독립사건과 종속사건 (Independent and Dependent Events)
쉽게 풀면
주사위를 두 번 던진다고 해봅시다. 첫 번째에서 6이 나왔다고 해서 두 번째에 6이 나올 확률이 달라지지는 않습니다. 이렇게 한 사건의 결과가 다른 사건의 확률에 아무 영향을 주지 않을 때 두 사건은 독립이라고 합니다. 반대로 카드 52장 중에서 카드를 한 장 뽑고 다시 넣지 않은 채 또 한 장을 뽑는다면, 첫 번째로 어떤 카드가 나왔는지가 두 번째 카드를 뽑을 확률에 영향을 줍니다. 이럴 때 두 사건은 종속이라고 합니다. 수학적으로는 두 사건 A, B가 독립이면 "A와 B가 동시에 일어날 확률 = A가 일어날 확률 × B가 일어날 확률"이 성립하고, 종속이면 이 식이 성립하지 않아 조건부확률을 이용해 다시 계산해야 합니다.
왜 중요한가
독립사건과 종속사건의 구분은 확률 계산의 가장 기초적인 갈림길이면서, 통계 모형 전체의 타당성을 좌우하는 핵심 가정이기도 합니다. 많은 통계 기법이 관측치들 사이의 독립성을 전제로 하기 때문에, 이 가정이 실제로 성립하는지를 확인하는 것은 회귀분석, 실험설계, 시계열 분석 등 거의 모든 정량 연구 분야에서 결과의 신뢰도를 판단하는 데 필수적입니다.
논문에서는 이렇게 쓰입니다
많은 통계 모형은 관측치들이 서로 독립이라는 가정 위에서 확률을 계산합니다. 논문에서 "독립사건으로 가정한다"는 문장은 뒤이어 나오는 확률 계산식이 단순 곱셈으로 성립함을 미리 밝혀 두는 것입니다.
의학·보건 통계 논문에서는 같은 사람에게서 여러 번 측정한 값들이 서로 독립이 아니라 종속적으로 연관되어 있다는 점을 밝히고, 이를 보정하는 분석 방법을 함께 제시하는 경우가 많습니다.
유전학 논문에서는 서로 다른 유전자 위치의 변이가 독립적으로 유전되는지를 검정하여, 두 위치가 서로 얽혀 유전되는 정도(연관불균형)를 판단하는 근거로 씁니다.
조금 더 깊게 보면
실제 데이터가 독립사건 가정을 만족하는지는 카이제곱 독립성 검정 같은 통계적 검정으로 확인할 수 있습니다. 또한 완전한 독립이 아니더라도 상관관계의 정도를 수치화하려면 공분산이나 상관계수를 함께 살펴보는 것이 일반적입니다. 종속성이 존재하는 자료를 다룰 때는 그 종속 구조(같은 개체 내 반복측정, 시간적 순서, 공간적 인접성 등)를 명시적으로 모형에 반영하는 것이 분석의 타당성을 높이는 방법으로 여겨집니다.
주의할 점
실제 데이터에서 사건들이 진짜 독립인지는 검증이 필요합니다. 독립이 아닌데도 독립으로 가정하고 확률을 곱해버리면 계산이 크게 틀어질 수 있습니다. 표본 관측치 사이의 독립성이 깨진 경우를 다루는 통계 기법으로는 혼합효과모형이나 일반화추정방정식 등이 있습니다.