.4f}")

출력:

계수   가 [ 0.796 -0.48 ]   나 [ 0.844 -0.496]   참값 [ 0.8 -0.5]
12 개월 기저 누적위험   가 0.6156   나 1.4901   (참 비 2.4)

나 집단의 12 개월 생존확률
  가의 모형을 그대로        0.5082
  기저만 나에서 다시 재고   0.2744
  참값                     0.2838

두 예측의 순위 상관 (켄달 타우) 1.0000

계수는 옮겨 간다. 두 모집단에서 따로 적합한 \(\hat{\boldsymbol\beta}\) 가 \((0.796,\ -0.480)\) 과 \((0.844,\ -0.496)\) 으로 같은 자리를 가리킨다. 기저가 두 배 넘게 달라도 그렇다 — 비에서 \(h_0\) 가 소거된다는 성질이 그대로 이득이 되는 자리다.

절대 확률은 옮겨 가지 않는다. 가의 모형을 나에 그대로 쓰면 \(12\) 개월 생존확률을 평균 \(0.5082\) 로 말하는데 참값은 \(0.2838\) 이다. \(22\) 퍼센트포인트다. 고친 것은 하나뿐 — 기저 누적위험을 나에서 다시 재면 \(0.2744\) 로 거의 맞는다. \(\boldsymbol\beta\) 는 손대지 않았다.

그런데 순위는 조금도 흔들리지 않았다. 두 예측의 켄들 타우가 \(1.0000\) 이다. 단조변환 하나로 이어져 있기 때문이고, 그래서 C-지수 같은 순위 지표로는 이 불일치를 영영 볼 수 없다(21.5절 모형 선택 기준).

실무로 옮기면 한 줄이다. 「누가 더 위험한가」를 묻는 일에는 모형을 그대로 가져가도 되고, 「몇 퍼센트인가」를 묻는 일에는 기저를 새 자료에서 다시 재야 한다. 그 재측정은 사건이 있어야 가능하므로, 새 모집단에서 사건을 한동안 관측하기 전에는 절대 확률을 말할 수 없다.

6. 식은 하나이고 「한 단위」의 뜻만 달라진다

공변량 유형 HR 공식 해석
이항(0/1) \(e^{\hat{\beta}}\) 집단 0 대비 집단 1의 위험
연속형(1단위) \(e^{\hat{\beta}}\) 한 단위 증가당 위험 변화
연속형(\(c\)단위) \(e^{c\hat{\beta}}\) \(c\)단위 증가당 위험 변화
범주형(\(G\)수준) \(e^{\hat{\beta}_g}\) 수준 \(g\) 대 기준수준

연습문제

연습문제 1. 콕스 모형의 해석

직원 이직에 대한 콕스 모형이 공변량 세 개를 포함한다. 추정된 계수와 표준오차는 다음과 같다.

공변량 \(\hat{\beta}\) \(\text{se}(\hat{\beta})\)
급여($10k 단위) \(-0.18\) \(0.06\)
재택근무(1 = 예) \(-0.42\) \(0.15\)
관리자(1 = 예) \(0.31\) \(0.12\)

(a) 각 공변량의 위험비를 계산하고 해석하라.

(b) 재택근무 위험비의 95% 신뢰구간을 계산하라.

(c) 5% 수준에서 유의한 공변량은 무엇인가?

풀이

(a)

  • 급여: \(\text{HR} = e^{-0.18} = 0.835\). 급여가 $10k 오를 때마다 이직 위험이 16.5% 낮아지는 것과 연관된다.
  • 재택근무: \(\text{HR} = e^{-0.42} = 0.657\). 재택근무자의 이직 위험이 출근자보다 34.3% 낮다.
  • 관리자: \(\text{HR} = e^{0.31} = 1.363\). 관리자의 이직 위험이 비관리자보다 36.3% 높다.

(b) \(\beta\)의 신뢰구간은 \(-0.42 \pm 1.96 \times 0.15 = (-0.714,\ -0.126)\)이고, HR의 신뢰구간은 \((e^{-0.714},\ e^{-0.126}) = (0.490,\ 0.882)\)다. 구간이 1을 포함하지 않으므로 재택근무가 이직을 유의하게 줄인다.

(c) 왈드 검정에서 \(|z| = |\hat{\beta}|/\text{se}\)이므로 급여 \(3.00\), 재택근무 \(2.80\), 관리자 \(2.58\)이다. 셋 다 \(z_{0.975} = 1.96\)을 넘으므로 세 공변량 모두 5% 수준에서 유의하다.

\"연관\"이지 \"인과\"가 아니다

(a)의 급여 해석에서 "연관된다"라고 쓴 것에 주의하라. 이 자료는 관찰자료이므로 급여를 올리면 이직이 줄어든다는 인과적 결론을 뒷받침하지 않는다. 성과가 좋은 직원이 급여도 높고 이직도 적을 수 있으며(교란), 그 경우 급여 인상 자체는 효과가 없을 수 있다. 1장에서 다룬 관찰연구의 한계가 그대로 적용된다.

마찬가지로 관리자의 HR가 높은 것도 "승진시키면 이직한다"는 뜻이 아니다. 이직 의사가 있는 사람이 관리자 직책을 협상 카드로 쓸 수도 있고, 관리자 직무가 외부 시장에서 더 가치 있게 평가될 수도 있다.


연습문제 2. 단위를 바꾸면 계수가 어떻게 되는가

본문 보기의 나이 계수는 연 단위로 \(\hat\beta = 0.03\)이다.

(a) 나이를 10년 단위로 다시 부호화하면 계수와 위험비는 각각 얼마가 되는가?

(b) 표준오차와 왈드 \(z\) 값은 어떻게 되는가?

(c) 단위를 바꾸면 "유의성" 이 달라지는가?

풀이

(a) \(x' = x/10\)으로 바꾸면 \(\beta' x' = \beta x\)가 되어야 하므로 \(\beta' = 10\beta = 0.3\) 이고 \(\text{HR}' = e^{0.3} = 1.350\)이다. 본문이 적은 "10년당 \(35.0\%\) 증가" 와 같은 수다.

(b) 표준오차도 같은 배수로 커진다. \(\text{se}(\beta') = 10\,\text{se}(\beta)\)다.

(c) 달라지지 않는다. \(z = \beta'/\text{se}(\beta') = 10\beta/(10\,\text{se}(\beta))\)로 배수가 약분되기 때문이다. 단위 선택은 읽기 편하라고 하는 것이지 증거의 세기를 바꾸지 않는다. 신뢰구간도 지수화 전에 같은 배수로 늘어났다가 지수화하면서 거듭제곱이 되므로, HR 구간은 \((\text{하한}^{10},\ \text{상한}^{10})\)으로 옮겨 간다. \(\square\)


연습문제 3. 기준범주를 바꾸기

본문 산업 보기에서 제조가 기준이고 소매 \(\hat\beta_1 = 0.45\), 기술 \(\hat\beta_2 = -0.20\)이다.

(a) 소매 대 기술의 위험비를 구하라.

(b) 기준을 기술로 바꾸면 세 계수는 각각 얼마가 되는가?

(c) 기준을 바꾸면 모형의 적합도(goodness of fit, 로그가능도)가 달라지는가?

풀이

(a) 두 위험을 나누면 기저와 공통 항이 약분되어

\[ \frac{h_{\text{소매}}}{h_{\text{기술}}} = e^{0.45 - (-0.20)} = e^{0.65} = 1.916 \]

이다. 소매 기업이 기술 기업의 \(1.92\)배 비율로 부도를 낸다.

(b) 새 기준이 기술이면 각 계수는 "그 수준 \(-\) 기술" 이 된다.

\[ \beta_{\text{제조}} = 0 - (-0.20) = +0.20, \quad \beta_{\text{소매}} = 0.45 - (-0.20) = +0.65, \quad \beta_{\text{기술}} = 0 \]

(c) 전혀 달라지지 않는다. 기준범주를 바꾸는 것은 같은 \(G-1\)차원 공간의 좌표만 바꾸는 일이라 적합값도 로그가능도도 그대로다. 바뀌는 것은 "무엇과 견주어 보고하는가" 뿐이다. 그래서 기준범주는 통계가 아니라 소통의 선택이며, 보통 가장 흔하거나 가장 해석하기 쉬운 수준을 고른다. \(\square\)


연습문제 4. 위험비를 곱으로 결합하기

본문 연습문제 1의 이직 모형을 쓴다(급여 \(\hat\beta = -0.18\) per $10k, 재택 \(-0.42\), 관리자 \(+0.31\)).

(a) 급여가 $30k 높은 직원의 위험비를 구하라.

(b) 재택근무를 하면서 관리자인 직원과, 출근하면서 비관리자인 직원의 위험비를 구하라.

(c) (b)의 계산이 암묵적으로 가정하는 것은 무엇인가? 그 가정을 검사하려면 무엇을 넣어야 하는가?

풀이

(a) \(e^{-0.18 \times 3} = e^{-0.54} = 0.583\)이다. 위험이 \(41.7\%\) 낮다. 한 단위 효과 \(0.835\)를 세 번 곱한 것과 같다(\(0.835^3 = 0.583\)).

(b) 로그오즈가 아니라 로그위험이 더해지므로

\[ \text{HR} = e^{-0.42 + 0.31} = e^{-0.11} = 0.896 \]

이다. 재택근무가 낮추는 몫과 관리자가 올리는 몫이 거의 상쇄되어 \(10\%\) 남짓만 낮다.

(c) 교호작용(interaction)이 없다는 가정이다. 곧 재택근무의 효과가 관리자든 아니든 같다고 보는 것이다. 실제로는 관리자에게 재택근무가 더(또는 덜) 중요할 수 있다. 검사하려면 모형에 교호작용 항 \(x_{\text{재택}} \times x_{\text{관리자}}\)를 넣고 그 계수가 \(0\)인지 보면 된다. 계수가 유의하면 네 조합의 위험비를 따로 보고해야 하고, 곱으로 결합하는 위 계산은 더 이상 쓸 수 없다. \(\square\)


연습문제 5. HR 은 시계의 배율이 아니다

본문은 기저가 형상 \(k\)인 와이불이면 \(\text{HR}\)에 대한 중앙 생존시간의 비가 \(\text{HR}^{-1/k}\) 임을 적었다.

(a) 이 관계를 \(S(t) = \exp(-(\lambda t)^k)\)와 \(S_1 = S_0^{\text{HR}}\)에서 유도하라.

(b) \(\text{HR} = 2\), 대조군 중앙값 \(40\)개월일 때 \(k = 1\)과 \(k = 2\)에서의 새 중앙값을 구하라.

(c) \(k\)가 커질수록 같은 HR 이 시간을 덜 깎는 까닭을 그림의 모양으로 설명하라.

풀이

(a) 비례위험이면 \(H_a(t) = \text{HR}\cdot H_0(t)\)이므로 \(S_1(t) = S_0(t)^{\text{HR}}\)이다. 중앙값은 \(S = 1/2\)인 자리이므로

\[ S_0(m_1)^{\text{HR}} = \tfrac12 \quad \Longrightarrow \quad \exp\bigl(-\text{HR}(\lambda m_1)^k\bigr) = \tfrac12 \quad \Longrightarrow \quad (\lambda m_1)^k = \frac{\ln 2}{\text{HR}} \]

이고, 대조군은 \((\lambda m_0)^k = \ln 2\)다. 두 식을 나누면

\[ \left(\frac{m_1}{m_0}\right)^k = \frac{1}{\text{HR}} \quad \Longrightarrow \quad \frac{m_1}{m_0} = \text{HR}^{-1/k} \]

(b) \(k = 1\)이면 \(40 \times 2^{-1} = 20.0\)개월, \(k = 2\)이면 \(40 \times 2^{-1/2} = 28.3\)개월이다. 잃는 시간이 \(20\)개월과 \(11.7\)개월로 두 배 가까이 차이 난다.

(c) \(k\)가 크면 위험이 가파르게 올라 생존곡선이 급하게 떨어진다. 곡선이 거의 절벽 처럼 내려오면 세로로 아무리 눌러도(\(S \mapsto S^2\)) 가로로 옮겨 가는 거리가 짧다. 반대로 \(k\)가 작아 곡선이 완만하면 같은 세로 압축이 큰 가로 이동을 만든다. 시간 축의 손실은 곡선의 기울기가 정한다는 것이 요점이고, 그래서 위험비 하나로는 시간 척도를 말할 수 없다. \(\square\)


연습문제 6. 그렇다면 시간으로는 어떻게 말하는가

\(\text{HR} = 2\), 대조군이 지수분포이고 중앙 생존시간이 \(40\)개월이라 하자.

(a) \(\tau = 40\)개월까지의 제한 평균 생존시간(RMST) 을 두 군에서 각각 구하라 (\(\text{RMST} = \int_0^\tau S(t)\,dt\)).

(b) 두 RMST 의 차이를 개월로 적고, 이것이 환자에게 무엇을 말해 주는지 적어라.

(c) RMST 차이를 보고할 때 반드시 함께 적어야 하는 것은 무엇인가?

풀이

(a) 지수분포이므로 \(\lambda = \ln 2 / 40 = 0.017329\)이고 \(S_0(t) = e^{-\lambda t}\), \(S_1(t) = e^{-2\lambda t}\)다.

\[ \text{RMST} = \int_0^\tau e^{-\lambda t}dt = \frac{1 - e^{-\lambda\tau}}{\lambda} \]

에 넣으면 대조군 \(\dfrac{1 - 0.5}{0.017329} = 28.85\)개월, 처리군 \(\dfrac{1 - 0.25}{0.034657} = 21.64\)개월이다.

(b) 차이는 \(7.21\)개월이다. "앞으로 \(40\)개월 동안 평균 \(7.2\)개월을 더(또는 덜) 산다" 는 말이고, 위험비 \(2\) 보다 훨씬 이해하기 쉽다. 시간 단위라 비용·삶의 질과 곧바로 엮인다.

(c) 지평 \(\tau\) 를 반드시 함께 적어야 한다. RMST 는 "\(\tau\)까지" 의 평균이므로 \(\tau\)를 바꾸면 값이 달라진다. \(\tau\)를 추적 종료보다 길게 잡으면 외삽이 들어가고, 자료를 보고 \(\tau\)를 고르면 다중비교(multiple comparisons) 문제가 생긴다. \(\tau\)는 임상적으로 뜻있는 시점으로 미리 정한다. \(\square\)


연습문제 7. 신뢰구간을 왜 로그 척도에서 만드는가

(a) 본문 연습문제 1 (b)의 재택근무 HR 구간 \((0.490,\ 0.882)\)가 점추정값 \(0.657\)에 대해 대칭이 아님을 확인하라.

(b) \(\hat\beta\) 척도에서는 대칭인데 지수화하면 대칭이 깨지는 까닭을 설명하라.

(c) 대신 \(\widehat{\text{HR}} \pm 1.96\,\text{se}(\widehat{\text{HR}})\)로 구간을 만들면 어떤 문제가 생기는가?

풀이

(a) 아래쪽 폭은 \(0.657 - 0.490 = 0.167\), 위쪽 폭은 \(0.882 - 0.657 = 0.225\)로 다르다. 위쪽이 더 넓다.

(b) \(\hat\beta = -0.42 \pm 0.294\)는 대칭이지만, 지수함수는 볼록이라 같은 길이의 구간을 오른쪽에서 더 길게 늘인다. 비는 곱셈 척도의 양이므로 로그를 취해야 덧셈 척도가 되고, 거기서 정규근사가 훨씬 잘 맞는다. \(\hat\beta\)의 표집분포(sampling distribution)가 정규에 가깝고 \(\widehat{\text{HR}}\)의 분포는 오른쪽으로 치우쳐 있다는 사실이 바로 이것이다.

(c) 두 가지가 나빠진다. 첫째, 구간의 아래 끝이 음수가 될 수 있는데 위험비는 양수 여야 하므로 뜻이 없다. 둘째, \(\widehat{\text{HR}}\)의 분포가 치우쳐 있어 대칭 구간의 포함확률이 명목값에 못 미친다. 효과가 클수록(HR 이 \(1\)에서 멀수록) 불일치가 심해진다. 곱셈 척도의 양은 로그에서 다루고 마지막에 지수화한다 는 것이 원칙이고, 19장의 오즈비도 똑같다. \(\square\)


연습문제 8. 주변 위험비와 조건부 위험비

처리 효과가 두 층(위험이 높은 층과 낮은 층)에서 모두 \(\text{HR} = 0.5\)로 같다고 하자. 층을 무시하고 하나의 콕스 모형을 적합하면 어떻게 되는가.

(a) 시간이 흐르면서 각 층의 위험집합 구성이 어떻게 변하는지 설명하라.

(b) 그 결과 주변 위험비가 시간에 따라 \(1\) 쪽으로 밀리는 까닭을 말하라(비붕괴성, non-collapsibility).

(c) 이것이 오즈비·위험비 같은 비선형 모수의 일반적 성질임을 설명하고, 선형모형의 회귀계수와 대비하라.

풀이

(a) 위험이 높은 층의 대상이 먼저 사건을 겪고 빠져나가므로, 시간이 흐를수록 위험집합은 위험이 낮은 층으로 치우친다. 게다가 처리군은 위험이 절반이라 더 오래 살아남으므로, 후반의 위험집합에서는 처리군 비중과 저위험층 비중이 함께 커진다.

(b) 주변 위험비는 "그 시점의 위험집합에서 처리군과 대조군의 평균 위험의 비" 인데, 후반으로 갈수록 대조군 쪽에 남은 사람들은 유독 건강한 생존자들이다. 이 선택 효과가 대조군의 평균 위험을 낮추어 두 군의 격차를 줄인다. 그래서 층 안에서는 줄곧 \(0.5\)인데 주변 위험비는 \(0.5\)에서 \(1\) 쪽으로 밀려 올라간다. 비례위험 가정이 층 안에서는 참인데 주변에서는 깨지는 상황이기도 하다.

(c) 이것을 비붕괴성이라 한다. 오즈비도 같다. 교란이 전혀 없어도 공변량을 빼면 조건부 값과 주변 값이 달라진다. 반면 선형모형의 회귀계수는 붕괴한다. 교란이 없다면 공변량을 넣든 빼든 기울기의 기댓값이 같다. 차이는 연결함수의 비선형성에서 온다.

실무적 결론은 하나다. "조정했다/안 했다" 가 다른 수를 준다고 해서 반드시 교란이 있는 것은 아니다. 비선형 모수에서는 조정 자체가 값을 옮긴다. 교란을 판정하려면 부호의 역전 처럼 더 강한 신호를 보거나, 인과 추론의 틀에서 주변 효과를 따로 추정해야 한다. \(\square\)


연습문제 9. 왈드 검정이 힘을 잃는 자리

본문 4절은 효과가 매우 클 때 왈드 검정이 힘을 잃는다고 했다(하우크–도너 현상).

(a) 왈드 통계량 \(z = \hat\beta/\text{se}(\hat\beta)\)에서 \(\hat\beta\)가 커질 때 \(\text{se}(\hat\beta)\)가 어떻게 움직이는지 생각해, \(|z|\)가 오히려 작아질 수 있음을 설명하라.

(b) 극단으로 완전분리에 가까운 자료에서 \(|z| \to 0\)이 되는 장면을 그려라.

(c) 가능도비 검정은 왜 이 문제를 겪지 않는가? 점수검정은 어떤가?

풀이

(a) 표준오차는 관측정보의 역수 제곱근인데, 정보량은 위험집합 안 공변량 분포의 분산에 가중치를 준 양이다. 효과가 아주 커지면 가능도 곡면이 평평해지는 방향이 생겨 정보량이 줄고 \(\text{se}\)가 빠르게 커진다. 분자 \(\hat\beta\)보다 분모가 더 빨리 커지면 비 \(|z|\)가 오히려 줄어든다. 증거가 강할수록 검정통계량(test statistic)이 작아지는 역설이다.

(b) 완전분리에 가까우면 \(\hat\beta \to \infty\)이면서 \(\text{se} \to \infty\)인데, 후자가 더 빠르다. 소프트웨어 출력에서 \(\hat\beta = 18.3\), \(\text{se} = 3{,}400\), \(z = 0.005\), \(p = 0.996\) 같은 줄이 그것이다. 자료는 "이 변수가 결과를 거의 완벽히 가른다" 고 말하는데 왈드 검정은 "아무 증거 없음" 이라고 적는다.

(c) 가능도비 검정은 \(\text{se}\)를 쓰지 않는다. 두 적합의 로그가능도 차이를 직접 재므로, \(\hat\beta\)가 발산해도 로그가능도의 개선분은 유한하고 안정적이다. 그래서 분리 상황에서도 올바른 방향으로 작동한다.

점수검정은 또 다른 장점이 있다. 귀무가설(null hypothesis) 아래에서만 적합하면 되므로 \(\hat\beta\)를 아예 추정하지 않아도 되고, 따라서 발산 문제를 겪지 않는다. 다만 효과가 클 때 검정력이 떨어진다. 실무 권고는 분명하다. 계수가 크거나 수렴 경고가 뜨면 왈드를 버리고 가능도비로 간다. 신뢰구간도 왈드 대신 프로파일 가능도 구간을 쓴다. \(\square\)


연습문제 10. 비례위험이 깨졌을 때 보고된 HR 은 무엇인가

처리 효과가 \(\beta(t)\)로 시간에 따라 변하는데 상수 콕스 모형을 적합했다.

(a) 추정값이 \(\beta(t)\)의 가중평균이라는 것은 어떤 가중치를 뜻하는가? 가중치가 연구 설계에 의존한다는 점을 설명하라.

(b) 추적 기간을 두 배로 늘린 같은 연구가 다른 HR 을 보고하는 것이 모순이 아닌 까닭을 말하라.

(c) 메타분석에서 여러 연구의 HR 을 합치는 일이 이 성질 때문에 어떤 위험을 안는지 적고, 대안을 하나 들어라.

풀이

(a) 가중치는 각 시점의 사건 수와 그 시점 위험집합 안 공변량의 분산의 곱에 비례한다. 사건이 많이 일어나고 두 군이 고루 섞여 있는 시간대가 평균을 지배한다. 그런데 사건이 언제 일어나는지는 추적 기간·등록 속도·절단 양상이 정하므로, 가중치가 곧 연구 설계의 함수다. 자료 생성과정이 같아도 설계가 다르면 다른 가중평균이 나온다.

(b) 추적을 늘리면 후반 시점의 사건이 더 쌓여 가중치가 뒤쪽으로 옮겨 간다. \(\beta(t)\)가 시간에 따라 변한다면 그 가중평균도 당연히 달라진다. 두 연구는 서로 다른 양을 추정하고 있을 뿐이고, 둘 다 자기 설계 안에서는 옳다. 모순으로 보이는 것은 "HR 은 모집단의 고정된 모수" 라고 가정했기 때문이다. 비례위험이 성립할 때에만 그 가정이 맞는다.

(c) 메타분석은 여러 연구가 같은 모수를 추정한다고 보고 합친다. 비례위험이 깨져 있으면 각 연구의 HR 이 서로 다른 가중평균이므로, 합친 값은 아무 것도 추정하지 않는 수가 된다. 이질성 검정(\(I^2\))이 높게 나오겠지만, 그것을 "연구 간 차이" 로 읽으면 원인을 놓친다. 진짜 원인은 추적 기간의 차이일 수 있다.

대안은 공통 지평에서 정의된 양을 합치는 것이다. 예컨대 모든 연구에서 \(\tau = 24\)개월의 RMST 차이나 \(S(24)\)의 차이를 추출해 합치면, 설계가 달라도 같은 모수를 겨냥하게 된다. 원자료를 모을 수 있다면 시간 의존 계수를 넣은 공동 모형을 적합하는 것이 가장 낫다. \(\square\)


정리하며

계수는 위험비로 읽는다.

\[ \text{HR}=e^{\beta_j} \]
  • \(\text{HR}>1\) 이면 위험 증가, \(<1\) 이면 감소다. 19장의 오즈비와 같은 구조이며, 지수변환해 해석한다.
  • 위험비는 시간에 걸쳐 일정하다고 가정된다. 그것이 "비례위험"의 뜻이며, 이 가정이 깨지면 하나의 HR 로 요약하는 것 자체가 오도한다.
  • 생존시간의 비가 아니다. HR 이 \(2\) 라고 생존시간이 절반이 되는 것이 아니며, 순간 위험률의 배수다. AFT 모형이라야 시간 척도의 해석을 준다.
  • 교란이 여기서도 문제다. 조정하지 않은 주변 위험비와 조정한 위험비가 크게 다를 수 있으며, 12장의 논의가 그대로 적용된다.
  • 신뢰구간은 로그 척도에서 만들어 지수변환하며, \(1\) 을 포함하는지가 유의성 판정이다.

다음 절 비례위험 가정으로 넘어간다. 위험비를 시간에 상관없는 한 수로 읽어 온 것이 바로 이 가정에 기대고 있었다.