선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
가설 설정
- 사용된 변수 중 성별을 제외한 나머지 변수들은 시간에 따라 그 값이 변하는 공변량으로 위 비례위험모형은 이러한 경우에도 분석할 수 있는 장점이 있다. Cox의 비례위험 모형은 생존분포에 대한 가정이 없기 때문에 가능도함수를 이용하여 계수를 추정할 수가 없어서 부분우도함수를 이용하여 계수를 추정하는데 이 경우는 관측된 생존시간 사이에 동일한 값이 존재하지 않는 경우를 가정하고 있다. KLIPS와 같은 패널조사의 경우에는 동일한 생존시간을 갖는 관측대상이 많이 존재하여 적합하지 않아서 생존시간의 중복이 있는 경우를 가정하여 부분우도함수를 계산하는 근사적인 방법을 사용하는 것이 타당하다.
제안 방법
- 그러나 본 논문에서는 KLIPS의 표본의 대표성 문제는 고려하지 않고, 인구통계학적 특성 (성별, 연령, 지역, 결혼상태, 학력), 직업유무, 거주형태와 조사방법 (표 2.2)이 패널탈락에 미치는 영향에 대하여 KLIPS 11년간 (1998∼2008)의 가구주에 관한 자료만을 이용하여 살펴보았다.
- 먼저 생명표방법을 이용하여 각 변수의 범주별로 패널탈락이 관측될 때까지의 시간 분포를 비교하고, Cox의 비례위험모형을 이용하여 탈락에 영향을 주는 변수를 찾아서 탈락 위험함수에 미치는 영향을 살펴보았다.
- 이를 위해 앞 절에서 구한 범주별 생존곡선이 교차되지 않은 변수, 성·학력·취업·결혼상태의 로그순위 검정 유의확률이 0.25이하인 학력·취업·결혼상태를 공변량으로 먼저 포함시켰다.
- 4%)보다 높다. 패널의 11년간 성별, 학력, 직업유무의 표본비율의 변화를 살펴보기 위해 표 2.1과 같이 1차년도와 11차년도의 표본비율을 정리하였다.
- 2)이 패널탈락에 미치는 영향에 대하여 KLIPS 11년간 (1998∼2008)의 가구주에 관한 자료만을 이용하여 살펴보았다. 패널탈락을 각 년차에서 응답하지 않은 경우로 정의하고, 탈락 후 재진입한 경우는 새로운 표본으로 간주하였다. 예를 들어 응답자가 1년차에서 3년차까지 응답하고 4년차에 응답하지 않으면 탈락이고, 5년차에 재진입하면 이 응답자는 새로운 응답자로 간주하였다.
데이터처리
- 생명표방법은 본 연구의 자료와 같이 표본의 크기가 큰 경우 생존곡선 추정에 자주 이용되는 방법으로 변수의 각 범주별 (1차조사 기준) 패널 생존곡선을 이 방법으로 추정하였고, 로그-순위 검정 (log rank test)과 윌콕슨 (Wilcoxon) 검정을 이용하여 추정된 생존곡선의 동일성을 검정하였다. 김민수 등 (2010)은 기업의 부도율 비교를 위하여, 박희창 (2009)는 인터넷 고객 수명 분석을 위하여 생명표분석을 사용한바있다.
- 지역·조사방법·입주형태·주거형태의 생존곡선이 그룹별로 교차되어 윌콕슨검정통계량을 나머지 변수들은 로그순위검정통계량을 사용하였다.
- 김민수 등 (2010)은 기업의 부도율 비교를 위하여, 박희창 (2009)는 인터넷 고객 수명 분석을 위하여 생명표분석을 사용한바있다. 추정된 생존곡선의 교차여부를 참조하여 생존곡선이 평행한 경우 로그-순위 검정을 사용하고, 교차한 경우는 윌콕슨검정통계량을 사용하였다. 지역·조사방법·입주형태·주거형태의 생존곡선이 그룹별로 교차되어 윌콕슨검정통계량을 나머지 변수들은 로그순위검정통계량을 사용하였다.
이론/모형
- KLIPS와 같은 패널조사의 경우에는 동일한 생존시간을 갖는 관측대상이 많이 존재하여 적합하지 않아서 생존시간의 중복이 있는 경우를 가정하여 부분우도함수를 계산하는 근사적인 방법을 사용하는 것이 타당하다. 대표적인 근사적인 방법 중 Efron방법의 추정치가 Breslow방법보다 실제 계수에 더 근사하게 나타난다고 알려져 있어 (DeLong 등, 1994; Hertz-Picciotto 등, 1997) 본 논문에서는 통계패키지인 SAS의 PROC PHREG에서 Efron방법을 이용하여 분석하였다.
- 본 논문에서는 KLIPS 11년간 (1998∼2008)의 자료를 이용하여 패널탈락요인을 살펴보았는데, 표본탈락이 관측될 때까지의 시간에 비례위험모형과 생명표방법 (life-table method)과 같은 생존분석 기법 (이재원 등, 2007; Cho 등, 2008)을 적용하여 분석하였다.
- 국내에서도 패널탈락요인에 대한 분석이 점점 활발해지고 있는데, 한국노동패널조사 (KLIPS)의 패널탈락에 관한 연구로는 이상호 (2005)가 프로빗 모형을 이용하여 가구주가 연령이 낮을수록, 미혼인 경우 탈락할 위험이 높게 나타났고, 성별에 대한 차이는 유의미하지 않으며, 고소득층과 실업자의 경우 탈락위험이 높게 나타나는 양극화 현상이 있는 것을 발견한 연구와 신선옥 (2008)의 면접원의 교육수준이 높고 경력이 많을수록 조사의 협조도에 긍정적인 영향을 끼치며, 숙련도가 높으면 조사 성공부수는 늘어나지만 다음해의 성공률에 큰 영향을 미치지는 않는다는 연구 결과가 있다. 이외에도 다수의 연구결과가 있으나, 주로 로짓이나 프로빗 모형 등 이산확률 모형을 이용하여 분석하였다. 본 논문에서는 KLIPS 11년간 (1998∼2008)의 자료를 이용하여 패널탈락요인을 살펴보았는데, 표본탈락이 관측될 때까지의 시간에 비례위험모형과 생명표방법 (life-table method)과 같은 생존분석 기법 (이재원 등, 2007; Cho 등, 2008)을 적용하여 분석하였다.
성능/효과
- 결과를 자세히 살펴보면 취업여부별로는 미취업자의 탈락위험은 취업자에 비해 1.28배 (eβ추정치 열 참조) 높은 것으로 나타났다.
- 결혼상태별로는 미혼에 비해 기혼인 경우 탈락할 위험이 0.759배, 이혼·별거인 경우 0.705배로, 미혼인 경우에 탈락할 위험이 가장 높은 것으로 나타났다.
- 비록 11회 조사된 패널자료를 사용하였지만, 생명표방법을 통한 각 변수의 범주별 패널탈락시간분포를 추정하여 시간에 따른 탈락률 변화를 시각화와 비례위험모형을 이용하여 생명표방법에서 확인한 결과들의 변수의 범주별 위험률 차이를 계산하고, 시간에 따른 탈락률변화의 유의성 검정 또한 실시하여 생명표방법에 의한 결과를 좀 더 구체화할 수 있었다. 패널조사기간이 길어질수록 생존분석기법을 적용한 분석이 더욱 다양하고 효율적으로 적용되리라 본다.
- 연령별로는 30세 미만과 30∼60세인 경우의 탈락위험은 차이가 없지만, 60세 이상인 경우는 0.717배로 고연령인 경우 탈락위험이 낮아지는 것으로 나타났으나, 응답기간이 길어질 경우 60세 이상의 탈락 위험은 증가하는 것을 관찰하였다.
- 조사방법별로는 면접에 비해 유치의 경우 탈락할 위험이 1.129배 높아지는 것으로 나타났고, 전화·혼합의 경우 1.112배로 면접에 비해 탈락할 위험이 높은 것으로 나타났다.
- 주거형태별로는 단독주택에 비해 아파트·연립주택·다세대주택인 경우 탈락할 위험의 차이가 없는 것으로 나타났고, 상가주택·기타인 경우 0.849배로 탈락할 위험이 가장 낮은 것으로 나타났다.
- 1의 표의 각 변수별 유의확률을 참조하여 생존곡선을 비교한 결과 성별을 제외한 모든 변수가 그룹별로 차이가 있음을 알 수 있다. 추정된 곡선들을 살펴보면 대체로 탈락위험률이 초기에 높았으나 점점 낮아짐을 알 수 있고, 즉 표본 패널이 안정화되는 경향을 보임을 알 수 있다. 그룹별 유의한 차이를 보인 연령·학력·지역·직업유무·결혼상태·조사방법·입주형태·주거형태를 자세히 살펴보면 다음과 같다.
- 학력별로는 초등학교 이하에 비해 중·고등학교의 경우 탈락 위험이 유의한 차이가 없으며, 전문대 이상인 경우 탈락할 위험이 1.133배 높은 것으로 나타나 학력이 높을수록 탈락할 위험이 높은 것으로 나타났다.
후속연구
- 비록 11회 조사된 패널자료를 사용하였지만, 생명표방법을 통한 각 변수의 범주별 패널탈락시간분포를 추정하여 시간에 따른 탈락률 변화를 시각화와 비례위험모형을 이용하여 생명표방법에서 확인한 결과들의 변수의 범주별 위험률 차이를 계산하고, 시간에 따른 탈락률변화의 유의성 검정 또한 실시하여 생명표방법에 의한 결과를 좀 더 구체화할 수 있었다. 패널조사기간이 길어질수록 생존분석기법을 적용한 분석이 더욱 다양하고 효율적으로 적용되리라 본다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.