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.
핵심 정리
- 교란(confounding)은 노출(원인으로 보는 변수)과 결과의 관계를 제3의 요인이 왜곡해 인과효과 추정에 편향을 만드는 현상입니다. Greenland와 Morgenstern(2001)은 이를 반사실(counterfactual) 인과 모형 위에서 정리하면서, ‘교란’이라는 말이 서로 다른 개념(적어도 넷)을 가리키는 데 쓰여 왔다고 지적합니다.
- 전통적으로 교란변수는 (1) 결과를 독립적으로 예측하고, (2) 노출과 연관되며, (3) 노출에서 결과로 가는 인과 경로 위에 있지 않은 변수로 이해됩니다. 다만 교란변수의 형식적 정의에는 문헌에서 합의가 없다는 지적도 있습니다(VanderWeele & Shpitser, 2013).
- 교란은 통계적 개념이 아니라 인과적 개념입니다. 상관계수만으로는 교란 여부를 알 수 없고, 인과 구조에 대한 가정이 필요합니다.
- 다루는 길은 설계와 분석으로 나뉩니다. 무작위 배정, 대상자의 연령·성별 제한이나 짝짓기 같은 설계, 그리고 통계적 보정이 쓰입니다. 인과 도표는 측정하고 통제해야 할 변수를 찾는 출발점이 되며, 여러 잠재 교란변수를 함께 다룰 때 전통적 기준에 약점이 있음을 보였습니다(Greenland, Pearl & Robins, 1999).
- 측정하지 못한 교란은 남으므로 민감도 분석으로 결론이 얼마나 취약한지 점검합니다.
예시로 보기
가상의 예로, 커피를 많이 마시는 사람 500명과 적게 마시는 사람 500명의 심장병 발생을 비교했습니다. 전체로 합치면 이렇게 보입니다.
| 구분 | 커피 많이 (환자/전체) | 커피 적게 (환자/전체) | 상대위험 |
|---|---|---|---|
| 전체 | 85/500 (17%) | 40/500 (8%) | 2.13 |
| 흡연자 | 80/400 (20%) | 20/100 (20%) | 1.00 |
| 비흡연자 | 5/100 (5%) | 20/400 (5%) | 1.00 |
전체로는 커피를 많이 마시는 쪽의 위험이 2.13배로 보이지만, 흡연 여부로 나누면 두 층 모두 1.00입니다(Mantel–Haenszel 합산 상대위험도 1.00). 흡연자의 80%가 커피를 많이 마시고(400/500), 비흡연자는 20%만 그렇기(100/500) 때문에, 흡연의 영향이 커피의 효과처럼 보인 것입니다. 이때 흡연이 교란변수이고, 층별 비교는 그 영향을 걷어낸 비교입니다.
이 예에서 숫자는 모두 설명용이며, 층 안에서는 커피가 위험을 바꾸지 않도록 일부러 만들었습니다.
자주 하는 오해
| 오해 | 바로잡기 |
|---|---|
| 교란변수를 통제하면 인과효과가 확정된다. | 통제할 수 있는 것은 측정한 교란뿐입니다. 측정하지 못한 교란이 남을 수 있으므로 민감도 분석 등으로 취약성을 함께 검토합니다. |
| 공변량은 많이 넣을수록 좋다. | 무엇을 보정할지는 인과 구조에 달려 있습니다. 인과 도표는 측정·통제할 변수를 찾는 도구로 제안되었고, 전통적 기준이 여러 변수 앞에서 한계를 보임을 드러냈습니다. 노출과 결과 사이의 경로 위에 있는 변수는 교란변수가 아닙니다. |
| 교란은 통계 검정으로 확인할 수 있다. | 교란은 인과적 개념이어서 상관이나 연관만으로 완전히 기술되지 않습니다. |
| ‘교란’은 하나의 뜻으로 쓰인다. | 문헌에서 같은 단어가 서로 다른 개념에 쓰여 왔다는 지적이 있어, 논문을 읽을 때는 교란(confounding)과 교란변수(confounder)처럼 가까운 용어가 각각 무엇을 가리키는지 확인해야 합니다. |
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.
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.
헷갈리기 쉬운 용어
| 용어 | 한 줄 설명 | 구별 포인트 |
|---|---|---|
| 교란편향 | 제3의 요인이 노출-결과 관계를 왜곡해 인과효과 추정이 틀어지는 현상 | 인과 경로 밖에 있는 요인이 원인 |
| 누락변수편향 | 회귀모형에 넣지 않은 중요한 변수 때문에 추정치가 틀어지는 편향 | 회귀모형 안에서 보는 같은 종류의 문제로 쓰이는 경우가 많음 |
| 교란변수 통제 | 교란변수의 영향을 설계나 통계로 제거·조정하는 절차 | 교란편향을 줄이는 대응 방법 |
| 선택편향 | 표본이 모집단을 고르게 대표하지 못해 생기는 편향 | 표본 구성 때문에 생기며, 교란은 제3의 요인 때문에 생김 |
| 매개분석 | 원인이 결과에 미치는 직접 경로와 매개변수를 거치는 간접 경로를 나누는 분석 | 매개변수는 인과 경로 위에 있고 교란변수는 그렇지 않음 |
| 심프슨의 역설 | 전체와 하위집단의 경향이 달라지거나 사라지는 역설 | 교란이 이런 반전·소멸을 일으키는 흔한 원인 |
참고 문헌
- Greenland, S., & Morgenstern, H. (2001). Confounding in health research. Annual Review of Public Health, 22(1), 189–212.
- Greenland, S., Pearl, J., & Robins, J. M. (1999). Causal diagrams for epidemiologic research. Epidemiology, 10(1), 37–48.
- VanderWeele, T. J., & Shpitser, I. (2013). On the definition of a confounder. The Annals of Statistics, 41(1), 196–220.
- Rothman, K. J., & Greenland, S. (Eds.) (1998). Modern Epidemiology (2nd ed.). Lippincott-Raven.
표의 기준값은 위 문헌에 근거한 관례이며, 분야·학술지마다 다른 기준을 쓸 수 있습니다.