탈락편향 (attrition bias)

한 줄 정의: 연구가 진행되는 동안 특정 성향의 참여자들이 유독 더 많이 중도 탈락하여, 마지막까지 남은 표본이 처음 모집단과 달라져 결과가 왜곡되는 현상입니다.

쉽게 풀면

6개월짜리 다이어트 프로그램 효과를 연구한다고 해봅시다. 프로그램이 힘들어서 효과를 잘 못 본 사람들이 중간에 하나둘 그만두고, 끝까지 남은 사람은 대부분 효과를 본 사람들이라면 어떨까요? 마지막에 "남은 사람들의 평균 체중 감량"만 보면 프로그램이 실제보다 훨씬 효과적인 것처럼 보이게 됩니다. 이렇게 연구 도중에 그만두는 사람들이 무작위가 아니라 특정 특성(효과가 없어서, 부작용이 있어서 등)을 공유할 때 생기는 왜곡이 탈락편향입니다.

왜 중요한가

탈락편향은 개입 효과를 추정하는 대부분의 연구, 특히 무작위대조시험이나 여러 시점에 걸쳐 참여자를 추적하는 종단연구의 신뢰도를 좌우하는 핵심 쟁점입니다. 처음에는 무작위로 잘 배정된 두 집단이라도, 시간이 지나며 특정 성향의 참여자만 빠져나가면 마지막 표본 비교는 더 이상 무작위 배정의 이점을 보장하지 못합니다.

그래서 임상시험, 교육 프로그램 평가, 정책 개입 연구 등에서는 결과의 내적타당도를 판단할 때 탈락률과 탈락 사유를 반드시 함께 보고하도록 요구받습니다.

핵심 정리

탈락(attrition)은 연구 도중 참여자를 잃는 일이고, 탈락편향은 그 탈락이 결과와 관련되어 있어 남은 자료가 원래 집단을 대표하지 못하게 되는 문제입니다. 탈락이 많다는 사실 자체가 곧 편향은 아닙니다.
왜 편향이 생기는지는 결측 이론으로 설명합니다(Rubin, 1976). 결측이 완전 무작위(MCAR)이면 남은 자료가 크기만 줄 뿐 편향은 없고, 관측된 변수로 설명되는 무작위(MAR)이면 모형으로 보정할 수 있으며, 결측 자체가 결과값에 달린 경우(MNAR)가 가장 위험합니다.
무작위대조시험에서는 탈락이 두 집단에서 다르게 일어날 때(차별적 탈락) 무작위 배정으로 맞춘 비교 가능성이 깨집니다. Cochrane의 편향 위험 도구(RoB 2)도 ‘결측 결과자료’를 별도 영역으로 평가합니다.
‘몇 % 탈락이면 문제’라는 기준은 문헌마다 다르고 보편적 합의가 없습니다. 비율보다 누가, 왜 빠졌는가가 중요합니다.
다루는 방법에는 모든 배정 대상자를 분석하는 치료의도분석(ITT), 다중대체, 탈락 가정을 바꿔 보는 민감도 분석 등이 있고, 각각 가정이 따릅니다.

예시로 보기

가상의 예입니다. 체중 감량 프로그램에 100명이 참여했습니다. 50명은 효과가 작아 평균 1kg을 줄였고(반응 낮음), 50명은 평균 5kg을 줄였습니다(반응 높음). 모두 끝까지 남으면 평균 감량은 (50×1 + 50×5) ÷ 100 = 3.0kg입니다.

상황	끝까지 남은 사람	평균 감량
탈락 없음	100명(낮음 50 + 높음 50)	3.0kg
반응 낮은 사람 30명이 중도 포기	70명(낮음 20 + 높음 50)	(20×1 + 50×5) ÷ 70 ≈ 3.86kg

끝까지 남은 사람만 분석하면 프로그램 효과가 약 0.86kg(실제 3.0의 약 29%) 부풀려집니다. 반응이 높은 사람만 남는 구조로 탈락이 결과와 연결되어 있기 때문입니다. 반대로 무작위 사유(이사, 연락 두절)로 같은 비율이 빠졌다면 평균은 크게 달라지지 않습니다.

자주 하는 오해

오해	바로잡기
탈락률이 낮으면 편향도 없다.	탈락이 적어도 결과와 강하게 연결되어 있으면 편향될 수 있고, 반대로 탈락이 많아도 무작위에 가까우면 편향이 작을 수 있습니다.
탈락자와 완주자의 기저 특성에 유의한 차이가 없으면 안전하다.	표본이 작으면 차이를 찾아낼 검정력이 낮고, 기저 특성이 같아도 탈락 이유가 결과와 관련될 수 있습니다. 차이의 크기도 함께 봐야 합니다.
탈락편향은 선택편향과 같다.	선택편향은 연구에 들어오는 단계의 문제이고, 탈락편향은 들어온 뒤 빠지는 단계의 문제입니다.
마지막 관찰값을 이어 쓰면(LOCF) 해결된다.	LOCF는 탈락 후 상태가 변하지 않는다는 강한 가정을 하며, 미국 국립연구회의(National Research Council, 2010) 보고서도 결측 자료 처리에서 이런 단순 방법에 주의를 요청했습니다.
다중대체로 보정하면 탈락편향이 사라진다.	다중대체는 관측된 변수로 설명되는 탈락(MAR)을 전제로 합니다. 결과값 자체에 달린 탈락(MNAR)이 의심되면 민감도 분석이 함께 필요합니다.

논문에서는 이렇게 쓰입니다

실제 논문에서

이 용어를 직접 쓴 국내 논문 문장을 아직 수집하지 못했습니다. 수집되는 대로 출처와 함께 싣겠습니다.

예시 문장

아래는 용어의 쓰임을 보여 주려고 만든 예시로, 실제 논문에서 가져온 문장이 아닙니다.

"실험군의 중도 탈락률(32%)이 대조군(9%)보다 유의하게 높게 나타나, 탈락편향(attrition bias)이 결과 해석에 영향을 미쳤을 가능성을 배제할 수 없다."

이 문장은 두 집단에서 빠져나간 인원의 비율이 크게 다르기 때문에, 마지막까지 남은 사람들만으로 비교한 결과가 실제 개입 효과를 그대로 반영하지 못할 수 있다는 우려를 나타냅니다.

"코호트 추적 관찰 기간 동안 건강 상태가 나쁜 참여자일수록 재방문에 응하지 않는 경향이 있어, 최종 분석 표본은 원래 등록 집단보다 건강한 쪽으로 치우쳤을 수 있으며 이는 탈락편향(attrition bias)에 해당한다."

역학 코호트 연구에서 흔히 나타나는 사례로, 건강 상태와 탈락 여부가 서로 관련되어 있으면 남아 있는 표본만으로 계산한 유병률이나 위험도가 실제보다 낮게 추정될 수 있다는 점을 지적하고 있습니다.

"온라인 학습 플랫폼 이용자 중 진도가 뒤처진 사용자일수록 설문 응답을 중도 포기하는 비율이 높아, 학습 만족도 조사 결과가 탈락편향(attrition bias)의 영향을 받았을 수 있다."

교육공학 분야에서는 학습 성과가 낮은 참여자가 조사 자체를 그만두는 경우가 많아, 남은 응답자만으로 계산한 만족도나 효과 지표가 실제보다 긍정적으로 나타날 수 있다는 우려를 보여줍니다.

조금 더 깊게 보면

탈락편향을 다루는 논문에서는 흔히 탈락자와 완주자의 기저 특성(나이, 초기 점수, 중증도 등)을 비교하는 표를 함께 제시하며, 두 집단 간 차이가 통계적으로 유의하지 않으면 탈락이 비교적 무작위에 가깝다고 판단하는 근거로 삼습니다. 다만 유의한 차이가 없다는 것이 탈락이 무작위라는 증거는 아닙니다. 표본이 작으면 차이를 찾아낼 검정력이 낮고, 측정하지 않은 특성이나 결과 자체와 관련된 탈락은 이 비교로 드러나지 않습니다. 다만 유의한 차이가 없다는 것이 탈락이 무작위라는 증거는 아닙니다. 표본이 작으면 차이를 찾아낼 검정력이 낮고, 측정하지 않은 특성이나 결과 자체와 관련된 탈락은 이 비교로 드러나지 않습니다.

또한 탈락이 결과 자체와 관련되어 있는지(예: 증상이 심해서 탈락) 아니면 무작위적인 사유(이사, 연락 두절 등)인지에 따라 왜곡의 방향과 심각성이 달라지므로, 이를 구분해 논의하는 경우가 많습니다.

대응 방법으로는 마지막 관찰값을 활용한 대치법, 다중 대치(multiple imputation), 민감도 분석(sensitivity analysis) 등을 통해 탈락이 결과에 미친 영향을 가늠하는 방식이 널리 쓰입니다.

주의할 점

탈락편향은 처음에 표본을 잘못 뽑아서 생기는 선택편향과 달리, 연구가 진행되는 도중에 발생한다는 점이 다릅니다. 특히 여러 시점에 걸쳐 같은 사람을 추적하는 종단연구에서 자주 문제가 되며, 탈락자와 완주자의 특성을 비교해 보고하는 것이 일반적인 대응 방법입니다.

헷갈리기 쉬운 용어

‘편향’ 이름이 붙은 용어가 많으나, 문제가 생기는 단계가 다릅니다.

용어	한 줄 설명	생기는 단계
선택편향	연구에 들어오는 사람이 모집단과 체계적으로 다른 문제	표본을 뽑거나 배정할 때
자기선택편향	참여 여부를 본인이 정해서 생기는 선택편향	참여를 결정할 때
무응답편향	응답을 요청받고도 응하지 않은 사람이 달라서 생기는 편향	조사 요청 단계
탈락편향	참여를 시작한 뒤 중도에 빠진 사람이 달라서 생기는 편향	추적 관찰 중

참고 문헌

Rubin, D. B. (1976). Inference and missing data. Biometrika, 63(3), 581–592.
Schulz, K. F., & Grimes, D. A. (2002). Sample size slippages in randomised trials: Exclusions and the lost and wayward. The Lancet, 359(9308), 781–785.
Dumville, J. C., Torgerson, D. J., & Hewitt, C. E. (2006). Reporting attrition in randomised controlled trials. BMJ, 332(7547), 969–971.
National Research Council. (2010). The Prevention and Treatment of Missing Data in Clinical Trials. National Academies Press.
Little, R. J. A., & Rubin, D. B. (2019). Statistical Analysis with Missing Data (3rd ed.). Wiley.

표의 기준값은 위 문헌에 근거한 관례이며, 분야·학술지마다 다른 기준을 쓸 수 있습니다.