콘텐츠로 이동

와이불 모형

지수 모형에 형상모수(shape parameter) 하나를 더하면 위험이 시간에 따라 오르거나 내릴 수 있게 된다 — \(k < 1\) 이면 초기 고장이 지배하고 살아남은 것은 더 견고해지며, \(k > 1\) 이면 닳아 간다. 모수 하나를 더 붙인 것뿐인데 생존분석의 거의 모든 모양이 이 한 족 안에 들어온다. 그런데 이것이 편해서 쓰는 분포가 아니라는 근거가 따로 있다 — 최약 고리, 곧 사슬이 가장 약한 고리에서 끊어진다는 사실에서 이 분포가 극한으로 유도된다. 그 유도는 어떻게 되고, 유도가 서지 않는 자리는 어디인가.

지수 모형은 위험이 일정하다고 가정하는데, 많은 응용에서 이는 지나치게 제약적이다. 실제로 사건의 위험은 시간에 따라 커지거나(노화, 마모) 작아지는(번인, 초기 고장) 경우가 많다. 와이불 모형은 위험이 단조 증가, 단조 감소, 또는 일정할 수 있게 하는 형상모수를 더해 지수 모형을 일반화한다.

이 절에서는 와이불 생존 모형을 정의하고, 형상모수의 역할을 논의하며, 최대가능도 추정량을 유도하고, 와이불 가정을 그림으로 점검하는 방법을 보인다.


1. 모형 설정 — 척도와 형상 두 모수

와이불 분포는 두 모수를 갖는다. 척도모수(scale parameter) \(\lambda > 0\)과 형상모수 \(k > 0\)이다.

위험함수:

\[ h(t) = \frac{k}{\lambda}\left(\frac{t}{\lambda}\right)^{k-1} \qquad t \geq 0 \]

누적위험:

\[ H(t) = \left(\frac{t}{\lambda}\right)^k \]

생존함수(survival function):

\[ S(t) = \exp\!\left(-\left(\frac{t}{\lambda}\right)^k\right) \]

밀도함수:

\[ f(t) = \frac{k}{\lambda}\left(\frac{t}{\lambda}\right)^{k-1} \exp\!\left(-\left(\frac{t}{\lambda}\right)^k\right) \]

다른 모수화

어떤 문헌은 \(\alpha = 1/\lambda^k\)로 두고 \(h(t) = k \alpha t^{k-1}\)로 모수화한다. 두 형태는 동등하다. 이 절에서는 척도와 형상을 더 분명히 분리하는 \((\lambda, k)\) 모수화를 쓴다.


2. 형상모수의 역할

형상모수 \(k\)가 위험이 시간에 따라 어떻게 변하는지를 정한다.

\(k\) 위험의 거동 해석
\(k < 1\) 감소 초기 고장이 지배적. 살아남은 것은 더 견고해짐
\(k = 1\) 일정 지수분포(\(\lambda\))로 환원. 무기억성
\(k > 1\) 증가 시간에 따라 위험이 커짐. 노화 또는 마모

\(k = 1\)이면 와이불은 비율 \(1/\lambda\)인 지수분포(exponential distribution)로 환원되므로, 지수 모형은 와이불 모형에 내포되어 있다.

실제의 위험 모양

  • 초기 고장(\(k < 1\)): 제조 결함으로 일찍 고장 나는 전자 부품. 살아남은 것은 신뢰할 만하다.
  • 일정한 위험(\(k = 1\)): 외부의 무작위 충격에 의한 사건(예: 우발적 손상).
  • 마모(\(k > 1\)): 시간이 지나며 열화되는 기계 부품(베어링, 브레이크 패드).

그림으로 보는 통계학 1. 강철과 목화와 콩에 같은 곡선이 맞는 까닭

발로디 와이블(\(1887\)–\(1979\))은 스웨덴의 공학자였다. 재료의 강도와 볼베어링을 다루던 사람이 \(1951\) 년에 미국기계학회지에 논문 하나를 냈다. 제목이 「폭넓게 쓸 수 있는 통계분포함수」다.

그 논문이 한 일은 분포 하나를 서로 아무 상관 없는 자료 일곱 벌에 맞춘 것이다. 그 가운데 다섯이 이렇다.

  • 보포스 강철의 항복강도
  • 인도 목화 섬유의 강도
  • 강재의 피로수명
  • 영국 성인 남성의 키
  • 강낭콩의 폭

여기서 자연스러운 반론이 나온다. 무엇에나 맞는 분포는 아무것도 설명하지 못한다. 자유로운 모수가 둘이면 어지간한 모양은 다 흉내 낼 수 있고, 그렇다면 「와이블이 맞았다」는 말에는 정보가 없다.

그런데 와이블에는 그 반론을 견디는 근거가 있다. 이름이 붙어 있다 — 최약 고리(weakest link).

사슬은 가장 약한 고리에서 끊어진다. 물건이 그렇게 망가진다면 그 물건의 강도는 부품 강도의 최솟값이다. 그리고 극단값 이론(extreme value theory)이 말하는 바가 이것이다 — 부품이 많아지면 최솟값의 분포는 부품이 무엇이든 와이블로 간다. 살아남는 것은 부품 분포의 왼쪽 꼬리 지수 하나뿐이다.

\[ F(x) \approx c\,x^{a} \quad (x \to 0^+) \qquad\Longrightarrow\qquad \min \;\to\; \text{모양}\ a\ \text{인 와이블} \]

부품 1000 개 중 최솟값을 와이블 확률지에 그린 것과, 부품 수가 늘수록 적합 모양이 이론값으로 수렴하는 그림

왼쪽에서 세 자료 모두 직선이 된다. 직선이 되면 와이블이고, 기울기가 곧 모양 \(k\) 다.

재 보면 이렇다. 부품 \(n\) 개 중 가장 약한 것에 와이블을 적합했다.

부품 강도의 분포 이론 \(a\) \(n = 5\) \(n = 100\) \(n = 1{,}000\)
균등\((0,1)\) \(1\) \(1.12\) \(1.01\) \(\mathbf{1.00}\)
\(\lvert\)정규\(\rvert\) \(1\) \(1.09\) \(1.00\) \(\mathbf{1.00}\)
감마(모양 \(2\)) \(2\) \(1.70\) \(1.92\) \(\mathbf{1.97}\)
Beta\((2,1)\) \(2\) \(2.24\) \(2.02\) \(\mathbf{2.00}\)
Beta\((3,1)\) \(3\) \(3.36\) \(3.00\) \(\mathbf{3.00}\)

다섯 부품 분포는 서로 하나도 닮지 않았다. 유계인 것도 있고 꼬리가 무한히 뻗는 것도 있다. 그런데 최솟값은 모두 와이블로 가고, 모양이 왼쪽 꼬리 지수와 정확히 같다. 가운데가 어떻게 생겼는지는 통째로 잊힌다.

이것이 위 표의 \(k\) 에 뜻을 준다. \(k\) 는 임의로 맞춘 숫자가 아니라 물건이 부서지는 방식을 담은 수다. \(k < 1\) 은 약한 고리가 아주 흔하다는 뜻이고, \(k > 1\) 은 어지간한 고리는 다 튼튼해서 한참 지나야 끊어진다는 뜻이다.

같은 논리가 중심극한정리(central limit theorem)와 짝을 이룬다. 합은 정규로 가고, 최솟값은 와이블로 간다. 평균이 지배하는 자리에 정규분포가 있듯, 가장 약한 것이 지배하는 자리에 와이블이 있다. 강철과 목화와 콩이 같은 곡선을 따른 것은 우연이 아니라 셋 다 가장 약한 곳에서 부서지기 때문이다.

확인한 곳 — 와이블(\(1887\)–\(1979\))의 「A Statistical Distribution Function of Wide Applicability」(『Journal of Applied Mechanics』, Trans. ASME, \(1951\) 년 \(9\) 월 \(293\)–\(297\) 쪽)를 직접 읽어 확인했다. 토론자가 「저자가 제시한 일곱 사례」라 적었고, 본문에 인도 목화 섬유의 강도(표 \(3\)), ST-\(37\) 강의 피로수명(표 \(5\)), 영국 제도에서 태어난 성인 남성의 키(표 \(6\)), 강낭콩(Phaseolus vulgaris)의 폭(표 \(7\))이 실려 있다. 최약 고리의 수렴 표는 직접 모의실험한 값이다


AI로 보는 통계학 1. 언제 미리 갈아 끼울지는 형상모수가 정한다

위 표는 \(k\) 를 세 갈래로 나눈다. 이 갈림이 글로만 끝나지 않고 운영 규칙 하나를 통째로 바꾸는 자리가 있다. 디스크를 몇 달 쓰고 교체할 것인가, 인스턴스를 며칠마다 돌려 세울 것인가, 배터리를 언제 갈 것인가 — 모두 같은 물음이다.

규칙을 「나이 \(T\) 가 되면 미리 간다. 그 전에 고장 나면 그때 간다」로 두자. 미리 가는 비용을 \(1\), 고장 나서 가는 비용을 \(c\) 라 하면 긴 눈으로 본 단위시간 비용은

\[ g(T) = \frac{1 + (c-1)\,F(T)}{\int_0^T S(u)\,du} \]

이다. \(F(T) = 1 - S(T)\) 는 나이 \(T\) 전에 고장 날 확률이므로 분자는 한 주기의 평균 비용이고, 분모는 한 주기의 평균 길이다. 이 \(g\) 를 가장 작게 만드는 \(T\) 를 찾으면 된다.

import numpy as np

grid = np.linspace(1e-3, 12.0, 24_000)      # 척도를 1 로 두었으므로 시간 단위가 척도다
dt = grid[1] - grid[0]

def table(ratio):
    print(f"  형상 k   최적 교체 나이   그때의 비용률   끝까지 쓸 때   아낀 몫")
    for k in (0.8, 1.0, 1.5, 2.5, 4.0):
        S = np.exp(-grid ** k)
        mean_life = np.cumsum(S) * dt                     # 0 부터 T 까지 S 의 넓이
        cost_rate = (1.0 + (ratio - 1.0) * (1 - S)) / mean_life
        i = int(cost_rate.argmin())
        run = ratio / mean_life[-1]                       # 고장 날 때까지 쓰는 정책
        if i >= len(grid) - 2:                            # 최솟값이 끝에 붙어 있다
            print(f"{k:>7}{'없음':>14}{'':>16}{run:>15.4f}{'—':>10}")
        else:
            print(f"{k:>7}{grid[i]:>14.2f}{cost_rate[i]:>16.4f}{run:>15.4f}"
                  f"{1 - cost_rate[i] / run:>10.1%}")

print("고장 비용이 예방 교체 비용의 10 배일 때")
table(10.0)
print("\n고장 비용이 3 배일 때")
table(3.0)

출력:

고장 비용이 예방 교체 비용의 10 배일 때
  형상 k   최적 교체 나이   그때의 비용률   끝까지 쓸 때   아낀 몫
    0.8            없음                         8.8431         —
    1.0            없음                        10.0076         —
    1.5          0.38          8.3149        11.0865     25.0%
    2.5          0.35          4.7576        11.2801     57.8%
    4.0          0.44          3.0514        11.0418     72.4%

고장 비용이 3 배일 때
  형상 k   최적 교체 나이   그때의 비용률   끝까지 쓸 때   아낀 몫
    0.8            없음                         2.6529         —
    1.0            없음                         3.0023         —
    1.5          1.16          3.2299         3.3260      2.9%
    2.5          0.66          2.6644         3.3840     21.3%
    4.0          0.64          2.1147         3.3125     36.2%

\(k \le 1\) 이면 최적 나이가 아예 없다. 미리 가는 것이 언제나 손해라 \(g(T)\) 가 끝까지 내려간다. 까닭은 표의 첫 두 줄 그대로다 — 위험이 줄거나 일정하니 새것이 쓰던 것보다 나을 이유가 없다. \(k = 1\) 의 무기억성이 그 말을 가장 분명하게 한다. 쓰던 부품을 멀쩡한데 갈아 끼우는 것은 돈만 쓰는 일이다.

\(k > 1\) 이면 이야기가 바뀐다. \(k = 2.5\), 고장이 열 배 비싼 경우 척도의 \(0.35\) 배에서 갈면 비용이 \(57.8\%\) 준다. 그리고 고장이 얼마나 비싼지가 그 자리를 옮긴다 — 같은 \(k = 2.5\) 라도 고장이 세 배일 뿐이면 최적 나이가 \(0.35\) 에서 \(0.66\) 으로 밀리고 이득도 \(21.3\%\) 로 준다. 싼 고장은 그냥 고장 나게 두는 편이 낫다.

그러니 「\(k\) 가 \(1\) 보다 큰가」는 통계적 호기심이 아니라 결재가 걸린 질문이다. 그리고 \(k\) 는 자료에서 추정한 값이라 신뢰구간을 갖는다. 구간이 \(1\) 을 걸치면 위 표의 두 세계가 모두 가능하다는 뜻이므로, 정책을 바꾸기 전에 구간이 \(1\) 의 어느 쪽에 있는지부터 보아야 한다.

이 계산은 교체가 부품을 새것으로 되돌린다고 가정한다. 돌려 세우기가 상태를 일부만 되돌린다면 나이는 \(0\) 으로 가지 않고, 그때는 와이불 하나로 적을 수 없는 다른 모형이 필요하다.

3. 평균 생존시간과 중앙 생존시간

평균 생존시간은

\[ E[T] = \lambda \,\Gamma\!\left(1 + \frac{1}{k}\right) \]

이며 \(\Gamma(\cdot)\)는 감마함수다. \(k = 1\)이면 \(E[T] = \lambda\)로 환원된다.

중앙 생존시간은 \(S(t_{0.5}) = 0.5\)를 풀어 얻는다.

\[ t_{0.5} = \lambda (\ln 2)^{1/k} \]

4. 최대가능도 추정 — 닫힌 꼴이 없어 수치로 푼다

관측 시간 \(t_i\)와 사건 지시자 \(\delta_i\)를 갖는 대상 \(n\)명에 대해 로그가능도는

\[ \ell(k, \lambda) = d \ln k - dk \ln \lambda + (k-1)\sum_{i=1}^{n} \delta_i \ln t_i - \sum_{i=1}^{n} \left(\frac{t_i}{\lambda}\right)^k \]

이며 \(d = \sum \delta_i\)는 사건 수다.

닫힌 형태의 해는 없다. MLE \((\hat{k}, \hat{\lambda})\)는 수치 최적화(뉴턴–랩슨 또는 프로파일 가능도)로 구한다.

프로파일 가능도 접근은 이렇다.

  1. \(k\)를 고정하면 \(\lambda\)의 MLE는 닫힌 형태를 갖는다.
\[ \hat{\lambda}(k) = \left(\frac{\sum_{i=1}^{n} t_i^k}{d}\right)^{1/k} \]
  1. 이를 로그가능도에 대입하고, 얻어진 일차원 프로파일 가능도를 \(k\)에 대해 최대화한다.

5. 와이불 가정 점검하기

와이불 모형은 \(\ln H(t)\)와 \(\ln t\) 사이의 선형관계를 함의한다.

\[ \ln H(t) = k \ln t - k \ln \lambda \]

따라서 (넬슨–알렌 추정량에서 얻은) \(\ln \hat{H}(t)\)를 \(\ln t\)에 대해 그린 그림이 직선에 가까우면 와이불 모형이 적절하다.

  • 직선의 기울기가 \(k\)를 추정한다.
  • 절편(intercept)은 \(-k \ln \lambda\)이며 여기에서 \(\lambda\)를 복원할 수 있다.

빠른 시각적 점검

와이불 모형 아래에서는 \(\ln(-\ln \hat{S}_{\text{KM}}(t))\)를 \(\ln t\)에 대해 그리면 직선에 가까운 그림이 나와야 한다. 휘어 있으면 와이불이 아닌 위험 모양을 시사한다(예: 로그정규나 로그로지스틱 모형이 더 잘 포착하는 봉우리형 위험).

네 형상모수의 위험함수와 로그–로그 그림의 기울기

왼쪽은 형상모수 네 개를 나란히 놓은 것이다. 네 분포 모두 중앙 생존시간이 40개월로 같다. 척도모수를 \(\lambda = 40 / (\ln 2)^{1/k}\)로 맞춰 그렇게 만들었다. 그런데 위험함수는 완전히 딴판이다. \(k = 0.6\)은 \(t \to 0^+\)에서 발산했다가 급격히 떨어지고, \(k = 1\)은 \(0.0173\)으로 평평하며, \(k = 3\)은 처음에 거의 0이었다가 40개월 부근에서 치솟는다. "중앙값 40개월"이라는 한마디로는 이 네 상황 중 어느 것인지 전혀 알 수 없다.

오른쪽이 이 절의 진단 도구다. 네 분포에서 각각 \(n = 500\)을 뽑고 무작위로 절단한 뒤, 넬슨–알렌 추정치로 \(\ln \hat H(t)\)를 \(\ln t\)에 대해 그렸다. 점들이 네 줄의 직선을 이루고, 직선의 기울기는 \(0.64\), \(0.93\), \(1.79\), \(3.09\)다. 참값 \(0.6\), \(1.0\), \(1.8\), \(3.0\)과 나란히 놓으면 기울기가 곧 \(\hat k\)라는 관계가 눈으로 확인된다. 이론식 \(\ln H(t) = k \ln t - k\ln\lambda\)가 예고한 그대로다.

여기서 두 가지를 얻는다. 첫째, 직선성 여부가 "와이불이 맞는가"에 대한 답이다. 점들이 체계적으로 휘면 와이불족 바깥이며, 다음 절의 로그정규나 로그로지스틱을 봐야 한다. 둘째, 기울기가 \(k\)의 눈대중 추정치를 준다. 기울기가 1 근처면 굳이 형상모수를 추가할 필요가 없다는 뜻이고, 곧 지수 모형으로 충분하다는 뜻이다.

다만 이 회귀를 최종 추정에 쓰면 안 된다. 그림의 점들은 등분산도 아니고 독립도 아니다. \(\hat H(t)\)가 누적합이므로 인접한 점이 강하게 상관되고, 위험집합이 얇아지는 양 끝에서 분산이 폭발한다. 여기서도 \(k = 1.8\)의 기울기가 \(1.79\)로 잘 맞은 것은 운이 좋았던 쪽이고, 연습문제 3의 다른 씨앗에서는 참값 \(1.6\)에 대해 \(1.360\)이 나온다. 그림은 진단용, 추정은 최대가능도용이라는 원칙을 지키는 것이 좋다.

보기 1. 기계 고장의 와이불 모형 해석. 어떤 연구가 기계 고장 50건을 관측했다. 와이불 모형을 적합하니 \(\hat{k} = 1.8\), \(\hat{\lambda} = 500\)시간이 나왔다.

해석: \(\hat{k} = 1.8 > 1\)이므로 위험이 증가한다. 기계가 시간이 지나며 마모되고 있다.

추정된 중앙 수명과 300시간에서의 생존율·위험을 구하라.

풀이
\[ \hat{t}_{0.5} = 500 \times (\ln 2)^{1/1.8} = 500 \times 0.6931^{0.5556} = 500 \times 0.8158 = 407.9 \text{ 시간} \]

300시간에서의 생존율:

\[ \hat{S}(300) = \exp\!\left(-\left(\frac{300}{500}\right)^{1.8}\right) = \exp\!\left(-0.6^{1.8}\right) = \exp(-0.398) = 0.672 \]

300시간에서의 위험:

\[ \hat{h}(300) = \frac{1.8}{500}\left(\frac{300}{500}\right)^{0.8} = 0.0036 \times 0.6645 = 0.00239 \ (\text{시간당}) \]

6. 지수 모형과의 비교

지수 모형은 와이불 모형에 내포되어 있으므로(\(k = 1\)로 두면 된다), \(H_0: k = 1\) 대 \(H_a: k \neq 1\)의 형식적 검정을 가능도비(likelihood ratio) 검정으로 수행할 수 있다.

\[ \Lambda = 2\bigl[\ell(\hat{k}, \hat{\lambda}) - \ell(1, \hat{\lambda}_{\text{exp}})\bigr] \;\xrightarrow{d}\; \chi^2_1 \]

\(H_0\)을 기각하면 위험이 일정하지 않으며 와이불 모형이 지수 모형보다 유의하게 잘 맞는다는 뜻이다.

가속실패시간 모형으로서의 와이불

와이불 모형에는 가속실패시간(accelerated failure time, AFT) 모형이라는 또 하나의 해석이 있다. \(W\)가 표준 극단값분포(최솟값의 극한으로 나오는 분포로, \(P(W > w) = \exp(-e^{w})\) 이다)를 따를 때 \(\ln T = \mu + \sigma W\)이면 \(T\)는 \(\lambda = e^\mu\), \(k = 1/\sigma\)인 와이불을 따른다. 이 AFT 표현에서는 공변량이 위험률이 아니라 생존시간에 곱셈적으로 작용한다.

와이불은 비례위험 모형이면서 동시에 AFT 모형인 유일한 분포다. 그래서 두 틀을 잇는 다리 역할을 하며, 콕스 모형(비례위험)과 로그정규·로그로지스틱(AFT) 사이에 놓인다.


연습문제

연습문제 1. 와이불 형상모수

부도까지의 시간 자료에 와이불 모형을 적합하여 \(\hat{k} = 0.75\), \(\hat{\lambda} = 36\)개월을 얻었다.

(a) 위험이 시간에 따라 증가하는가 감소하는가? 설명하라.

(b) 부도까지의 중앙시간을 계산하라.

(c) 24개월을 넘겨 생존할 확률 \(\hat{S}(24)\)를 계산하라.

풀이

(a) \(\hat{k} = 0.75 < 1\)이므로 위험이 시간에 따라 감소한다. 부도 위험이 초기에 가장 높고 살아남은 차입자 사이에서는 낮아진다.

(b)

\[ t_{0.5} = \lambda(\ln 2)^{1/k} = 36 \times (0.6931)^{1/0.75} = 36 \times 0.6931^{1.3333} = 36 \times 0.6134 = 22.1 \text{ 개월} \]

(c)

\[ \hat{S}(24) = \exp\!\left(-(24/36)^{0.75}\right) = \exp(-0.6667^{0.75}) = \exp(-0.7378) = 0.478 \]

\(k < 1\)이면 중앙값이 척도모수보다 작다

\(t_{0.5} = \lambda(\ln 2)^{1/k}\)이고 \(\ln 2 < 1\)이므로, \(k < 1\)이면 지수 \(1/k > 1\)이 되어 \((\ln 2)^{1/k}\)가 더 작아진다. 여기서는 \(0.6134\)로 \(k = 1\)일 때의 \(0.6931\)보다 작다. 즉 위험이 감소하는 분포는 초기에 사건이 몰려 중앙값이 앞당겨진다. 반대로 \(k > 1\)이면 \((\ln 2)^{1/k}\)가 1에 가까워져 중앙값이 \(\lambda\)에 근접한다. \(\square\)

연습문제 2. 와이불의 평균 \(E[T] = \lambda\,\Gamma(1 + 1/k)\)를 유도하라. \(k = 0.75\), \(\lambda = 36\)인 위 자료에서 평균과 중앙값을 비교하라.

풀이

유도. \(E[T] = \int_0^\infty S(t)\,dt = \int_0^\infty e^{-(t/\lambda)^k}\,dt\)에서 출발한다. \(u = (t/\lambda)^k\)로 치환하면 \(t = \lambda u^{1/k}\)이고 \(dt = \frac{\lambda}{k}u^{1/k - 1}du\)이므로

\[ E[T] = \int_0^\infty e^{-u}\,\frac{\lambda}{k}u^{1/k-1}\,du = \frac{\lambda}{k}\,\Gamma\!\left(\frac{1}{k}\right) = \lambda\,\Gamma\!\left(1 + \frac{1}{k}\right) \]

이다. 마지막 등호는 감마함수의 성질 \(\Gamma(x+1) = x\Gamma(x)\)를 쓴 것이다.

수치 비교. \(k = 0.75\)이면 \(1 + 1/k = 2.3333\)이고 \(\Gamma(2.3333) = 1.1906\)이므로

\[ E[T] = 36 \times 1.1906 = 42.9 \text{ 개월} \]
요약값 값
중앙값 \(22.1\)개월
평균 \(42.9\)개월
척도 \(\lambda\) \(36\)개월

평균이 중앙값의 거의 두 배다. \(k < 1\)인 와이불은 꼬리가 매우 두꺼워 오른쪽으로 크게 치우친 분포이기 때문이다. 소수의 아주 오래 버티는 대출이 평균을 끌어올린다.

이것이 생존분석에서 평균보다 중앙값을 보고하는 또 하나의 이유다. 평균은 관측 범위를 훨씬 넘어선 꼬리에 의존하는데, 절단 때문에 그 부분에 자료가 거의 없다. 여기서 평균 \(42.9\)개월은 36개월 관측 기간을 넘어서므로 사실상 모형 가정의 산물이다. \(\square\)

연습문제 3. \(\ln(-\ln \hat S_{\text{KM}}(t))\) 대 \(\ln t\) 그림에서 회귀직선의 기울기와 절편으로 \(k\)와 \(\lambda\)를 추정하는 절차를 구현하고, 참값이 알려진 모의자료에서 확인하라.

풀이
import numpy as np

rng = np.random.default_rng(21)
n = 500
k_true, lam_true = 1.6, 40.0
T = lam_true * rng.weibull(k_true, n)
C = rng.exponential(60.0, n)
t = np.minimum(T, C); d = (T <= C).astype(int)

# 카플란-마이어 추정값
times = np.unique(t[d == 1])
S, KM = 1.0, []
for u in times:
    S *= 1 - ((t == u) & (d == 1)).sum() / (t >= u).sum()
    KM.append(S)
KM = np.array(KM)

ok = (KM > 0) & (KM < 1)             # log(-log S) 는 0 < S < 1 에서만 정의된다
x = np.log(times[ok])
y = np.log(-np.log(KM[ok]))
k_hat, c = np.polyfit(x, y, 1)       # 기울기 = k, 절편 = -k ln(lambda)
lam_hat = np.exp(-c / k_hat)
print(f"k_hat = {k_hat:.3f} (true {k_true}),  "
      f"lambda_hat = {lam_hat:.2f} (true {lam_true})")

출력:

k_hat = 1.360 (true 1.6),  lambda_hat = 40.41 (true 40.0)

실행하면 \(\hat k = 1.360\)(참값 \(1.6\)), \(\hat\lambda = 40.41\)(참값 \(40.0\))이 나온다. 척도모수는 잘 맞지만 형상모수는 15%나 낮게 나왔다. 그림 기반 회귀가 진단으로는 쓸 만해도 추정으로는 믿을 수 없음을 보여준다.

이 방법을 최종 추정에 쓰지 말 것

이 회귀는 진단용이지 추정용이 아니다. 두 가지 문제가 있다.

  1. 점들이 등분산이 아니다. \(\ln(-\ln \hat S)\)의 분산이 시점마다 크게 다르며 특히 양 끝에서 폭발한다. 보통최소제곱은 모든 점에 같은 무게를 주므로 비효율적이다.
  2. 점들이 독립이 아니다. \(\hat S(t)\)는 누적곱이라 인접한 점들이 강하게 상관된다. 회귀의 표준오차가 무의미해진다.

정확한 추정과 신뢰구간에는 절단을 반영한 최대가능도(본문의 프로파일 가능도)를 쓰라. 이 그림은 "와이불이 그럴듯한가"를 눈으로 확인하는 용도다. \(\square\)

연습문제 4. \(H_0: k = 1\)의 가능도비 검정을 수행하는 절차를 서술하라. 왈드 검정 대신 가능도비 검정을 권하는 이유는?

풀이

절차.

  1. 와이불 모형을 적합해 \(\ell(\hat k, \hat\lambda)\)를 얻는다.
  2. \(k = 1\)로 고정하고 지수 모형을 적합해 \(\ell(1, \hat\lambda_{\text{exp}})\)를 얻는다. 이때 \(\hat\lambda_{\text{exp}} = \sum_i t_i / d\)이다.
  3. \(\Lambda = 2[\ell(\hat k, \hat\lambda) - \ell(1, \hat\lambda_{\text{exp}})]\)를 계산한다.
  4. \(\chi^2_1\)과 비교한다. 자유도 1은 제약이 하나(\(k = 1\))이기 때문이다.

가능도비 검정을 권하는 이유.

  • 모수화 불변. 와이불의 형상모수는 \(k\)로도, \(\log k\)로도, \(\sigma = 1/k\)로도 쓸 수 있다. 왈드 통계량 \((\hat\theta - \theta_0)/\text{se}\)는 어느 척도에서 계산하느냐에 따라 값이 달라지지만, 가능도비 통계량은 변하지 않는다. \(k > 0\)이라는 제약 때문에 \(k\)의 표집분포(sampling distribution)가 비대칭이라 이 차이가 실제로 문제가 된다.
  • 19장에서 본 것과 같은 이유. 왈드 검정은 로그가능도를 \(\hat\theta\)에서 이차식으로 근사한 뒤 \(\theta_0\)까지 외삽한다. 로그가능도가 비대칭이면 그 외삽이 나쁘다. 하우크–도너 현상처럼 왈드가 힘을 잃는 경우도 있다.
  • 경계 문제가 없다. \(k\)의 왈드 신뢰구간은 음수 하한을 낼 수 있는데 \(k > 0\)이라 말이 되지 않는다. 가능도비를 뒤집어 얻는 프로파일 구간은 언제나 \(k > 0\) 안에 머문다.

실무에서는 \(\log k\)에 대해 왈드 구간을 만들고 지수화하는 절충안도 널리 쓰인다. 이는 경계 문제를 피하면서 계산이 싸다. 그래도 형식적 검정에는 가능도비가 표준이다. \(\square\)

연습문제 5. 와이불 형상모수의 해석

장비 고장 자료에 적합한 와이불 모형이 \(\hat{k} = 2.3\), \(\hat{\lambda} = 800\)시간을 주었다.

(a) 위험이 증가하는가 감소하는가?

(b) 고장까지의 중앙시간을 계산하라.

(c) \(t = 400\)과 \(t = 600\)에서의 추정 위험을 비교하라.

풀이

(a) \(\hat{k} = 2.3 > 1\)이므로 위험이 시간에 따라 증가한다. 장비가 마모된다.

(b) \(t_{0.5} = \lambda (\ln 2)^{1/k} = 800 \times (0.6931)^{1/2.3} = 800 \times 0.6931^{0.4348} = 800 \times 0.8527 = 682.2\)시간.

(c) \(t = 400\)에서

\[ \hat{h}(400) = \frac{2.3}{800}\left(\frac{400}{800}\right)^{1.3} = 0.002875 \times 0.5^{1.3} = 0.002875 \times 0.4061 = 0.001168 \]

\(t = 600\)에서

\[ \hat{h}(600) = \frac{2.3}{800}\left(\frac{600}{800}\right)^{1.3} = 0.002875 \times 0.75^{1.3} = 0.002875 \times 0.6880 = 0.001978 \]

이다. \(t = 600\)의 위험이 \(t = 400\)의 약 \(1.69\)배로, 위험이 증가한다는 사실과 부합한다.

위험비는 시간의 비만으로 결정된다

와이불에서 \(h(t) \propto t^{k-1}\)이므로

\[ \frac{h(t_2)}{h(t_1)} = \left(\frac{t_2}{t_1}\right)^{k-1} \]

이다. 여기서 \((600/400)^{1.3} = 1.5^{1.3} = 1.69\)로 척도모수 \(\lambda\)가 소거된다. 즉 위험의 상대적 증가는 형상모수만으로 정해지고, \(\lambda\)는 절대 수준만 조절한다.


정리하며

와이불은 형상모수 하나로 위험의 방향을 정한다.

\[ h(t)=\frac k\lambda\left(\frac t\lambda\right)^{k-1} \]
  • \(k<1\) 감소, \(k=1\) 일정(지수), \(k>1\) 증가. 4장에서 본 그대로이며, 하나의 모수가 초기 고장·무기억·마모를 모두 담는다.
  • \(k=1\) 에서 지수 모형이 특수한 경우로 나온다. 그래서 두 모형을 가능도비로 비교해 \(k=1\) 을 검정할 수 있다.
  • 누적위험이 로그–로그에서 직선이다. \(\log H(t)=k\log t-k\log\lambda\) 이므로, \(\log(-\log\hat S)\) 대 \(\log t\) 그림이 직선이면 와이불이 맞고 기울기가 \(\hat k\) 의 눈대중 추정이 된다.
  • 비례위험과 가속실패시간 양쪽으로 읽힌다. 와이불은 두 틀 모두에 속하는 유일한 분포이며, 그래서 해석이 유연하다.
  • 여전히 단조 위험만 다룬다. 정점을 갖는 위험에는 맞지 않는다.

다음 절 로그정규·로그로지스틱 모형으로 넘어간다.