The probable numbers of kin in a multi-state population: a branching process approach

이 논문은 분기 과정 이론과 확률 생성 함수의 재귀적 조합을 기반으로 연령과 단계 (parity, 건강 상태 등) 가 구조화된 친척 수의 분포를 분석하는 새로운 프레임워크를 제시하고, 이를 영국 인구 데이터를 적용하여 친척 수, 사망률, 고아 상태 등 다양한 친족 관련 확률을 예측하는 방법을 보여줍니다.

핵심

🌳 1. 핵심 아이디어: 친척 나무 (Kinship Tree) 를 예측하는 새로운 지도

기존의 인구 통계학자들은 친척의 수를 계산할 때 주로 **'평균값'**을 사용했습니다. 예를 들어, "평균적으로 40 세 여성은 2 명의 딸을 가질 것이다"라고 말했죠. 하지만 현실은 평균이 아닙니다. 어떤 사람은 5 명을 가질 수도 있고, 어떤 사람은 0 명일 수도 있습니다.

이 논문은 이 '불확실성'을 수학적으로 완벽하게 그려내는 지도를 만들었습니다. 마치 날씨 예보가 "내일 비가 온다"가 아니라 "비가 올 확률 30%, 안 올 확률 70%"처럼, 친척의 수와 상태를 확률로 예측합니다.

🎲 2. 주요 도구: '확률 생성 함수 (PGF)'라는 마법 주문

이 연구의 핵심은 **'확률 생성 함수 (Probability Generating Functions, PGF)'**라는 수학적 도구입니다. 이를 쉽게 비유하자면 다음과 같습니다.

• 비유: 주사위와 레고 블록
  • 기존 방법은 주사위를 던져 나온 숫자 (평균) 만 기록했습니다.
  • 이 연구는 주사위를 던지는 과정 전체를 레고 블록으로 조립합니다.
  • 한 사람이 아이를 낳는 순간 (레고 블록 하나), 그 아이가 다시 아이를 낳는 순간 (블록이 또 붙음) 을 수학적으로 연결합니다.
  • 이 '레고 조립'을 반복하면 (재귀적 조합), 우리는 미래의 친척 네트워크가 어떻게 퍼져나갈지 모든 가능한 시나리오를 한 번에 계산할 수 있게 됩니다.

🧩 3. 새로운 특징: 친척의 '상태 (Stage)'까지 고려하다

이 모델의 가장 큰 혁신은 친척을 단순히 '나이'뿐만 아니라 **'상태 (Stage)'**로도 분류한다는 점입니다.

• 예시: '출산 횟수 (Parity)'
  • 논문의 실제 사례는 영국의 데이터를 이용해 **'출산 횟수'**를 상태의 기준으로 삼았습니다.
  • 상태 1: 아이를 한 번도 낳지 않은 여성 (무자녀)
  • 상태 2: 아이를 1 명 낳은 여성
  • 상태 3: 아이를 2 명 낳은 여성
  • 상태 4: 아이를 3 명 이상 낳은 여성
  • 이 모델을 사용하면, "내가 50 세가 되었을 때, 무자녀 상태인 여동생이 1 명 있을 확률"과 "아이 2 명을 둔 여동생이 1 명 있을 확률"을 각각 구할 수 있습니다.

📊 4. 실제 적용: 영국 데이터로 본 흥미로운 결과

연구진은 영국의 과거 (1960 년대) 와 미래 (2025 년) 데이터를 이 모델에 넣어 놀라운 사실을 발견했습니다.

• 자녀가 없는 여성과 여동생의 관계:
  • 1960 년대 영국 여성들은 평균적으로 자녀가 적었지만, 여동생이 많았습니다.
  • 이 모델을 통해 **"자녀는 없지만 여동생이 있는 여성"**이 얼마나 많을지, 그리고 그들이 노년에 어떤 돌봄 네트워크를 가질지 예측할 수 있었습니다.
• 사별 (Kin Loss) 의 예측:
  • 단순히 "누가 살아있나?"만 보는 게 아니라, **"누가 죽었을까?"**도 계산합니다.
  • 예를 들어, "내가 95 세가 되었을 때, 내 딸이 이미 세상을 떠났을 확률은 13% 였지만, 현대의 의료 발전으로 이 확률은 4% 로 줄어든다"는 식의 정밀한 예측이 가능합니다.
  • 이는 **"고아 (Orphan)"**가 될 확률 (예: 할머니는 살아있지만 엄마는 죽은 손녀) 을 계산하는 데에도 쓰입니다.

💡 5. 왜 이 연구가 중요한가?

이 연구는 단순히 숫자를 세는 것을 넘어, 인간 사회의 '돌봄 네트워크'를 이해하는 데 큰 도움을 줍니다.

1. 사회적 지원 계획: "자녀가 없는 노인이 얼마나 많고, 그들이 의지할 여동생이나 친척이 얼마나 있는가?"를 미리 알면, 국가가 어떤 복지 정책을 세워야 할지 알 수 있습니다.
2. 정서적 지원: 친척이 얼마나 있고, 그들이 어떤 상태인지 아는 것은 정신 건강과도 직결됩니다.
3. 동물 생태계: 이 방법은 인간뿐만 아니라 동물 (예: 코끼리, 고래) 의 가족 구조와 집단 행동 연구에도 적용될 수 있습니다.

🏁 결론

이 논문은 **"친척이라는 거대한 나무가 어떻게 자라고, 어떻게 시들며, 어떤 가지가 살아남을지"**를 확률이라는 렌즈로 아주 정밀하게 보여주는 수학적 지도를 완성했습니다.

이제 우리는 "내 가족이 몇 명일까?"라는 질문에, "평균 3 명"이라는 막연한 답 대신, **"내가 60 세가 되었을 때, 아이를 2 명 둔 여동생이 1 명 있을 확률은 45% 이고, 무자녀 여동생이 1 명 있을 확률은 20% 입니다"**라는 구체적이고 생생한 답을 얻을 수 있게 되었습니다. 이는 인구학의 역사에서 한 걸음 더 나아가, 불확실한 미래를 확률로 읽어내는 새로운 시대를 연 것입니다.

기술 요약

이 논문은 다중 상태 (multi-state) 인구 집단에서 연령과 상태 (stage) 가 구조화된 친족 (kin) 의 확률적 수를 예측하기 위한 새로운 분석적 프레임워크를 제시합니다. 저자 Joe W. B. Butterick 은 기존의 기대값 (expected numbers) 기반 모델을 넘어, 친족 수의 전체 확률 분포 (Probability Mass Functions, PMF) 를 도출할 수 있는 분기 과정 (branching process) 이론과 **확률 생성 함수 (Probability Generating Functions, PGF)**를 결합한 방법을 개발했습니다.

다음은 논문의 기술적 요약입니다.

---

1. 연구 배경 및 문제 제기 (Problem)

• 기존 연구의 한계: 친족 인구학 (Kinship Demography) 분야에서 Caswell 등 선구자들의 연구는 연령, 성별, 상태 (stage) 로 구조화된 친족의 **기대 수 (expected numbers)**를 예측하는 데 큰 진전을 이루었습니다. 그러나 실제 친족 수는 정수이며, 분포의 형태 (왜도, 첨도 등) 나 특정 상태의 친족이 존재할 확률 (예: 집에 있는 여동생 1 명과 멀리 있는 여동생 1 명을 가질 확률) 을 파악하는 것은 여전히 난제였습니다.
• 필요성: 친족 네트워크의 불확실성을 정량화하고, 친족의 상태 (건강, 출산력, 지리적 위치 등) 가 개인에게 미치는 사회적, 경제적 영향을 이해하기 위해서는 단순한 평균값이 아닌 **확률 분포 (distribution)**가 필요합니다.
• 목표: 연령과 상태 (예: 출산 횟수, 건강 상태 등) 가 결합된 다중 상태 인구 집단에서 친족 수의 **결합 확률 분포 (joint probability distribution)**를 도출하는 새로운 방법론을 제시하는 것.

2. 방법론 (Methodology)

이 연구는 분기 과정 (Branching Process) 이론을 기반으로 하며, 확률 질량 함수 (PMF) 대신 **확률 생성 함수 (PGF)**를 재귀적으로 구성 (composition) 하는 방식을 사용합니다.

• 모델 구조:

  • 인구는 연령 ($a$) 과 상태 ($s$) 로 정의된 다중 상태 (multi-state) 로 모델링됩니다.
  • 생존, 상태 전이, 출산 (생식) 은 확률적으로 정의되며, 각 연령대에서 상태별 출산 분포는 PGF ($f_{a,s}(z)$) 로 표현됩니다.
  • 다중 상태 투영 행렬 ($\tilde{A}$): Caswell 의 행렬 접근법을 확장하여 생존과 상태 전이를 포함하는 블록 구조 행렬을 구성합니다.

• 핵심 알고리즘 (PGF 의 재귀적 구성):

  1. 생존 PGF ($S_t$): 특정 연령과 상태에 도달할 확률과 사망 확률을 포함하는 PGF 를 정의합니다.
  2. 생애 생식 PGF ($L^{(i)}$): $i$세대의 후손에 대한 PGF 를 정의합니다. 이는 부모의 생애 동안 각 연령대에서 출산한 자손들의 PGF 를 곱하고, 자손들의 생존 PGF 를 재귀적으로 대입하여 구성됩니다.
     • $L^{(i)}(h, Z) = \prod_{t} \left( \sum_s n_{t,s} f_{t,s}(L^{(i-1)}(\dots)) + \text{사망 항} \right)$
  3. 친족 유형별 PGF 도출:
     • 후손 (Descendants): Focal(주관자) 의 $g$대 후손에 대한 PGF ($\Psi_g$) 는 Focal 의 생식 PGF 에 후손들의 생식 PGF 를 재귀적으로 대입하여 구합니다.
     • 측방 친족 (Collateral Kin): 이모, 고모, 형제자매 등. **계보 마르코프 체인 (Genealogical Markov Chain)**을 사용하여 조상의 생식 시기와 상태를 확률적으로 추론하고, 이를 바탕으로 조건부 PGF 를 구성합니다. 특히, Focal 의 직접적인 계통을 제외한 다른 자손 (형제자매) 의 분포를 구하기 위해 크기 편향 (size-biasing) 기법을 적용합니다.
     • 조상 (Ancestors): Focal 의 $q$대 조상의 현재 상태 (생존/사망) 를 PGF 로 표현합니다.
  4. 사망 친족 (Kin Loss) 계산: PGF 에 사망을 나타내는 더미 변수 ($d$) 를 추가하여, 특정 친족이 사망했을 때의 확률과 고아 (orphan) 가 될 확률 등을 계산할 수 있도록 확장합니다.

• 수치적 추출: 도출된 PGF 에서 실제 확률 (PMF) 을 얻기 위해 이산 푸리에 변환 (Discrete Fourier Transform, FFT) 기반의 수치적 적분 방법을 사용합니다.

3. 주요 기여 (Key Contributions)

1. 연령 - 상태 결합 분포의 첫 번째 분석적 모델: 기존에 기대값만 제공하던 모델을 넘어, 연령과 상태 (stage) 가 결합된 친족 수의 완전한 결합 확률 분포를 제공하는 최초의 분석적 프레임워크를 제시했습니다.
2. 재귀적 PGF 구성의 일반화: 분기 과정 이론을 인구학에 적용하여, 다중 상태 (multi-state) 환경에서 재귀적으로 PGF 를 중첩 (nesting) 하는 일반적인 수학적 도구를 개발했습니다.
3. 다양한 확률적 지표 도출:
   • 특정 연령과 상태의 친족을 가질 확률.
   • Focal 의 상태와 친족 상태의 결합 확률.
   • 친족 사망 수 (전체 및 세대별) 와 고아 (부모를 잃은 자손) 가 될 확률.
   • 친족이 전혀 없는 상태 (Kinless) 가 될 확률.
4. 실증 적용 (영국 출산력 데이터): 영국의 출산 횟수 (parity) 를 상태 변수로 사용하여 1965 년과 2025 년 시나리오를 비교 분석했습니다.

4. 결과 (Results)

영국의 출산력 (parity) 및 사망률 데이터를 적용한 시뮬레이션 결과는 다음과 같은 통찰을 제공했습니다.

• 자녀 및 형제자매 분포: Focal 의 나이에 따라 자녀나 형제자매가 특정 출산 횟수 (parity) 에 속할 확률 분포를 시각화했습니다. 예를 들어, Focal 이 15 세가 되기 전에는 자녀가 없을 확률이 높으며, 나이가 들수록 출산 횟수가 높은 자녀를 가질 확률이 증가하는 패턴을 보였습니다.
• 무자녀이지만 형제자매가 있는 경우: 1960 년대 영국 코호트와 같이 "자식은 없으나 형제자매가 있는" 인구 집단의 확률을 정량화했습니다. 이는 돌봄 네트워크의 부재와 같은 사회적 문제를 분석하는 데 중요한 지표가 됩니다.
• 친족 상실 (Bereavement) 및 고아화:
  • Focal 이 자녀나 형제자매를 잃을 확률을 연령과 시기에 따라 계산했습니다.
  • 고아 손녀 (Orphaned Granddaughters): 1965 년 시나리오에서는 95 세까지 Focal 이 고아 손녀를 가질 확률이 약 13% 였으나, 2025 년 시나리오 (사망률 감소) 에서는 4% 로 감소했습니다. 이는 사망률 감소가 친족 네트워크의 구조와 고아 발생률에 미치는 영향을 보여줍니다.
• Caswell 모델과의 일관성: 이 모델로 계산한 기대 친족 수는 기존 Caswell 의 다중 상태 모델 결과와 일치함을 확인하여 모델의 타당성을 입증했습니다.

5. 의의 및 결론 (Significance)

• 인구학적 불확실성 정량화: 친족 네트워크의 구조를 단순한 평균이 아닌 확률 분포로 파악함으로써, 돌봄 시스템, 정서적 지원, 경제적 불평등 연구에 더 정교한 분석 도구를 제공합니다.
• 생태학 및 진화 생물학 적용: 동물 집단에서 친족의 수와 상태가 협력 행동, 생식 성공, 집단 역학에 미치는 영향을 연구하는 데 필수적인 도구가 됩니다.
• 정책적 시사점: 고령화 사회에서 친족이 없는 (Kinless) 인구나 고아화 현상을 예측하여 사회적 안전망 및 돌봄 정책 수립에 기여할 수 있습니다.
• 계산적 효율성: 복잡한 미시 시뮬레이션 (micro-simulation) 없이도 분석적 (analytical) 으로 정확한 확률 분포를 빠르게 계산할 수 있어, 다양한 인구 시나리오를 신속하게 평가할 수 있습니다.

이 연구는 친족 인구학 분야에서 기대값 중심의 접근에서 확률 분포 중심의 접근으로의 패러다임 전환을 이끌었으며, 다중 상태 인구 구조 하에서의 친족 역학을 이해하는 데 있어 강력한 수학적 기반을 마련했습니다.