외생성 가정 (exogeneity assumption)

한 줄 정의: 설명변수가 오차항(관측되지 않은 요인들)과 상관되어 있지 않다는, 인과추정에서 핵심적으로 요구되는 가정이다.

쉽게 풀면

어떤 원인 변수가 결과에 미치는 영향을 제대로 추정하려면, 그 원인 변수가 다른 숨은 요인들과 얽혀 있지 않아야 합니다. 예를 들어 교육 수준이 소득에 미치는 영향을 볼 때, 교육 수준이 원래부터 능력이나 집안 배경 같은 눈에 안 보이는 요인과 관련되어 있다면 추정치가 왜곡됩니다. 이렇게 설명변수가 이런 숨은 요인들과 무관하다고 가정하는 것이 외생성 가정입니다. 이 가정이 깨지면 인과효과 추정은 편향됩니다.

왜 중요한가

외생성 가정은 회귀분석을 비롯한 거의 모든 인과추정 방법의 근간이 되는 전제이기 때문에, 계량경제학, 사회과학, 보건통계 등 관측자료를 다루는 거의 모든 실증연구에서 명시적이든 암묵적이든 다뤄질 수밖에 없는 개념입니다. 이 가정이 무너지면 상관관계를 인과관계로 잘못 해석하게 되므로, 논문 심사 과정에서도 이 가정이 얼마나 설득력 있게 뒷받침되는지가 중요한 평가 기준이 됩니다.

논문에서는 이렇게 쓰입니다

"회귀분석 결과의 인과적 해석은 설명변수의 외생성 가정이 충족될 때에만 타당하다."

회귀계수를 인과효과로 해석하기 위한 전제조건을 언급하는 문장이다.

"패널자료를 이용한 고정효과 모형은 시간불변 요인으로 인한 외생성 위반 문제를 어느 정도 완화할 수 있다."

패널데이터 분석 연구에서는 관측되지 않은 개체 특성이 외생성을 위협하는 문제를 모형 설계로 다루는 맥락에서 이 용어가 쓰인다.

조금 더 깊게 보면

외생성 가정을 위협하는 대표적인 요인으로는 누락변수편의(omitted variable bias), 역인과관계(reverse causality), 측정오차 등이 있으며, 논문에서는 이런 위협 요인들을 하나씩 짚어가며 왜 자신의 설명변수가 외생적이라고 볼 수 있는지를 논증하는 경우가 많습니다. 이를 뒷받침하기 위해 도구변수법, 고정효과 모형, 자연실험 설계 등이 함께 사용되며, 이러한 방법들은 결국 외생성 가정을 데이터나 연구설계로 최대한 확보하려는 시도라고 볼 수 있습니다.

주의할 점

외생성은 데이터만으로 직접 검증하기 어려운 경우가 많아, 이론적 논거나 도구변수 등 별도의 장치로 뒷받침해야 한다.