교란편향 (confounding bias)
쉽게 풀면
예를 들어 커피를 많이 마시는 사람이 심장병에 걸릴 확률이 높다는 관찰이 있다고 합시다. 그런데 흡연자가 커피도 많이 마시고 심장병 위험도 높다면, 흡연이라는 숨은 요인이 커피와 심장병 둘 다에 영향을 주는 것일 수 있습니다. 이렇게 진짜 원인이 아닌 변수가 관계를 왜곡시키는 것을 교란편향이라고 합니다. 교란변수를 통제하지 않으면 상관관계를 인과관계로 잘못 해석하게 됩니다.
왜 중요한가
인과추론을 다루는 연구는 대부분 실험이 아닌 관찰자료에 의존하기 때문에, 교란편향을 통제하지 못하면 정책 효과나 처치 효과에 대한 결론 자체가 뒤바뀔 수 있다. 그래서 역학, 경제학, 사회과학, 의학 논문에서 방법론 절 상당 부분이 어떤 교란변수를 어떻게 통제했는지를 설명하는 데 할애된다. 무작위 배정이 불가능한 현실의 데이터를 다루는 인과추론, 준실험설계, 관찰연구 전반이 이 문제와 직접 맞닿아 있다.
논문에서는 이렇게 쓰입니다
특정 변수를 통제하지 않았을 때 발생할 수 있는 편향을 지적하는 문장이다.
역학 연구에서 노출-결과 관계를 분석할 때 알려진 위험요인을 교란변수로 명시적으로 통제했음을 밝히는 문장이다.
경영학·경제학 연구에서 정책이나 전략 변수의 효과를 추정할 때, 선행연구가 놓친 교란요인을 지적하며 자기 연구의 방법론적 개선점을 강조하는 문장이다.
조금 더 깊게 보면
교란편향을 다루는 방법은 크게 관측된 교란변수를 통제하는 방법과, 관측되지 않은 교란변수의 영향을 간접적으로 다루는 방법으로 나뉜다. 전자에는 회귀분석에서 공변량으로 포함시키는 방법, 성향점수매칭(propensity score matching)이나 성향점수가중치(inverse probability weighting) 같은 기법이 흔히 쓰인다. 후자에는 도구변수(instrumental variable), 이중차분법(difference-in-differences), 회귀불연속설계(regression discontinuity design) 등 준실험적 설계가 활용되며, 이러한 기법들은 교란변수를 직접 측정하지 않고도 인과효과를 비교적 안정적으로 추정하려는 시도다. 다만 어떤 방법을 쓰더라도 모든 교란변수를 완벽히 통제했다고 보장할 수는 없으므로, 많은 논문은 민감도분석을 함께 제시해 결론이 미측정 교란에 얼마나 취약한지 검토한다.
주의할 점
관측된 교란변수는 통제할 수 있지만, 측정되지 않은 교란변수는 여전히 남아있을 수 있음을 명시해야 한다.