인과관계 추론의 조건 (Causal Inference Criteria)
쉽게 풀면
"비가 온 다음 날 우산 판매량이 늘었다"는 관찰만으로 "비가 우산 판매를 늘렸다"고 바로 단정할 수 있을까요? 인과관계를 주장하려면 세 가지를 확인해야 합니다. 첫째, 원인(비)이 결과(우산 판매 증가)보다 시간적으로 먼저 일어나야 합니다. 둘째, 원인과 결과가 실제로 함께 변해야 합니다(비가 많이 온 날일수록 우산이 더 많이 팔려야 함). 셋째, 두 사건을 동시에 설명할 수 있는 다른 제3의 원인(예: 장마철 뉴스 보도 증가)이 없어야 합니다. 이 세 조건을 모두 통과해야 비로소 "비가 우산 판매의 원인이다"라고 자신 있게 말할 수 있습니다. 단순히 상관관계가 있다는 것만으로는 이 조건들을 충족했다고 볼 수 없습니다.
왜 중요한가
실증 연구는 대부분 관찰 데이터에서 두 변수 사이의 관계를 찾아내는 데서 출발하지만, 정책 제언이나 실무적 개입은 "이 요인을 바꾸면 결과가 달라진다"는 인과적 주장에 근거해야 의미가 있습니다. 그래서 역학, 경제학, 심리학, 교육학 등 관찰 데이터를 많이 다루는 분야일수록 상관관계와 인과관계를 구분하는 이 조건이 논문 심사와 후속 연구 설계 전반에서 반복적으로 강조됩니다. 또한 이 조건을 명시적으로 검토하는 절차는 교란변수 통제, 준실험설계, 도구변수 등 더 정교한 인과추론 방법론이 발전해 온 배경이기도 합니다.
논문에서는 이렇게 쓰입니다
이 문장은 통계적으로 관련이 있어 보이는 두 변수라 해도, 인과관계로 단정 짓기 위한 조건들이 갖춰지지 않았다면 "원인이다"라고 결론 내리기 어렵다는 뜻입니다.
관찰 연구는 무작위 배정이 불가능하므로 두 변수의 연관성을 확인하더라도, 시간적 선행성이나 대안 설명 배제 같은 조건까지 갖췄는지는 별도로 확인해야 한다는 점을 지적하는 문장입니다.
교육학 연구에서도 관찰된 상관관계 뒤에 숨어 있을 수 있는 제3의 변수(여기서는 학습 동기)를 통제하지 못하면 인과적 결론을 내리기 어렵다는 점을 보여주는 예시입니다.
조금 더 깊게 보면
논문을 더 깊이 읽다 보면 이 세 조건을 실제로 어떻게 검증했는지가 연구 설계 자체와 맞물려 있음을 알게 됩니다. 시간적 선행성은 실험설계나 패널 데이터처럼 시점을 나눠 측정하는 설계로 확인하고, 대안 설명의 배제는 무작위 배정, 통계적 통제(회귀분석에서 교란변수를 공변량으로 포함), 도구변수법, 성향점수매칭 등 다양한 방법으로 접근합니다. 또한 역학 분야에서는 이 조건들을 좀 더 세분화한 힐의 기준(Bradford Hill criteria)처럼, 연관성의 강도·용량-반응 관계·생물학적 개연성 등 여러 보조 기준을 함께 참고하는 경우도 있습니다. 다만 어떤 방법을 쓰더라도 관찰 데이터만으로 인과관계를 완전히 증명하기는 어렵고, 대체로 여러 근거를 종합해 인과적 해석의 신뢰도를 높여가는 방식이 일반적입니다.
주의할 점
가장 흔한 오해는 상관계수가 크거나 유의확률가 작으면 곧 인과관계가 증명된 것이라고 착각하는 것입니다. 통계적 유의성은 "우연이 아닐 가능성"을 알려줄 뿐, 시간적 순서나 제3의 원인 배제까지 보장해주지는 않습니다. 인과관계를 더 엄밀히 밝히려면 실험설계처럼 무작위 배정을 통해 대안 설명을 통제하는 방법이 필요합니다.