그레인저 인과성 (Granger causality)
쉽게 풀면
"광고비 지출이 매출 증가의 원인이다"라고 주장하려면 무엇을 확인해야 할까요? 그레인저 인과성은 "만약 광고비가 정말 매출에 영향을 준다면, 과거의 광고비 데이터를 추가로 알았을 때 미래 매출을 더 정확하게 예측할 수 있어야 한다"는 아이디어에서 출발합니다. 매출의 과거 값만으로 예측한 결과와, 매출의 과거 값에 더해 광고비의 과거 값까지 함께 사용한 예측 결과를 비교해서, 후자가 유의하게 더 정확하다면 "광고비가 매출을 그레인저 인과한다"고 말합니다. 이는 철학적 의미의 진짜 인과관계라기보다 "예측에 도움이 되는 선후관계"에 가깝습니다.
왜 중요한가
경제학, 금융학, 신경과학 등 실험적 개입이 어려운 분야에서는 관측된 시계열 데이터만으로 변수 간 선후관계를 검토해야 하는 경우가 많아, 그레인저 인과성이 예비적인 분석 도구로 폭넓게 쓰입니다. 정책이 시장에 미치는 영향, 여러 경제지표 사이의 파급 순서, 뇌 신호 사이의 정보 흐름 등을 분석할 때 두 변수 중 어느 쪽이 먼저 변화하는 경향이 있는지를 파악하는 출발점으로 자주 활용됩니다.
논문에서는 이렇게 쓰입니다
이 문장은 원자재 가격의 과거 흐름을 알면 미래의 소비자물가지수를 더 잘 예측할 수 있었지만, 그 반대(물가지수가 원자재 가격을 예측)는 성립하지 않았다는 뜻입니다. 즉 예측력의 방향이 한쪽으로만 나타났다는 것입니다.
신경과학 분야에서도 한 뇌 영역의 활동 신호가 다른 영역의 활동을 예측하는 데 통계적으로 도움이 되는지를 같은 방법으로 검토했다는 뜻입니다.
조금 더 깊게 보면
그레인저 인과성은 보통 벡터자기회귀(VAR) 모형을 기반으로, 한 변수의 과거값을 추가했을 때 다른 변수에 대한 예측오차가 통계적으로 유의미하게 줄어드는지를 검정하는 방식으로 계산됩니다. 시계열이 정상성을 만족하지 않으면 결과가 왜곡될 수 있어 사전에 단위근 검정 등으로 정상성을 확인하는 절차가 함께 따르며, 시차(lag)를 몇으로 설정하느냐에 따라 결과가 달라질 수 있어 정보기준을 이용한 시차 선택도 함께 보고되는 경우가 많습니다.
주의할 점
그레인저 인과성은 이름과 달리 실제 원인-결과 관계를 증명하는 것이 아니라 "시간적으로 앞선 데이터가 예측력을 더해주는가"를 검정하는 통계적 도구입니다. 두 변수가 공통의 제3 변수에 의해 함께 움직이는 경우에도 그레인저 인과성이 나타날 수 있으므로, 실질적인 인과관계를 주장하려면 도구변수나 이중차분법 같은 인과추론 방법과 함께 해석하는 것이 안전합니다.