비선형 동역학으로 위험함수 모델링

초록

본 논문은 위험함수를 2차 이상 상미분방정식(ODE)으로 기술하여, 기존 1차 ODE 기반 모델이 갖는 단조성 한계를 극복한다. 고차 ODE를 1차 시스템으로 변환하고 수치해석으로 누적위험을 계산한 뒤, 역변환을 통해 사건시간을 시뮬레이션한다. 오른 검열을 고려한 최대우도 추정법과 모멘트생성함수를 이용한 꼬리특성 분석을 제시하며, 진동·감쇠·비선형 성장 등 복잡한 위험패턴을 포착하는 네 가지 모델을 실험과 실제 데이터에 적용한다.

상세 분석

이 연구는 위험함수 h(t)를 단순히 시간에 대한 함수로 보는 전통적 접근을 넘어, 위험 자체가 물리적·생물학적 시스템처럼 동역학적 규칙을 따른다고 가정한다. 저자는 먼저 기존 1차 ODE h′(t)=ψθ(h(t),t) 형식을 재정리하고, 위험과 누적위험 H(t) 를 동시에 추적하는 상태벡터 Y(t) 를 도입한다. 여기서 ψθ 는 비선형·비자율성을 허용하는 일반 함수이며, 위험의 비음수성을 보장하기 위해 로그 변환이나 구조적 제약을 제시한다.

핵심 혁신은 2차 ODE h″(t)=ϕθ(h(t),h′(t),t) 를 도입함으로써 위험의 가속도까지 모델링한다는 점이다. 이를 v(t)=h′(t) 라는 보조 변수로 확장하면 1차 시스템 Y′(t)=Ψθ(Y(t),t) 가 된다. 이렇게 하면 수치해석(예: Runge‑Kutta)으로 손쉽게 해를 구하고, 누적위험 H(t)=∫₀ᵗh(s)ds 를 얻어 역변환 H(t)=−log(1−U) (U∼Uniform)으로 사건시간을 샘플링한다.

이론적 측면에서는 ϕ가 Lipschitz 연속이고 자코비안의 고유값 실부가 음이면 해의 존재·유일성·안정성을 보장하는 정리를 제시한다. 또한, 위험함수와 확률밀도 f(t)=h(t)exp{−H(t)} 의 관계를 명시하고, 모멘트생성함수(MGF)를 이용해 꼬리분포(예: 지수적, 파워‑법칙) 특성을 분석한다.

네 가지 구체적 모델은 (1) 감쇠 진동형 h″+2ζωh′+ω²h=0, (2) 로지스틱‑유사 성장 h″=αh(1−h/K)−βh′, (3) 순수 사인형 h″+ω²h=0, (4) 상호작용 지수형 h′=γh+δh·h′ 등으로, 각각 물리적·생물학적 현상(예: 질병 재발‑관해, 기계 부품 피로, 시장 사이클)을 직관적으로 해석한다. 시뮬레이션에서는 파라미터 추정 정확도, 검열 비율에 대한 강건성, 그리고 AIC/BIC 기반 모델 선택을 검증한다. 실제 데이터(예: 암 환자 생존, 전자부품 고장) 적용 결과, 기존 Cox·Weibull 모델보다 로그우도와 예측곡선에서 우수함을 보이며, 특히 위험이 시간에 따라 상승‑감소를 반복하는 패턴을 성공적으로 포착한다.

이 논문의 의의는 위험함수를 고차 동역학 시스템으로 일반화함으로써, 통계적 해석 가능성을 유지하면서도 복잡한 시간‑의존 위험을 모델링할 수 있는 새로운 프레임워크를 제공한다는 점이다. 향후 확장은 다변량 공변량 포함, 베이지안 사전분포 도입, 그리고 딥러닝 기반 ψθ/ϕθ 함수 추정으로 이어질 수 있다.