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.

논문에서는 이렇게 쓰입니다

"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. 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.