📊 statistics

A Permutation Test for a Modified Spearman’s Rank Correlation Using Martingale-Residual Ranks Under Right Censoring

이 논문은 우측 검열 데이터를 효과적으로 처리하기 위해 단변량 마팅게일 잔차를 활용하며, 점근적으로 올바른 제1종 오류 제어를 보장하고 검열이 없을 때 고전적 검정으로 환원되는 수정된 스피어먼 순위 상관계수에 대한 강건한 순열 검정을 제안한다.

원저자: Alan D. Hutson, Han Yu

게시일 2026-08-07

📖 3 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Alan D. Hutson, Han Yu

원본 논문은 CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

당신이 미스터리를 풀려는 탐정이라고 상상해 보십시오: "이 두 가지 일이 함께 일어나는가?" 통계학의 세계에서 이것은 상관관계를 찾는 것이라고 불립니다. 보통 두 변수가 연결되어 있는지 알고 싶다면, 그것들을 나란히 세워두고 서로 발맞추어 걷는지 확인합니다. 하지만 단서가 불완전하다면 어떻게 될까요? 의학과 생물학의 세계에서, 우리는 환자가 회복하거나 기계가 고장 나는 것과 같이 어떤 일이 일어날 때까지 걸리는 시간을 추적하곤 합니다. 하지만 연구가 끝날 때까지 그 사건이 아직 발생하지 않은 경우가 있습니다. 우리는 이것을 "검열(censoring)"이라고 부릅니다. 이것은 마치 카메라가 꺼질 때까지 일부 주자들이 여전히 트랙 위를 달리고 있는 경주를 지켜보는 것과 같습니다. 당신은 그들이 달리고 있었다는 것은 알지만, 그들이 1등으로 들어왔는지 혹은 꼴찌로 들어왔는지는 모르는 상태입니다.

수십 년 동안 통계학자들은 선형 관계를 가정하지 않고 두 가지가 연결되어 있는지 확인하기 위한 즐겨 찾는 도구를 가지고 있었습니다. 바로 스피어만 순위 상관계수(Spearman's Rank Correlation)입니다. 이것을 "한 가지가 올라갈 때 다른 것도 올라가는가?"를 수치가 아닌 오직 순위에 기반하여 말하는 방법이라고 생각하십시오. 이 방법은 견고하고 신뢰할 수 있으며, 전체 결과 목록이 있을 때 매우 효과적입니다. 하지만 "검열"이 등장하여 데이터가 중간에 끊기게 되면, 이 고전적인 도구는 제대로 작동하지 않습니다. 기존의 방법들은 아예 포기하거나, 너무 보수적이 되어(실제 연결을 놓침), 혹은 연결이 진짜 존재하는지 아니면 단순한 우연인지조차 구분하지 못하게 됩니다. 과학자들은 이 불완전한 주자들이 실제로 서로 발을 맞추어 달리고 있었는지 확인하기 위해, 이들을 다시 순위를 매길 새로운 방법이 필요했습니다.

이 논문은 바로 그 문제를 해결하기 위한 영리하고 새로운 탐정 도구를 소개합니다. 저자인 앨런 D. 허트슨(Alan D. Hutson)과 한 유(Han Yu)는 "마팅게일 잔차(Martingale Residuals)"라고 불리는 것을 사용하는 방법을 제안하여 망가진 순위 시스템을 바로잡습니다. 검열된 데이터를 빠진 조각이 있는 퍼즐이라고 상상해 보십시오. 추측하는 대신, 그들의 방법은 수학적 기법(생존율을 추정하는 표준 방식인 카플란-마이어 추정치에 기반함)을 사용하여 가장 논리적인 "유령(ghost)" 값들로 빠진 조각을 채웁니다. 이 유령 값들, 즉 잔차는 가교 역할을 합니다. 만약 검열이 없다면 이들은 사라지고 도구는 고전적인 스피어만 테스트와 똑같이 작동합니다. 하지만 검열이 있다면, 이들은 불완전한 데이터도 여전히 공정하게 비교될 수 있도록 순위를 조정합니다.

연구진은 이 새로운 도구를 엄격한 일련의 테스트를 통해 검증했습니다. 그들은 데이터가 서로 다른 비율로 끊기는(때로는 데이터의 50%가 누락되고, 때로는 67%가 누락되는) 수천 개의 시나리오를 시뮬레이션하여, 연결이 존재할 때 이 방법이 이를 올바르게 식별할 수 있는지, 그리고 연결이 없을 때 올바르게 "연결 없음"이라고 말할 수 있는지 확인했습니다. 결과는 유망했습니다. 새로운 테스트는 "제1종 오류"(연결이 없는데도 있다고 외치는 위험)를 엄격하게 통제하여 예상되는 5% 또는 1% 수준을 유지했습니다. 더 중요한 것은, 이 방법이 기존의 가장 좋은 대안(수정된 켄달 통계량)보다 실제 연결을 포착하는 데 훨씬 뛰어났다는 점입니다. 기존 방식은 지나치게 조심스러워 신호를 놓치는 경향이 있었습니다.

이 방법이 실제 세상에서도 작동한다는 것을 증명하기 위해, 저자들은 두 개의 실제 의료 데이터셋에 이 방법을 적용했습니다. 하나는 화상 환자의 피부 이식 생존 기간을 조사한 것이었고, 다른 하나는 휴대용 투석 장비를 사용하는 신장 환자들의 감염 빈도를 조사한 것이었습니다. 두 경우 모두, 새로운 테스트는 각각 0.044와 0.031의 p-값을 기록하며 통계적으로 유의미한 양의 상관관계를 찾아냈습니다. 이는 이 방법이 복잡하고 불완전한 의료 데이터를 풀어내는 데 도움을 줄 준비가 되었음을 시사하며, 경주가 모두에게 끝나지 않았더라도 두 생존 시간이 서로 발을 맞추어 걷고 있는지 확인할 수 있는 신뢰할 수 있는 방법을 제공합니다.

기술 요약: 우측 검열 하에서 마팅게일 잔차 순위를 이용한 수정된 스피어먼 순위 상관계수에 대한 순열 검정

문제 제기
순위 기반 연관성 측정치는, 특히 스피어먼 순위 상관계수( $\rho_s$ )는 단조 관계를 포착하는 데 있어 비모수 통계학의 핵심적인 도구이다. 그러나 우측 검열(right-censored)이 존재하는 생존 데이터에 이를 적용하는 것은 상당한 어려움을 수반한다. 최근 문헌에서는 검열이 없을 때 고전적 계수로 환원되는 "스피어먼 유사" 상관계수 추정치들을 제안해 왔으나, 이러한 방법들은 검열 하에서 올바른 제1종 오류 제어를 갖는 $H_0: \rho_s = 0$ 에 대한 유효한 가설 검정을 제공하지 못하는 경우가 많다. 검열에 적응된 켄달 유형의 일치도 측정치와 같은 기존의 대안들은 독립성 검정은 제공하지만, $\rho_s$ 를 직접적으로 목표로 하지 않으며 종종 지나치게 보수적이다. 결과적으로, (i) 우측 검열 하에서 점근적으로 정확한 제1종 오류 제어를 달age하고, (ii) 한쪽 또는 양쪽 변수가 검열된 경우에도 적용 가능하며, (iii) 검열이 없을 때 고전적인 스피어먼 순열 검정으로 정확히 환원되는 방법을 찾는 데에 공백이 존재한다. 저자들이 알고 있는 바로는, 기존의 어떤 방법도 이 세 가지 기준을 동시에 만족시키지 못한다.

방법론
저자들은 **단변량 마팅게일 잔차(Univariate Martingale Residuals, UMRs)**에 기반한 강건한 순열 검정 프레임워크를 제안한다. 방법론은 다음 단계로 진행된다:

데이터 변환: 독립적인 우측 검열 $(C_i, D_i)$ 를 따르는 쌍을 이룬 실패 시간 $(S_i, T_i)$ 에 대하여, 관측된 데이터는 $(X_i, \delta_{Si})$ 및 $(Y_i, \delta_{Ti})$ 이다. 이 방법은 카플란-마이어(Kaplan–Meier) 누적 위험 추정량( $\hat{H}_S$ 및 $\hat{H}_T$ )을 사용하여 UMR을 구성한다:
$m_{Si} = \delta_{Si} - \hat{H}_S(X_i), \quad m_{Ti} = \delta_{Ti} - \hat{H}_T(Y_i)$
이 잔차들은 순위 생성 변환 역할을 한다. 검열이 없을 때, 이들은 원래 데이터의 엄격한 단조 변환으로 환원된다. 검열 하에서는, 이들이 관측된 시간의 순서를 높은 확률로 보존하면서 카플란-마이어 추정량을 통해 생존 정보를 통합한다.
순위 계산: UMR을 순위화하여 쌍을 이룬 순위 $(a_i, b_i)$ 를 얻는다.
검정 통계량: 이 순위들을 기반으로 수정된 스피어한 순위 상관계수 $r_s(m_S, m_T)$ 를 계산한다. 순열 검정을 용이하게 하기 위해, 순위의 모멘트로부터 유도된 분산 추정량 $\hat{\tau}_n$ 을 사용하여 학생화된 통계량 $R_s = r_s / \hat{\tau}_n$ 을 구성한다.
순열 프레임워크: 첫 번째 변수는 고정한 채 두 번째 변수의 순위( $b_i$ )를 순열하는 방식으로 $H_0: \rho_s = 0$ 을 검정한다. $p$ -값은 학생화된 통계량의 순열 분포로부터 도출된다.

이론적 기초
검정의 타당성은 생존 분석의 표준적인 여러 정규성 조건(i.i.d. 실패 시간, 독립적 검열, 연속 분포, 그리고 카플란-마이어 추정량의 균등 강한 일치성)에 근거한다.

점근적 교환 가능성(Asymptotic Exchangeability): $H_0$ 하에서, 정규화된 UMR의 순위는 독립적인 균등 분포 변수로 거의 확실하게(almost surely) 수렴한다. 이는 순위 쌍의 결합 분포가 순열 하에서 점근적으로 불변임을 입증한다.
순열 분포의 타당성: 통계량의 호프딩 분해(Hoeffding decomposition)와 학생화 과정을 활용함으로써, 저자들은 순열 분포가 검정 통계량의 표집 분포를 일관되게 추정함을 입증한다.
점근적 제1종 오류 제어: 이 절차는 표본 크기가 증가함에 따라 기각 확률이 명목 유의 수준 $\alpha$ 로 수렴함을 보장한다.
환원 속성(Reduction Property): 검열이 없는 경우, UMR은 원래 데이터의 엄격한 단조 변환이 되어, 본 검정이 고전적인 학생화 순열 검정으로 정확히 환원됨을 보장한다.

결과
저자들은 시뮬레이션 연구와 실제 데이터 적용을 통해 방법론을 평가하였다:

시뮬레이션 연구: 다양한 검열 정도(중등도 $\approx$ $\approx$ 50%, 심한 검열 $\approx$ $\approx$ 67%)를 가진 두 가지 시나리오를 조사하였다.
- 제1종 오류: 제안된 검정은 모든 표본 크기와 유의 수준( $\alpha = 0.01, 0.05, 0.10$ )에서 강력한 제1종 오류 제어를 보여주었다.
- 검정력: 제안된 검정은 검열이 존재하는 상황에서도 완전히 관측된 데이터에 적용된 고전적 피어슨 상관계수 검정과 경쟁력 있는 검정력을 나타냈다.
- 비교: 제안된 방법은 수정된 켄달 일치도 통계량(Oakes, 1987)을 실질적으로 능가하였는데, 해당 통계량은 매우 보수적(제1종 오류 $< 0.002$ )인 것으로 나타났으며 검정력 또한 현저히 낮았다.
실제 데이터 사례:
1. 피부 이식 생존: 화상 환자( $n=11$ )의 쌍을 이룬 생존 시간 분석 결과, 유의미한 양의 연관성이 발견되었다 ( $p=0.044$ ).
2. 신장 감염 재발: 혼합된 검열 패턴을 가진 투석 환자( $n=38$ )의 재발 시간 분석 결과, 통계적으로 유의미한 양의 연관성이 나타났다 ( $p=0.031$ ).

의의 및 주장
본 논문은 우측 검열 하에서 점근적 정확성, 단일 또는 이중 검열 마진에 대한 적용 가능성, 그리고 검열이 없을 때 고전적 검정으로의 정확한 환원이라는 세 가지 특정 기준을 충족하는 $H_0: \rho_s = 0$ 에 대한 가설 검정을 제공함으로써 중요한 방법론적 공백을 해결한다고 주장한다. 저자들이 알고 있는 바로는, 기존의 어떤 방법도 이 세 가지 기준을 동시에 만족시키지 못한다. 저자들은 이 방법이 "간단하고 강건함(straightforward and robust)"을 강조하며, 쌍을 이룬 생존 결과가 흔한 생물 의학 분야에서 신뢰할 수 있는 도구를 제공한다고 말한다. R 소프트웨어 구현의 가용성을 강조한 것은 이 방법론의 채택을 촉진하는 핵심 요소이다. 저자들은 이 연구를 독립성에 대한 정확한 검정 및 공변량 조정 순위 상관관계와 같은 향후 확장을 위한 토대로 규정하고 있으나, 이러한 더 넓은 문제들에 대한 즉각적인 해결책을 주장하는 것은 아니다.

유사한 논문