사망률 코호트효과 (Cohort Effect)
쉽게 풀면
같은 해에 태어난 사람들은 어린 시절의 영양 상태, 유행했던 질병, 흡연율 같은 생활습관 등 비슷한 시대적 경험을 공유합니다. 이런 공통 경험이 그 세대 전체의 사망률에 지속적인 흔적을 남기는 현상을 코호트효과라고 합니다. 예를 들어 특정 시기에 태어난 세대가 유독 흡연율이 높았다면, 그 세대는 나이가 들어서도 다른 세대보다 관련 질환으로 인한 사망 위험이 높게 나타날 수 있습니다. 즉 나이만이 아니라 "어느 시대에 태어났는가"도 사망률에 영향을 준다는 개념입니다. 예를 들어 유년기에 특정 감염병에 광범위하게 노출되었던 세대는 이후 노년기에 이르러서도 그 감염병의 후유증으로 인해 다른 세대보다 특정 질환의 사망률이 높게 유지되는 경우가 관찰됩니다.
왜 중요한가
코호트효과를 무시하고 단순히 연령과 시대만으로 사망률을 예측하면 미래 사망률 추이를 과소 또는 과대 추정할 위험이 있습니다. 연금과 장수 리스크 관리를 다루는 계리 논문에서는 코호트효과를 반영한 사망률 예측 모형이 중요한 연구 주제로 다뤄집니다.
논문에서는 이렇게 쓰입니다
코호트효과가 다른 요인들과 함께 모형에 반영되는 방식을 설명한 예문입니다.
실제 자료에서 코호트효과가 관찰된 사례를 설명한 예문입니다.
조금 더 깊게 보면
사망률에 영향을 미치는 요인은 흔히 연령효과, 시대효과(특정 연도의 전반적 변화), 코호트효과 세 가지로 구분해 분석됩니다. 리-카터(Lee-Carter) 모형과 같은 확률적 사망률 예측 모형을 확장해 코호트효과를 추가하는 연구가 다수 이루어져 왔습니다. 코호트효과가 뚜렷하게 나타난 대표적 사례로는 영국의 1925~1945년 무렵 출생 세대(이른바 golden cohort)의 빠른 사망률 개선이 거론되며, 흡연율이나 유년기 영양 상태 차이가 원인으로 논의됩니다. 이를 정량적으로 반영하기 위해 리-카터 모형에 코호트 항을 추가한 렌쇼-해버만(Renshaw-Haberman) 모형, 연령-기간-코호트(APC) 모형, 코호트 항을 포함한 CBD 확장 모형(M6·M7 등)이 쓰입니다.
주의할 점
연령효과, 시대효과, 코호트효과는 수학적으로 서로 완전히 독립적으로 분리하기 어려운 식별 문제(identification problem)가 존재하므로, 해석 시 신중함이 필요합니다. 연령, 기간, 코호트 세 효과는 하나가 다른 둘의 선형결합으로 표현되는 완전한 다중공선성 관계에 있어, 추가적인 식별 제약 없이는 세 효과를 유일하게 분리할 수 없습니다.