충돌변수 편향 (Collider Bias)
쉽게 풀면
영화배우가 되려면 '매력'이나 '연기력' 중 적어도 하나는 뛰어나야 한다고 가정해보자. 배우들만 모아놓고 살펴보면, 매력이 부족한 배우는 대신 연기력이 뛰어난 경향이 나타나 마치 매력과 연기력이 음의 상관관계를 가지는 것처럼 보일 수 있는데, 실제로는 전체 인구에서 이 둘은 아무 관계가 없을 수도 있다. 이는 '배우가 됨'이라는, 매력과 연기력 둘 다로부터 영향을 받는 충돌변수를 기준으로 표본이 이미 선택되었기 때문에 생기는 착시로, 이런 변수를 잘못 통제하면 실제로는 없는 인과관계가 있는 것처럼 왜곡되어 나타난다.
왜 중요한가
충돌변수 편향은 회귀분석이나 다변량 통계모형에서 '변수를 더 많이 통제할수록 더 정확한 인과추정이 된다'는 통념을 직접적으로 반박하는 사례이기 때문에, 인과추론 방법론 전반에서 중요하게 다뤄진다. 역학, 사회과학, 경제학 등 관찰연구에 크게 의존하는 분야에서는 어떤 변수를 통제할지 결정하는 것 자체가 연구 설계의 핵심 단계이며, 충돌변수를 잘못 포함하면 통계적으로는 유의미해 보이지만 실제로는 존재하지 않는 관계를 논문의 결론으로 제시하게 될 위험이 있다. 이 때문에 인과추론, 역학 방법론, 관찰연구 설계를 다루는 논문에서는 충돌변수 편향을 피하기 위한 변수 선택 절차를 별도로 설명하는 경우가 많다.
논문에서는 이렇게 쓰입니다
잘못된 변수 통제로 인해 가짜 연관성이 만들어지는 것을 경계할 때, 인과 그래프 분석을 통해 어떤 변수를 통제하지 말아야 하는지 판단하는 근거로 사용된다.
역학 연구에서 병원 기반 표본을 사용할 때, 입원이라는 사건 자체가 여러 위험요인의 결과이기 때문에 표본 선택 단계에서부터 충돌변수 편향이 발생할 수 있음을 지적하는 맥락에서 쓰인다.
사회과학 논문에서 매개변수와 충돌변수를 혼동하지 않고, 인과 경로상 어떤 변수가 결과인 동시에 다른 원인들의 합류점인지 구분하여 모형을 설계할 때 사용되는 표현이다.
조금 더 깊게 보면
충돌변수 편향을 판단하는 표준적인 도구는 방향성 비순환 그래프(DAG)로, 두 개 이상의 화살표가 한 변수로 모이는 지점(충돌변수)을 찾아 그 변수나 그 하위 자손(descendant)을 통제하지 않도록 하는 것이 기본 원칙이다. 이와 관련해 자주 함께 언급되는 개념으로는 표본 선택 자체가 충돌변수 역할을 하는 '선택편향(selection bias)', 그리고 정반대로 통제해야 편향이 줄어드는 '교란변수(confounder)'가 있으며, 논문을 읽을 때는 저자가 통제한 변수 목록이 교란변수인지 충돌변수인지를 구분해서 봐야 한다. 최근에는 인과추론 소프트웨어를 이용해 DAG를 명시적으로 그리고, 이를 근거로 통제변수 집합을 정당화하는 방식이 관찰연구 논문에서 점차 일반적으로 받아들여지고 있다.
주의할 점
충돌변수는 교란변수와 반대로, 통제하지 않아야 편향이 생기지 않는다는 점에서 직관과 반대로 작동하므로 인과 그래프를 그려 신중하게 판단해야 한다.