그룹별 생존분석 적용

Python에서의 Survival Analysis

Shae Wang

Senior Data Scientist

모기지 문제

DataFrame 이름: mortgage_df

id	property type	duration	paid_off
1	house	25	0
2	apartment	17	1
3	apartment	5	0
...	...	...	...
100	house	30	1

Property type: 담보대출로 금융된 주택 유형(house 또는 apartment)

주택과 아파트 담보대출의 상환까지 시간이 다른가?

그룹별 생존분포 비교

서로 다른 집단 간 생존(또는 사건/생존 확률) 차이를 평가하는 데 관심이 많습니다.

피험자의 특성 차원
- 예: 모기지 유형, 타이어 브랜드
실험 집단 차이
- 예: 처리군 vs. 대조군
동일 특성의 값 차이
- 예: 고소득 vs. 저소득 가구

생존 그룹 비교 유형

1. 점추정치나 생존 통계가 다른가?

특정 시점에서 두 그룹의 생존확률 비교
두 그룹의 전체 생존 비율 비교

생존 그룹 비교 유형

2. 기저 분포가 다른가?

공식 가설검정 필요

생존 그룹 비교 유형

3. 어떤 속성이 생존에 미치는 영향은?

회귀 기반 모형 필요

그룹 차이 시각화

각 그룹에 Kaplan–Meier 생존함수를 적합하고 생존곡선을 나란히 시각화합니다.

장점:

사용·해석이 간단합니다.
비모수 방식으로 다양한 생존분포에 유연합니다.
그룹 간 생존함수 차이를 보여주는 데 유용합니다.

그룹 식별하기

DataFrame 이름: mortgage_df

id	property type	duration	paid_off
1	house	25	0
2	apartment	17	1
3	apartment	5	0
...	...	...	...
100	house	30	1

각 그룹에 대한 불리언 마스크를 만듭니다.

house = (mortgage_df["property_type"]=="house")
apt = (mortgage_df["property_type"]=="apartment")

그룹이 2개뿐이면 마스크는 1개만 필요합니다. 다른 그룹은 부정으로 참조할 수 있습니다.

생존곡선 적합 및 플로팅

하나의 figure를 만들고 KaplanMeierFitter 클래스를 인스턴스화합니다.

ax = plt.subplot(111)
mortgage_kmf = KaplanMeierFitter()

house 그룹에 mortgage_kmf를 적합하고 figure ax에 그립니다.

mortgage_kmf.fit(duration=mortgage_df[house]["duration"], 
                 event_observed=mortgage_df[house]["paid_off"],
                 label="Houses")
mortgage_kmf.plot_survival_function(ax=ax)

생존곡선 적합 및 플로팅

apartment 그룹에 mortgage_kmf를 적합하고 figure ax에 그립니다.

mortgage_kmf.fit(duration=mortgage_df[apt]["duration"], 
                 event_observed=mortgage_df[apt]["paid_off"],
                 label="Apartments")
mortgage_kmf.plot_survival_function(ax=ax)

나란히 시각화하기

plt.show()

아파트 vs. 주택 Kaplan–Meier 생존곡선.

그룹 생존곡선 해석

아파트 vs. 주택 Kaplan–Meier 생존곡선

평균적으로 아파트 대출이 주택 대출보다 더 빨리 상환됩니다.
임의의 기간에서 아파트 대출 상환 비율이 더 높습니다.

_참고_: 신뢰구간이 겹치는 구간이 있으면, 곡선 간 실제 차이 가능성이 낮습니다.

연습해 봅시다!

Python에서의 Survival Analysis