콘텐츠로 이동

비례위험 가정

두 집단의 누적위험을 로그–로그 척도에 그려 수직 간격을 세 지점에서 재면 \(-0.76\), \(-0.68\), \(-0.68\) 로 거의 같고, 콕스 모형이 내놓는 \(\hat\beta = -0.680\) 이 바로 그 간격이다. 다른 자료에서는 같은 세 간격이 \(-0.87\), \(-0.19\), \(+0.90\) 으로 부호가 바뀐다. 처리가 초반에는 보호적이고 후반에는 해롭다는 뜻인데, 그 자료에 콕스 모형을 그냥 적합하면 \(\hat\beta = +0.783\) 이 나와 「처리가 위험을 두 배로 높인다」가 된다. 가정이 깨졌을 때 모형은 침묵하지 않고 그럴듯한 틀린 수를 내놓는다. 그 깨짐을 무엇으로 알아내는가.

콕스 모형은 임의의 두 공변량 프로파일 사이의 위험비(hazard ratio)가 시간에 걸쳐 일정하다고 가정한다. 이것이 비례위험(proportional hazards, PH) 가정이다. 이 가정이 깨지면 --- 예컨대 초기에는 보호적이지만 후반에는 해로운 처리라면 --- 추정된 위험비는 시간에 걸쳐 평균한 요약값이며 어느 특정 시점의 공변량 효과도 대표하지 못할 수 있다.

이 절에서는 비례위험 가정을 형식적으로 설명하고, 이를 점검하는 그림 방법과 통계적 방법을 제시하며, 위배되었을 때의 대응책을 논의한다.


1. 형식적 서술

콕스 모형은 다음을 설정한다.

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

비례위험 가정은 공변량 벡터가 \(\mathbf{x}_1\)과 \(\mathbf{x}_2\)인 임의의 두 대상에 대해

\[ \frac{h(t \mid \mathbf{x}_1)}{h(t \mid \mathbf{x}_2)} = \exp\!\bigl(\boldsymbol{\beta}^\top (\mathbf{x}_1 - \mathbf{x}_2)\bigr) \]

가 모든 \(t \geq 0\)에서 성립할 것을 요구한다. 우변은 \(t\)에 의존하지 않는다. 만약 의존한다면 비례위험 가정이 위배된 것이다.


2. 그림 방법

로그–로그 생존 그림

콕스 모형 아래에서 공변량 \(\mathbf{x}\)를 갖는 대상의 누적위험은

\[ H(t \mid \mathbf{x}) = H_0(t) \exp(\boldsymbol{\beta}^\top \mathbf{x}) \]

이다. 음의 로그 생존에 다시 로그를 취하면

\[ \ln\!\bigl(-\ln S(t \mid \mathbf{x})\bigr) = \ln H_0(t) + \boldsymbol{\beta}^\top \mathbf{x} \]

이다. 두 집단(예: 처리 대 대조)에서 비례위험이 성립하면 곡선 \(\ln(-\ln \hat{S}_1(t))\)와 \(\ln(-\ln \hat{S}_2(t))\)가 시간에 걸쳐 평행해야 한다. 두 곡선의 수직 거리가 상수인 \(\boldsymbol{\beta}^\top (\mathbf{x}_1 - \mathbf{x}_2)\)와 같기 때문이다.

로그–로그 그림 읽는 법

평행한 곡선은 비례위험 가정을 뒷받침한다. 수렴하거나 발산하거나 교차하는 곡선은 비례위험이 아님을 가리킨다. 교차하는 곡선이 위배의 가장 강력한 증거다.

다만 위험집합이 작아지는 곡선의 양 끝에서는 두 곡선 모두 변동이 커서 평행 여부를 판단하기 어렵다. 사건이 충분히 있는 중간 구간에서 판단하라.

비례위험이 성립하는 자료와 위배되는 자료의 로그–로그 생존 그림

두 자료 모두 각 집단 \(450\)명, 기저는 와이불 \(k = 1.5\), 추적은 40개월에서 끊었다. 왼쪽은 처리 효과가 \(\beta = -0.7\)로 시간에 걸쳐 일정한 자료이고, 오른쪽은 \(\beta(t) = -1.6 + 0.11t\)로 효과가 점점 약해지다 뒤집히는 자료다. 양 끝의 변동이 큰 구간은 잘라 내고 사건이 충분히 쌓인 가운데 구간만 그렸다.

왼쪽에서 두 곡선의 수직 간격을 세 지점에서 재면 \(-0.76\), \(-0.68\), \(-0.68\)이다. 이 자료에 콕스 모형을 적합하면 \(\hat\beta = -0.680\)이 나오는데, 간격이 곧 \(\hat\beta\)다. 우연이 아니라 항등식 \(\ln(-\ln S(t \mid \mathbf{x})) = \ln H_0(t) + \boldsymbol{\beta}^\top\mathbf{x}\)의 결과다. 기저 항 \(\ln H_0(t)\)가 두 집단에 공통이므로 빼면 사라지고 \(\beta\)만 남는다. 쇤펠트 검정도 \(\chi^2 = 0.02\), \(p = 0.890\)으로 위배의 흔적이 없다.

오른쪽은 같은 세 지점의 간격이 \(-0.87\), \(-0.19\), \(+0.90\)이다. 부호가 바뀐다. 초반에는 처리군의 누적위험이 대조군보다 낮지만 후반에는 높아진다는 뜻이고, 그림에서도 두 곡선이 \(\ln t \approx 3.0\) 부근에서 교차한다. 쇤펠트 검정은 \(\chi^2 = 136.82\), \(p < 0.001\)로 압도적으로 기각한다.

여기서 반드시 짚어야 할 것이 있다. 오른쪽 자료에 그냥 콕스 모형을 적합하면 \(\hat\beta = +0.783\), 곧 \(\text{HR} = 2.19\)가 나온다. "처리가 위험을 두 배로 높인다"는 결론이다. 그런데 참 계수는 \(t = 0\)에서 \(-1.6\)(강한 보호)이고 \(t = 40\)에서 \(+2.8\)(강한 해악)이다. \(2.19\)라는 수는 어느 시점의 진실도 아니며, 하필 \(t \approx 22\)개월 부근에서만 맞는 시간 평균값이다. 비례위험이 깨진 자료에서 위험비 하나를 보고하는 것이 왜 위험한지가 이 숫자에 있다.

관측 대 기대 생존 그림

각 집단의 카플란–마이어 곡선을 콕스 모형이 예측한 생존곡선과 비교한다. 체계적인 불일치는 모형이 잘못 지정되었음을 시사한다.


3. 쇤펠트 검정

비례위험 가정에 대한 형식적 통계검정은 쇤펠트 잔차(Schoenfeld residual)에 근거한다(Grambsch and Therneau, 1994).

시점 \(t_{(j)}\)의 각 사건과 각 공변량 \(x_k\)에 대해 쇤펠트 잔차는

\[ r_{jk} = x_{i_j, k} - \bar{x}_{jk}(\hat{\boldsymbol{\beta}}) \]

이다. 여기서 \(x_{i_j, k}\)는 사건을 겪은 대상의 공변량 \(k\)의 값이고, \(\bar{x}_{jk}\)는 시점 \(t_{(j)}\)의 위험집합 가중평균이다.

비례위험 가정 아래에서 쇤펠트 잔차는 시간에 걸쳐 체계적인 추세를 갖지 않는다. 검정 절차는 다음과 같다.

  1. 각 공변량의 척도화된 쇤펠트 잔차를 계산한다.
  2. 척도화된 잔차를 시간의 함수(보통 \(t\), \(\ln t\), 또는 \(t\)의 카플란–마이어 변환)에 회귀시킨다.
  3. 기울기가 0과 유의하게 다른지 검정한다.

공변량 \(k\)의 검정통계량(test statistic)은

\[ \chi^2_k = \frac{\left(\sum_{j} g(t_{(j)}) \, r_{jk}^*\right)^2}{\text{Var}\left(\sum_{j} g(t_{(j)}) \, r_{jk}^*\right)} \]

이며 \(r_{jk}^*\)는 척도화된 쇤펠트 잔차이고 \(g(t)\)는 선택한 시간 함수다. \(H_0\)(비례위험 성립) 아래에서 \(\chi^2_k \sim \chi^2_1\)이다.

모든 공변량의 비례위험을 동시에 검정하는 전역 검정도 있으며 자유도는 \(p\)(공변량당 1)다.

쇤펠트 검정 출력

공변량 두 개(나이와 처리)를 갖는 콕스 모형의 결과다.

공변량 \(\chi^2\) p 값
나이 0.82 0.365
처리 7.45 0.006
전역 8.31 0.016

나이에 대해서는 비례위험 가정이 성립하지만 처리에 대해서는 위배된다. 처리 효과가 시간에 따라 변한다.


AI로 보는 통계학 1. 자료가 커지면 비례위험은 언제나 깨진다

위 쪽지의 검정 결과표를 보면 「처리: \(p = 0.006\), 그러므로 위배」라고 읽게 된다. 그런데 그 읽기에는 조건이 하나 숨어 있다 — 표본 크기다. \(\beta(t)\) 가 완전히 상수인 자료는 현실에 없고, 아무리 작은 기울기라도 사건이 충분히 많으면 검정은 그것을 찾아낸다. 오늘 다루는 자료는 임상시험의 수백 명이 아니라 수십만에서 수백만 줄이다.

얼마나 그런지 재어 보았다. 처리 효과가 아주 천천히 식는 자료(\(\beta(t) = 0.50 - 0.05t\), \(8\) 단위 동안 \(0.50\) 에서 \(0.10\) 으로)를 만들고 크기만 바꾸어 같은 검정을 돌린다.

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

H0, B0, G0, TAU = 0.25, 0.50, -0.05, 8.0    # 기저위험 0.25, beta(t) = 0.50 - 0.05 t

def make(n, rng):
    """처리군의 위험이 시간에 따라 조금씩 식는 자료."""
    g = rng.integers(0, 2, n)
    E = rng.exponential(1.0, n)
    arg = 1 + G0 * E / (H0 * np.exp(B0))
    # 위험이 식으므로 누적위험에 천장이 있다 — 끝내 사건을 겪지 않는 소수가 생긴다
    T = np.where(g == 0, E / H0, np.where(arg > 0, np.log(np.abs(arg)) / G0, np.inf))
    C = rng.uniform(0, TAU, n)
    return g, np.minimum(T, C), (T <= C)

def fit(g, t, d, time_varying):
    """이진 공변량이라 위험집합의 분모가 두 수로 끝난다 — 사건마다 O(1)."""
    o = np.argsort(t); g, t, d = g[o], t[o], d[o]
    n1 = np.cumsum(g[::-1])[::-1].astype(float)
    n0 = np.cumsum((1 - g)[::-1])[::-1].astype(float)
    ev = d == 1
    te = t[ev]
    def nll(p):
        b = p[0] + (p[1] * te if time_varying else 0.0)
        return -float((g[ev] * b - np.log(n0[ev] + n1[ev] * np.exp(b))).sum())
    return minimize(nll, np.zeros(2 if time_varying else 1), method="BFGS")

rng = np.random.default_rng(11)
print("        n   사건 수      비례위험 검정       한 수로 적합한 로그위험비   S(4) 예측오차")
for n in (1_000, 10_000, 100_000, 1_000_000):
    g, t, d = make(n, rng)
    r0, r1 = fit(g, t, d, False), fit(g, t, d, True)
    lr = 2 * (r0.fun - r1.fun)
    S_true = np.exp(-H0 * np.exp(B0) * (np.exp(G0 * 4) - 1) / G0)
    S_ph = np.exp(-H0 * 4 * np.exp(r0.x[0]))
    print(f"{n:>9}{int(d.sum()):>9}   LR {lr:8.1f}  p {stats.chi2.sf(lr, 1):9.2e}"
          f"{r0.x[0]:>13.4f}{abs(S_ph - S_true):>16.4f}")
print(f"\n참 beta(t) = {B0} {G0} t : t=0 에서 {B0:.2f}, t=4 에서 {B0+G0*4:.2f}, "
      f"t=8 에서 {B0+G0*8:.2f}")

출력:

        n   사건 수      비례위험 검정       한 수로 적합한 로그위험비   S(4) 예측오차
     1000      623   LR      1.8  p  1.79e-01       0.4916          0.0294
    10000     6222   LR     10.6  p  1.13e-03       0.4691          0.0222
   100000    62613   LR     78.1  p  9.79e-19       0.4203          0.0062
  1000000   625408   LR    963.5  p 1.53e-211       0.4111          0.0032

참 beta(t) = 0.5 -0.05 t : t=0 에서 0.50, t=4 에서 0.30, t=8 에서 0.10

검정통계량이 \(n\) 에 비례해 자란다. \(1.8 \to 10.6 \to 78.1 \to 963.5\) 로 열 배마다 열 배다. 자료가 달라진 것이 아니라 같은 불일치를 더 잘 보게 된 것뿐인데, \(p\) 값은 \(0.18\) 에서 \(10^{-211}\) 로 간다. \(n = 1{,}000\) 에서 「가정이 성립한다」고 적고 \(n = 10^6\) 에서 「심각한 위배」라고 적는다면, 두 문장은 자료가 아니라 표본 크기를 보고한 것이다.

그러면서 틀린 정도는 오히려 줄어든다. 마지막 열은 한 수로 적합한 모형이 말하는 \(t = 4\) 생존확률과 참값의 차이인데 \(0.029 \to 0.003\) 으로 작아진다. \(n\) 이 커질수록 가중평균이 안정되어 추정은 정확해지고 검정은 더 많이 기각한다. 둘은 다른 질문에 답하고 있다 — 검정은 「\(\beta(t)\) 가 정확히 상수인가」를, 예측오차는 「상수로 적어도 쓸 만한가」를 묻는다.

그러니 큰 자료에서는 검정의 \(p\) 값이 아니라 크기를 보아야 한다. 쇤펠트 잔차의 기울기가 얼마인지, 그 기울기가 관심 시점의 생존확률을 몇 퍼센트포인트 움직이는지를 재고, 그 폭이 결정을 바꿀 만한지로 판단한다. 아래 \(5\) 절의 대응(층화(stratification)·시간가변 계수·조각별 모형)은 전부 대가가 있으므로, 「깨졌다」가 아니라 「이만큼 깨졌다」를 먼저 적어야 그 대가를 치를지 정할 수 있다.

4. 늦게 갈라지면 검정이 힘을 잃는다

위의 로그–로그 그림은 효과가 뒤집히는 위배를 보였다. 그보다 흔하고 덜 극적인 위배가 하나 더 있다. 효과가 뒤집히지는 않는데 늦게 도착하는 경우다. 처음 \(t_0\) 개월 동안은 두 집단에 아무 차이가 없고, 그 뒤부터 위험이 줄어든다.

\[ \frac{h_1(t)}{h_0(t)} = \begin{cases} 1 & t < t_0 \\[2pt] 0.62 & t \ge t_0 \end{cases} \]

위험비가 시간에 따라 변하므로 비례위험이 깨진 것은 맞다. 그런데 처리는 분명히 좋다 — 지연이 끝난 뒤에는 위험을 \(38\%\) 줄인다. 문제는 그 좋음을 검정이 잡아내느냐다.

집단당 \(150\) 명, 추적 \(36\) 개월, 대조군의 중앙생존을 \(12\) 개월로 두고 지연 \(t_0\) 만 바꾸어 \(1200\) 번씩 모의실험한다. 양측 \(\alpha = 0.05\) 다.

왼쪽은 두 생존곡선이 6 개월까지 겹쳐 있다가 그 뒤로 갈라지는 계단 그림이다. 가운데는 같은 자료의 로그–로그 생존 그림으로 앞쪽에서 붙어 있다가 뒤로 갈수록 벌어진다. 오른쪽은 지연이 길어질 때 로그순위·가중 로그순위·RMST 차이 세 검정의 검정력이 서로 다르게 떨어지는 곡선이다

효과가 늦게 도착할 때. 왼쪽과 가운데는 지연 \(6\) 개월인 한 번의 시험이고(집단당 \(2000\) 명), 오른쪽은 지연을 \(0\) 에서 \(15\) 개월까지 바꾸며 잰 세 검정의 검정력이다.

왼쪽. \(6\) 개월까지 두 곡선이 겹쳐 있다. 이 구간에서 일어난 사건들은 처리에 관해 아무것도 말해 주지 않는데, 로그순위 검정은 그 사건들에도 똑같은 무게를 준다. 정보가 없는 자리의 잡음이 정보가 있는 자리의 신호를 묻어 버리는 구조다.

가운데. 같은 자료의 로그–로그 그림이다. 두 곡선이 앞쪽에서는 붙어 있다가 뒤로 갈수록 벌어진다. 평행하지 않으니 비례위험이 깨졌다는 진단은 나오지만, 교차하지는 않는다 — 뒤집히는 위배와 늦게 오는 위배가 그림에서 이렇게 갈린다.

오른쪽. 지연이 길어질 때 세 검정이 서로 다르게 무너진다.

지연 \(t_0\) (개월) 로그순위 가중 로그순위 RMST 차이
\(0\) \(\mathbf{96.4\%}\) \(88.3\%\) \(95.4\%\)
\(4\) \(78.7\%\) \(\mathbf{84.5\%}\) \(68.0\%\)
\(6\) \(64.7\%\) \(\mathbf{78.3\%}\) \(50.2\%\)
\(12\) \(31.2\%\) \(\mathbf{55.2\%}\) \(18.2\%\)
\(15\) \(21.8\%\) \(\mathbf{41.6\%}\) \(12.1\%\)

지연 하나로 로그순위의 검정력이 \(96.4\%\) 에서 \(21.8\%\) 로 내려앉는다. 지연이 끝난 뒤의 위험비는 다섯 줄 모두 \(0.62\) 로 똑같다. 치료가 나빠진 것이 아니라 늦게 들었을 뿐인데 다섯 번에 네 번은 놓친다.

가중 로그순위는 버틴다. 여기서 쓴 무게는 \(w(t) = 1 - \hat S(t^-)\) 로, 시간이 갈수록 커져 늦은 차이에 무게를 싣는다(플레밍–해링턴(Fleming–Harrington) \(G(0,1)\) 가중). 지연이 없을 때는 \(88.3\%\) 로 로그순위보다 \(8\) 퍼센트포인트 손해를 보지만, 지연 \(15\) 개월에서는 \(41.6\%\) 로 \(20\) 퍼센트포인트를 번다. 두 검정의 순서가 뒤바뀌는 자리는 지연 \(2\) 개월과 \(4\) 개월 사이다.

RMST 차이가 가장 크게 무너진다는 점이 뜻밖일 수 있다(\(95.4\% \to 12.1\%\)). \([0, \tau]\) 에서 생존곡선 아래 면적을 평균하기 때문이다. 늦게 얻은 이득은 짧은 구간에만 들어가므로 전체 면적에서 묽어진다. 비례위험을 가정하지 않는다는 장점이 늦은 효과를 잘 잡는다는 뜻은 아니다.

그래서 결론이 하나로 모인다. 무게를 어디에 실을지는 자료를 보기 전에 정해야 한다. 효과가 늦게 올 것이라 예상하면 늦은 쪽에 무게를 싣고, 모르면 사건이 실제로 쌓인 구간에 싣는다 — 연습문제 7이 \(g(t)\) 를 고르는 이 문제를 따진다. 자료를 본 뒤에 가장 작은 \(p\) 값을 주는 무게를 고르는 것은 검정이 아니라 다중검정이다.


5. 비례위험 위배에 대한 대응

어떤 공변량에서 비례위험 가정이 깨지면 몇 가지 전략을 쓸 수 있다.

1. 층화

문제가 된 공변량으로 기저위험을 나눈다. 두 수준을 갖는 이항변수 \(z\)에 대해 층화 콕스 모형은

\[ h(t \mid \mathbf{x}, z=g) = h_{0g}(t) \exp(\boldsymbol{\beta}^\top \mathbf{x}) \]

이다. 각 층 \(g\)가 자신의 기저위험을 갖지만 공변량 효과 \(\boldsymbol{\beta}\)는 공유한다. 층화를 쓰면 별도의 모형을 세우지 않고도 집단마다 위험의 모양이 다를 수 있게 된다.

대가: 층화에 쓴 변수의 위험비는 더 이상 추정할 수 없다. 그 변수의 효과가 기저위험 안으로 흡수되기 때문이다. 처리 효과 자체가 관심사라면 층화는 적절한 선택이 아니다.

2. 시간에 따라 변하는 계수

상수 \(\beta_k\)를 시간 의존 계수 \(\beta_k(t)\)로 바꾼다.

\[ h(t \mid \mathbf{x}) = h_0(t) \exp\!\left(\sum_{k} \beta_k(t) \, x_k\right) \]

간단한 접근은 공변량과 시간 함수의 교호작용(interaction, 예: \(x_k \cdot \ln t\))을 넣는 것이다.

\[ h(t \mid \mathbf{x}) = h_0(t) \exp(\beta_k x_k + \gamma_k x_k \ln t) \]

\(\gamma_k = 0\)이면 표준 콕스 모형으로 돌아간다. 따라서 \(\gamma_k = 0\)의 검정이 곧 비례위험 가정의 검정이기도 하다.

3. 조각별 콕스 모형

시간축을 구간으로 나누고 각 구간에서 별도의 콕스 모형을 적합하거나 별도의 계수를 추정한다. 미리 정한 시간창에 걸쳐 위험비가 변할 수 있게 된다.

구간의 경계는 반드시 자료를 보기 전에 정해야 한다. 자료를 보고 위험비가 바뀌는 지점을 고르면 그 자체가 다중비교(multiple comparisons) 문제가 되어 p 값이 무효가 된다.

비례위험 위배를 무시하지 말 것

비례위험 가정이 위배되면 보고된 위험비는 오도한다. 어느 특정 시점에서도 성립하지 않을 수 있는 시간 평균 효과를 나타내기 때문이다. 콕스 모형 결과를 해석하기 전에 반드시 가정을 점검하라.

다만 반대 극단도 경계하라. 표본이 아주 크면 실무적으로 무의미한 작은 위배도 쇤펠트 검정이 유의하게 잡아낸다. p 값과 함께 척도화 잔차의 추세 그림을 보고 효과 변화의 크기가 실제로 중요한지 판단해야 한다.


연습문제

연습문제 1. 비례위험 가정

공변량 두 개(나이와 처리)를 갖는 콕스 모형의 쇤펠트 검정 결과다.

공변량 \(\chi^2\) p 값
나이 1.23 0.267
처리 6.89 0.009
전역 7.54 0.023

(a) 어느 공변량에서 비례위험 가정이 위배된 것으로 보이는가?

(b) 위배에 대한 대응책 두 가지를 제시하라.

풀이

(a) 처리에 대해 비례위험 가정이 위배된다(\(p = 0.009 < 0.05\)). 나이는 그렇지 않다 (\(p = 0.267\)). 전역 검정도 기각하므로(\(p = 0.023\)) 적어도 하나의 위배가 있음을 확인해 준다.

(b) 두 가지 대응책.

  1. 층화: 처리 집단마다 별도의 기저위험을 갖는 층화 콕스 모형을 적합하고, 나이 효과만 회귀계수(regression coefficient)로 추정한다.
  2. 시간 의존 계수: 처리 \(\times \ln(t)\) 교호작용 항을 넣어 처리 효과가 시간에 따라 변할 수 있게 한다.

무엇이 관심사인지에 따라 선택이 달라진다

두 대응책은 얻는 것이 다르다.

  • 층화는 처리의 위험비를 포기한다. 처리 효과가 기저위험에 흡수되므로 더 이상 \(\text{HR}_{\text{처리}}\)를 보고할 수 없다. 처리가 장애변수(nuisance variable, 보정만 하면 되는 변수)이고 나이 효과가 관심사라면 이것으로 충분하고 계산도 간단하다.
  • 시간 의존 계수는 처리 효과를 유지하되 그것이 시간의 함수임을 인정한다. \(\beta(t) = \beta + \gamma\ln t\)이므로, 예컨대 \(\hat\beta = -0.8\), \(\hat\gamma = 0.3\)이면 \(t = 1\)에서 \(\text{HR} = e^{-0.8} = 0.45\)(보호적)이지만 \(t = 15\)에서 \(\text{HR} = e^{-0.8 + 0.3\ln 15} = e^{0.012} = 1.01\)(효과 소멸)이 된다.

임상시험처럼 처리 효과 자체가 결론인 상황에서는 시간 의존 계수를 써야 한다. 층화하면 정작 답해야 할 질문에 답하지 못한다.

세 번째 선택지도 있다. 비례위험을 아예 요구하지 않는 제한 평균 생존시간(RMST)의 차이를 보고하는 것이다. 21.2절 로그순위 검정 연습문제 3 에서 언급한 대로, 이 방법은 효과크기(effect size)가 "평균 생존기간의 차이(개월)"로 해석되어 소통에도 유리하다. 다만 절 \(4\) 에서 본 대로 효과가 늦게 오는 위배에서는 RMST 의 검정력이 셋 가운데 가장 많이 깎인다. 그런 모양이 예상되면 가중 로그순위를 함께 보아야 한다.


연습문제 2. 로그–로그 그림에서 계수 읽기

두 집단의 로그–로그 생존곡선 \(\ln(-\ln \hat S_g(t))\)의 수직 간격을 세 시점에서 쟀더니 \(-0.71\), \(-0.68\), \(-0.70\)이었다.

(a) 비례위험 가정이 성립한다고 볼 수 있는가?

(b) \(\hat\beta\)와 위험비는 얼마로 읽히는가?

풀이

(a) 세 간격이 \(-0.71 \sim -0.68\) 안에 있어 사실상 상수다. 두 곡선이 평행하다는 뜻이므로 비례위험 가정과 어긋나지 않는다.

(b) 본문의 항등식

\[ \ln\!\bigl(-\ln S(t \mid \mathbf{x})\bigr) = \ln H_0(t) + \boldsymbol{\beta}^\top \mathbf{x} \]

에서 기저 항 \(\ln H_0(t)\)는 두 집단에 공통이므로 빼면 사라진다. 남는 수직 간격이 곧 \(\boldsymbol{\beta}^\top(\mathbf{x}_1 - \mathbf{x}_2)\)다. 처리를 \(z = 1\), 대조를 \(z = 0\)으로 두면 간격이 바로 \(\beta\)이므로

\[ \hat\beta \approx -0.70, \qquad \widehat{\text{HR}} = e^{-0.70} = 0.497 \]

이다. 처리군의 위험이 대조군의 절반쯤이라는 뜻이다. \(\square\)

간격을 한 지점에서만 재면 안 된다는 점도 함께 기억하라. 비례위험이 깨진 자료에서도 어느 한 시점의 간격은 언제나 존재한다. 여러 시점에서 재어 같은 값이 나오는지를 보는 것이 요점이다.


연습문제 3. 위험비가 시간에 의존하지 않는다는 말

콕스 모형 \(h(t \mid \mathbf{x}) = h_0(t)\exp(\boldsymbol\beta^\top \mathbf{x})\)에서 나이 \(a\)(세)와 처리 \(z \in \{0, 1\}\)를 쓰고 \(\beta_{\text{나이}} = 0.04\), \(\beta_{\text{처리}} = -0.7\)이라 하자.

(a) 60세 처리군과 50세 대조군의 위험비를 구하고, 그 값이 \(t\)에 의존하지 않는 까닭을 기저위험 \(h_0\)의 모양을 쓰지 않고 설명하라.

(b) 기저위험이 와이불(\(h_0(t) = \lambda k t^{k-1}\))이든 상수든 (a)의 답이 달라지지 않는다. 그렇다면 비례위험 가정은 기저위험의 무엇을 제약하는가?

풀이

(a) 두 위험을 나누면 기저위험이 약분된다.

\[ \frac{h(t \mid a = 60, z = 1)}{h(t \mid a = 50, z = 0)} = \frac{h_0(t)\,e^{0.04 \times 60 - 0.7}}{h_0(t)\,e^{0.04 \times 50}} = e^{0.04 \times 10 - 0.7} = e^{-0.3} = 0.741 \]

\(h_0(t)\)가 분자와 분모에 똑같이 들어 있으므로 그 모양이 무엇이든 사라진다. 비례위험 가정의 내용이 바로 이 약분이다.

(b) 비례위험 가정은 기저위험의 모양을 전혀 제약하지 않는다. 위험이 커지든 작아지든 들쭉날쭉하든 상관없다. 제약하는 것은 공변량이 위험에 들어가는 방식이다. 공변량은 시간에 무관한 상수배 \(\exp(\boldsymbol\beta^\top\mathbf{x})\)로만 작용해야 한다. 콕스 모형이 "준모수적"이라 불리는 까닭이 여기 있다. \(h_0\)는 자유롭게 두고 \(\boldsymbol\beta\)만 모수로 두기 때문이다. \(\square\)


연습문제 4. 로그–로그 변환의 유도

\(S(t \mid \mathbf{x}) = \exp\bigl(-H(t \mid \mathbf{x})\bigr)\)와 \(H(t \mid \mathbf{x}) = H_0(t)\exp(\boldsymbol\beta^\top\mathbf{x})\)에서 출발하여 \(\ln(-\ln S(t \mid \mathbf{x})) = \ln H_0(t) + \boldsymbol\beta^\top\mathbf{x}\)를 유도하고, 두 공변량 프로파일의 곡선이 수직으로 평행이동한 꼴임을 보여라. 가로축을 \(t\)가 아니라 \(\ln t\)로 잡는 관행은 이 결론에 영향을 주는가?

풀이

생존함수(survival function)에 로그를 취하면 \(\ln S = -H\)이므로 \(-\ln S = H\)이고, 다시 로그를 취하면

\[ \ln(-\ln S(t \mid \mathbf{x})) = \ln H(t \mid \mathbf{x}) = \ln\!\bigl(H_0(t) e^{\boldsymbol\beta^\top\mathbf{x}}\bigr) = \ln H_0(t) + \boldsymbol\beta^\top\mathbf{x} \]

이다. 곱이 합이 되는 자리가 요점이다. 비례위험은 누적위험에 상수배로 들어가는데, 로그가 그 상수배를 상수 덧셈으로 바꾼다.

두 프로파일 \(\mathbf{x}_1\), \(\mathbf{x}_2\)에 대해 차를 잡으면

\[ \ln(-\ln S_1(t)) - \ln(-\ln S_2(t)) = \boldsymbol\beta^\top(\mathbf{x}_1 - \mathbf{x}_2) \]

로 \(t\)가 사라진다. 곧 한 곡선은 다른 곡선을 세로로 그만큼 밀어 놓은 것이다.

가로축을 \(\ln t\)로 잡아도 결론은 그대로다. 위 차이는 가로축의 눈금을 어떻게 매기든 상수이기 때문이다. \(\ln t\)를 쓰는 것은 순전히 보기 위한 선택이다. 사건이 초반에 몰리는 생존자료에서 \(t\) 축을 쓰면 왼쪽이 뭉개지는데, 로그를 씌우면 그 구간이 펴져 평행 여부를 눈으로 가리기 쉬워진다. 덤으로 기저가 와이불이면 \(\ln H_0(t) = \ln\lambda + k\ln t\)라 곡선이 직선이 되어 판단이 한결 쉽다. \(\square\)


연습문제 5. 시간 의존 계수가 말하는 것

본문의 대응책 가운데 \(\beta(t) = \beta + \gamma \ln t\) 꼴을 쓴다. 어떤 자료에서 \(\hat\beta = -1.20\), \(\hat\gamma = 0.45\)를 얻었다(시간 단위는 개월).

(a) \(t = 1, 6, 24\)개월에서의 위험비를 구하라.

(b) 위험비가 \(1\)이 되는 시점을 구하고, 그 전후로 처리의 뜻이 어떻게 달라지는지 말하라.

(c) 이 모형에 비례위험 가정을 다시 씌우는 것은 어떤 귀무가설인가?

풀이

(a) \(\text{HR}(t) = \exp(\hat\beta + \hat\gamma\ln t)\)에 넣는다.

\[ \begin{aligned} \text{HR}(1) &= e^{-1.20 + 0.45\ln 1} = e^{-1.20} = 0.301 \\ \text{HR}(6) &= e^{-1.20 + 0.45\ln 6} = e^{-0.394} = 0.674 \\ \text{HR}(24) &= e^{-1.20 + 0.45\ln 24} = e^{+0.230} = 1.259 \end{aligned} \]

(b) \(\text{HR}(t) = 1 \iff \beta + \gamma\ln t = 0 \iff t = e^{-\beta/\gamma}\)이므로

\[ t^{*} = e^{1.20/0.45} = e^{2.667} = 14.4 \text{ 개월} \]

이다. 그 전에는 처리가 보호적이고(\(\text{HR} < 1\)) 그 뒤로는 해로워진다. 이런 자료에 상수 위험비 하나를 보고하면 두 국면을 한 수로 뭉개게 된다.

(c) \(H_0: \gamma = 0\)이다. \(\gamma = 0\)이면 \(\beta(t) = \beta\)로 상수가 되어 표준 콕스 모형으로 돌아간다. 그러므로 \(\gamma\)에 대한 왈드 검정이 곧 비례위험 검정이고, 쇤펠트 검정과 같은 질문을 다른 길로 묻는 것이다. \(\square\)

\(\ln t\)를 쓰는 데에는 까닭이 있다. \(t\)를 그대로 쓰면 추적 후반의 몇 안 되는 사건이 교호작용 항을 좌우하는데, 로그가 그 지렛대를 눌러 준다. 다만 \(t < 1\)에서 \(\ln t < 0\)이라 시간 단위를 개월에서 일로 바꾸면 \(\hat\beta\)의 뜻이 달라진다는 점은 주의해야 한다. \(\hat\beta\)는 언제나 \(t = 1\) 단위 시점의 로그 위험비다.


연습문제 6. 층화가 포기하는 것

성별 \(z \in \{\text{남}, \text{여}\}\)에서 비례위험이 깨져 성별로 층화한 콕스 모형 \(h(t \mid \mathbf{x}, z = g) = h_{0g}(t)\exp(\boldsymbol\beta^\top\mathbf{x})\)를 적합했다.

(a) 이 모형의 부분가능도에서 한 사건이 기여하는 항을 쓰고, 위험집합이 어떻게 달라지는지 설명하라.

(b) 성별의 위험비를 추정할 수 없는 까닭을 (a)에서 읽어라.

(c) 층별 인원이 아주 작으면(예: 층마다 \(3\)명) 무엇이 문제가 되는가?

풀이

(a) 층 \(g\)의 시점 \(t_{(j)}\)에 대상 \(i\)가 사건을 겪었다면 그 기여는

\[ \frac{\exp(\boldsymbol\beta^\top\mathbf{x}_i)}{\sum_{\ell \in R_g(t_{(j)})} \exp(\boldsymbol\beta^\top\mathbf{x}_\ell)} \]

이고 전체 부분가능도는 층마다 이런 항을 곱한 것이다. 위험집합 \(R_g\)가 같은 층 안으로 좁혀진다는 것이 층화의 전부다. 남성의 사건은 남성하고만, 여성의 사건은 여성하고만 견준다.

(b) 같은 층 안에서는 모든 대상이 같은 \(z\) 값을 가지므로, \(z\)의 계수는 분자와 분모에 똑같이 들어가 약분된다. 부분가능도가 \(\beta_z\)에 전혀 의존하지 않으니 추정할 자료가 없는 것이다. 성별의 효과는 \(h_{0\text{남}}\)과 \(h_{0\text{여}}\)라는 두 기저위험의 차이 안으로 들어가 버렸고, 콕스 모형은 기저위험을 추정하지 않는다.

(c) 층이 잘게 쪼개지면 각 위험집합이 작아져 쓸 수 있는 비교 쌍이 줄어든다. 극단 으로 층마다 사건이 하나뿐이면 그 층의 기여가 \(1\)에 가까워져 정보를 거의 주지 못한다. 층화는 공짜가 아니며, 층을 늘릴수록 \(\boldsymbol\beta\)의 표준오차가 커진다. 연속변수로 층화할 때 구간을 지나치게 잘게 나누지 말라는 권고가 여기서 나온다. \(\square\)


연습문제 7. 쇤펠트 잔차가 0 둘레에 머문다는 말

시점 \(t_{(j)}\)에서 사건을 겪은 대상의 공변량을 \(x_{i_j}\), 위험집합의 가중평균을 \(\bar x_j(\boldsymbol\beta) = \sum_{\ell \in R_j} x_\ell w_\ell\)(\(w_\ell\)은 \(\exp(\beta x_\ell)\)을 정규화한 가중치)이라 할 때 쇤펠트 잔차는 \(r_j = x_{i_j} - \bar x_j(\hat{\boldsymbol\beta})\)다.

(a) 참 \(\beta\) 아래에서 \(E[r_j \mid R_j] = 0\)임을 보여라.

(b) 비례위험이 깨져 참 계수가 \(\beta(t)\)라면 \(r_j\)가 시간에 대해 어떤 추세를 보이는지 설명하라.

(c) 검정에서 \(g(t) = t\) 대신 \(g(t) = \ln t\)나 카플란–마이어 변환을 쓰는 까닭은 무엇인가?

풀이

(a) 콕스 모형의 부분가능도 아래에서, 위험집합 \(R_j\)가 주어졌을 때 그 가운데 누가 사건을 겪는지는 가중치 \(w_\ell \propto \exp(\beta x_\ell)\)을 갖는 분포를 따른다. 그러면

\[ E[x_{i_j} \mid R_j] = \sum_{\ell \in R_j} x_\ell w_\ell = \bar x_j(\beta) \]

이므로 \(E[r_j \mid R_j] = \bar x_j(\beta) - \bar x_j(\beta) = 0\)이다. 잔차는 설계상 평균이 0이다. 쇤펠트 잔차가 점수함수(score)의 항별 분해라는 사실의 다른 표현이기도 하다. 모든 \(j\)에 대해 더하면 점수방정식이 되고, \(\hat\beta\)는 그 합을 \(0\)으로 만드는 값이다.

(b) 참 계수가 \(\beta(t)\)인데 상수 \(\hat\beta\)를 끼워 넣으면, \(\beta(t) > \hat\beta\) 인 시간대에서는 공변량이 큰 대상이 기대보다 더 자주 사건을 겪어 \(r_j > 0\) 쪽으로 쏠리고, \(\beta(t) < \hat\beta\)인 시간대에서는 반대로 쏠린다. 곧 \(r_j\)가 시간에 대해 체계적인 추세를 갖는다. 척도화한 잔차에 \(\hat\beta\)를 더하면 \(\beta(t)\)의 거친 추정값이 되므로, 잔차 그림을 "계수가 시간에 따라 어떻게 변하는가"의 그림으로 읽을 수 있다.

(c) 검정통계량은 \(\sum_j g(t_{(j)}) r_j^*\) 꼴이라 \(g\)가 어느 시간대에 무게를 싣는지를 정한다. \(g(t) = t\)를 쓰면 추적 후반의 몇 안 되는 사건이 통계량을 좌우해 한두 관측값에 휘둘린다. \(\ln t\)나 카플란–마이어 변환은 사건이 실제로 쌓인 구간으로 무게를 옮겨 준다. 바꾸어 말하면 검정력이 가장 높아지는 \(g\)는 참 \(\beta(t)\)의 모양을 닮은 \(g\)이고, 그 모양을 모르니 자료가 많은 쪽에 무게를 싣는 안전한 선택을 하는 것이다. \(\square\)


연습문제 8. 비례위험이 깨진 자료를 직접 만들어 보기

기저가 와이불(\(H_0(t) = \lambda t^k\), \(k = 1.5\), \(\lambda = 0.03\))이고 집단당 \(450\)명, 추적을 \(40\)개월에서 끊는 자료를 두 벌 만든다. \(\S 2\) 의 그림과 같은 \(\beta(t)\) 를 쓰지만 기저가 다르다 — 거기서는 \(H_0(t) = (t/34)^{1.5}\) 로 \(H_0(40) = 1.27\) 인데 여기서는 \(0.03 \times 40^{1.5} = 7.59\) 로 여섯 배 높다. 그 차이가 \(\hat\beta\) 의 부호까지 바꾸는 것을 아래에서 보게 된다.

자료 둘 가운데 하나는 효과가 \(\beta = -0.7\) 로 일정하고, 다른 하나는 \(\beta(t) = -1.6 + 0.11t\)로 보호에서 해악으로 뒤집힌다.

(a) 두 자료에 콕스 모형을 적합해 \(\hat\beta\)와 쇤펠트 검정을 견주어라.

(b) 뒤집히는 자료에서 얻은 위험비 하나가 어느 시점의 진실인지 찾아라.

풀이

(a) 효과가 일정한 쪽은 역변환으로 정확히 뽑을 수 있다. \(H(t) = \lambda t^k e^{\beta z}\) 이므로 \(E \sim \text{Exp}(1)\)에 대해 \(T = (E / (\lambda e^{\beta z}))^{1/k}\)다. 효과가 시간에 따라 변하면 닫힌 꼴이 없으므로 누적위험을 잘게 쌓아 \(E\)를 처음 넘는 시각을 쓴다.

import numpy as np
import pandas as pd
from lifelines import CoxPHFitter
from lifelines.statistics import proportional_hazard_test

rng = np.random.default_rng(1)
n, k, lam, horizon = 450, 1.5, 0.03, 40.0     # 집단당 인원, 와이불 모양·척도, 추적 종료
z = np.r_[np.zeros(n), np.ones(n)]            # 0 = 대조, 1 = 처리

# (1) 효과가 일정한 자료. H(t) = lam t^k e^{beta z} 를 뒤집어 정확히 뽑는다
E = rng.exponential(size=2 * n)
t1 = (E / (lam * np.exp(-0.7 * z))) ** (1 / k)
e1 = (t1 <= horizon).astype(int)
t1 = np.minimum(t1, horizon)

# (2) 효과가 시간에 따라 뒤집히는 자료. beta(t) = -1.6 + 0.11t
# beta 가 t 에 의존하면 닫힌 꼴 역변환이 없다. 누적위험을 잘게 쌓아
# U ~ Exp(1) 을 처음 넘는 시각을 사건시각으로 삼는다.
grid = np.linspace(0, horizon, 8001)
h0 = lam * k * np.clip(grid, 1e-9, None) ** (k - 1)
H = np.cumsum(h0 * np.exp(np.outer(z, -1.6 + 0.11 * grid)) * (grid[1] - grid[0]), axis=1)
u = rng.exponential(size=2 * n)
hit = H[:, -1] >= u
t2 = np.where(hit, grid[(H >= u[:, None]).argmax(axis=1)], horizon)
e2 = hit.astype(int)

for name, t, e in (("효과 일정", t1, e1), ("효과 뒤집힘", t2, e2)):
    df = pd.DataFrame({"t": t, "event": e, "z": z})
    cph = CoxPHFitter().fit(df, "t", "event")
    b, se = cph.params_["z"], cph.standard_errors_["z"]
    zph = proportional_hazard_test(cph, df, time_transform="log")
    chi2 = float(np.ravel(zph.test_statistic)[0])
    p = float(np.ravel(zph.p_value)[0])
    print(f"{name:7s}  beta_hat = {b:+.3f} (se {se:.3f}, 95% CI "
          f"{b - 1.96 * se:+.3f}~{b + 1.96 * se:+.3f})  HR = {np.exp(b):.3f}")
    print(f"           쇤펠트 chi2 = {chi2:6.2f},  p = {p:.3g}")

# 뒤집히는 자료에서 참 위험비는 시점마다 다르다
for s in (0, 10, 20, 30, 40):
    print(f"  t = {s:2d} 개월:  참 beta(t) = {-1.6 + 0.11 * s:+.2f},  참 HR = {np.exp(-1.6 + 0.11 * s):.3f}")

출력:

효과 일정    beta_hat = -0.712 (se 0.070, 95% CI -0.849~-0.574)  HR = 0.491
           쇤펠트 chi2 =   1.05,  p = 0.304
효과 뒤집힘   beta_hat = -0.399 (se 0.068, 95% CI -0.532~-0.267)  HR = 0.671
           쇤펠트 chi2 =  49.48,  p = 2.01e-12
  t =  0 개월:  참 beta(t) = -1.60,  참 HR = 0.202
  t = 10 개월:  참 beta(t) = -0.50,  참 HR = 0.607
  t = 20 개월:  참 beta(t) = +0.60,  참 HR = 1.822
  t = 30 개월:  참 beta(t) = +1.70,  참 HR = 5.474
  t = 40 개월:  참 beta(t) = +2.80,  참 HR = 16.445

효과가 일정한 쪽은 \(\hat\beta = -0.712\)로 참값 \(-0.7\)을 신뢰구간이 넉넉히 담고, 쇤펠트 검정도 \(p = 0.304\)로 아무 흔적이 없다. 모형이 맞으면 검정이 조용하다.

(b) 뒤집히는 쪽은 쇤펠트 \(p = 2 \times 10^{-12}\)로 압도적으로 기각한다. 그런데도 콕스 모형은 \(\hat\beta = -0.399\), 곧 \(\text{HR} = 0.671\)이라는 하나의 수를 내놓는다. \(\S 2\) 의 그림이 같은 \(\beta(t)\) 에서 \(+0.783\) 을 얻은 것과 부호가 반대인데, 둘 다 맞는 값이다 — 기저위험이 여섯 배 높은 이 자료는 사건이 일찍 몰려 \(\beta(t) < 0\) 인 구간에서 정보를 얻고, 기저가 낮은 그쪽은 사건이 늦게까지 퍼져 \(\beta(t) > 0\) 인 구간을 더 본다. 콕스가 내놓는 하나의 수가 어느 시점의 값이 되는지는 \(\beta(t)\) 가 아니라 사건이 언제 일어나는지가 정한다. 참 \(\beta(t) = -1.6 + 0.11t\)가 \(-0.399\)와 같아지는 시점을 풀면

\[ -1.6 + 0.11t = -0.399 \quad \Longrightarrow \quad t = 10.9 \text{ 개월} \]

이다. \(0.671\)은 \(11\)개월 언저리에서만 맞는 수이며, \(t = 0\)의 참값 \(0.202\)와도 \(t = 40\)의 참값 \(16.4\)와도 전혀 다르다. 더 나쁜 것은 부호다. 이 자료를 받은 분석가는 "처리가 위험을 \(33\%\) 낮춘다"고 보고하겠지만, 실제로는 \(15\)개월을 넘긴 환자에게 처리가 해롭다. 비례위험 검정을 건너뛰면 이런 결론이 나온다. \(\square\)

왜 하필 \(11\)개월인가는 다음 연습문제에서 따진다. 사건이 몰린 시간대가 평균을 끌어당기기 때문이다.


연습문제 9. 콕스 추정값은 무엇의 평균인가

참 계수가 \(\beta(t)\)인데 상수 \(\beta\)를 가정하고 적합하면 \(\hat\beta\)는 무엇으로 수렴하는가. 이항 공변량 \(z \in \{0,1\}\)에 대해 점수방정식

\[ U(\beta) = \sum_{j} \bigl(z_{i_j} - \bar z_j(\beta)\bigr) = 0 \]

에서 출발하여, \(\hat\beta\)가 \(\beta(t)\)의 가중평균 꼴로 결정됨을 보이고 그 가중치가 무엇에 비례하는지 말하라. 연습문제 8에서 \(\hat\beta\)가 \(t \approx 11\)개월의 참값과 같았던 까닭을 이것으로 설명하라.

풀이

점수방정식을 시간으로 쪼갠다. 사건시각 \(t_{(j)}\)마다 한 항씩 있으므로 합을 시간에 대한 적분으로 보면

\[ U(\beta) = \int_0^\infty \bigl\{ \bar z^{\text{obs}}(t) - \bar z(\beta, t) \bigr\} \, dN(t) \]

꼴이다. 여기서 \(dN(t)\)는 시점 \(t\)의 사건 수이고, \(\bar z^{\text{obs}}\)는 실제로 사건을 겪은 대상의 \(z\), \(\bar z(\beta, t)\)는 상수 \(\beta\)가 예측하는 위험집합 가중평균이다.

각 시점이 밀어붙이는 방향. 시점 \(t\) 둘레만 보면 그 자리의 자료는 국소적으로 \(\beta(t)\)를 가리킨다. \(\bar z(\cdot, t)\)가 \(\beta\)에 대해 증가함수이므로, \(t\) 둘레의 항은 \(\beta < \beta(t)\)이면 \(U\)를 양으로, \(\beta > \beta(t)\)이면 음으로 민다. 1차 근사로 그 기여는 \(\{\beta(t) - \beta\}\)에 국소 정보량

\[ v(t) = \operatorname{Var}\bigl(z \mid R(t)\bigr) \cdot dN(t) \]

를 곱한 것이다. 모든 시점을 더해 \(0\)으로 놓으면

\[ \sum_t v(t)\{\beta(t) - \hat\beta\} = 0 \quad \Longrightarrow \quad \hat\beta = \frac{\sum_t v(t)\,\beta(t)}{\sum_t v(t)} \]

이다. \(\hat\beta\)는 \(\beta(t)\)를 \(v(t)\)로 가중한 평균이고, 가중치는 그 시점의 사건 수와 위험집합 안 공변량의 분산의 곱에 비례한다.

연습문제 8의 \(11\)개월. 가중치가 사건 수에 비례하는데, 와이불 \(k = 1.5\) 자료에서 사건은 추적 전·중반에 몰린다. \(40\)개월까지 살아남아 후반의 큰 \(\beta(t)\)에 무게를 실어 줄 대상이 얼마 남지 않는 것이다. 게다가 처리군이 초반에 보호를 받아 오래 살아남는 바람에 후반 위험집합은 처리군으로 치우치고, 그러면 \(\operatorname{Var}(z \mid R(t))\)가 작아져 가중치가 한 번 더 깎인다. 두 효과가 겹쳐 평균이 앞쪽으로 끌려오고, 결과가 \(\beta(40) = +2.8\) 근처가 아니라 \(\beta(10.9) = -0.399\)가 된다.

실무적 함의. \(\hat\beta\)는 "평균적인 효과"가 아니라 이 연구의 추적 설계가 정한 가중치로 평균한 효과다. 같은 처리를 추적 기간만 바꾸어 다시 연구하면 다른 위험비가 나온다. 비례위험이 깨진 자료에서 연구들 사이의 위험비를 견주는 일이 위험한 까닭이다. \(\square\)


연습문제 10. 경계를 자료에서 고르면 무엇이 무너지는가

조각별 콕스 모형에서 구간 경계 \(\tau\)를 "위험비가 바뀌어 보이는 지점"으로 고른 뒤, 그 경계로 나눈 두 구간의 계수가 같다는 가설을 검정했다고 하자.

(a) 비례위험이 참으로 성립하는 자료에서도 이 절차의 1종 오류율이 명목 \(0.05\)를 넘는 까닭을 설명하라.

(b) \(m\)개의 후보 경계 가운데 최대 통계량을 고른다면 귀무분포가 무엇으로 바뀌는지 적고, 올바른 임계값을 얻는 두 가지 길을 제시하라.

(c) 경계를 미리 정할 수 없는 상황에서 쓸 수 있는 대안을 하나 들고, 그것이 왜 이 문제를 피해 가는지 말하라.

풀이

(a) 비례위험이 성립해도 유한표본에서 쇤펠트 잔차는 우연히 추세처럼 보이는 구간을 만든다. 자료를 보고 가장 그럴듯해 보이는 지점을 경계로 고른다는 것은 여러 후보 가운데 통계량이 가장 큰 것을 고른다는 뜻이고, 그 다음에 그 통계량을 마치 하나만 미리 정해 놓고 잰 것처럼 \(\chi^2_1\)에 대어 보는 것이다. 최댓값의 분포는 한 개의 분포보다 오른쪽 으로 밀려 있으므로 p 값이 작게 나온다. 고르는 행위 자체가 검정에 들어가지 않은 것이 문제다.

(b) 후보 \(\tau_1, \dots, \tau_m\)의 통계량을 \(T_1, \dots, T_m\)이라 하면 실제로 보고 되는 것은 \(T_{\max} = \max_i T_i\)이고, 귀무분포는 \(\chi^2_1\)이 아니라 \(T_{\max}\)의 분포다. 후보들이 독립이라면 \(P(T_{\max} \le c) = F_{\chi^2_1}(c)^m\)이겠지만, 이웃한 경계의 통계량은 거의 같은 자료를 쓰므로 강하게 상관되어 있어 이 곱셈 꼴은 지나치게 보수적이다.

올바른 임계값을 얻는 길 둘.

  1. 순열(또는 모의) 분포. 처리 이름표를 섞어(귀무 아래의 자료를 만들어) 같은 "최대를 고르는" 절차를 반복하고 \(T_{\max}\)의 분포를 직접 만든다. 고르는 행위까지 포함해 반복한다는 것이 핵심이다.
  2. 최댓값 통계량의 이론 분포. 경계를 옮기며 얻는 통계량 과정을 브라운 다리(Brownian bridge, 양 끝이 \(0\) 에 묶인 브라운 운동)로 근사해 그 상한의 분포를 쓰는 길이다(변화점 문헌의 표준 도구다). 추적 양 끝을 잘라 내고 가운데 구간에서만 최대를 잡는 관행이 여기서 나온다.

(c) 경계를 고르지 않는 방법을 쓰면 된다. 시간 의존 계수 \(\beta(t) = \beta + \gamma g(t)\)가 그 하나다. 미리 정한 매끄러운 함수 \(g\)(예: \(\ln t\)) 하나로 변화를 기술하므로 자료에서 고를 것이 없고, 검정은 \(\gamma = 0\) 하나뿐이라 자유도 \(1\)이 그대로 맞는다. 제한 평균 생존시간(RMST)의 차이도 대안이다. 비례위험을 아예 요구하지 않고, 미리 정한 시점 \(t^*\)까지의 생존곡선 아래 넓이를 견주므로 경계를 고를 일이 없다.

둘 다 "자료를 보고 고르는 자유도"를 없애는 방식이라는 점이 같다. 다중비교 문제를 사후에 보정하는 것보다 애초에 고를 것을 만들지 않는 쪽이 언제나 깔끔하다. \(\square\)


정리하며

방법 유형 무엇을 평가하는가
로그–로그 그림 그림 평행한 곡선이면 비례위험
쇤펠트 검정 통계적 잔차와 시간의 상관
층화 대응 기저위험이 다를 수 있게 함
시간 의존 계수 대응 \(\beta(t)\)가 시간에 따라 변할 수 있게 함
조각별 모형 대응 시간 구간마다 다른 \(\beta\)
가중 로그순위 대응 늦은 차이에 무게를 실어 검정력을 지킴

다음 절 모형 진단으로 넘어간다. 쇤펠트 잔차를 시간에 대해 그려, 위배가 있다면 어느 시점에서 어떤 모양으로 생기는지까지 읽는다.