역확률가중치 (Inverse Probability Weighting)
쉽게 풀면
설문조사에서 젊은 층 응답률이 유독 낮다면, 그 결과만 그대로 쓰면 전체 여론을 왜곡해서 보여주게 됩니다. 이럴 때 "응답할 확률이 낮았던 사람"에게 더 큰 가중치를, "응답할 확률이 높았던 사람"에게 더 작은 가중치를 곱해서 계산하면 전체 모집단을 더 잘 대표하는 결과를 얻을 수 있습니다. 역확률가중치는 바로 이 원리를 씁니다. 즉 어떤 사람이 특정 상태(치료를 받음, 설문에 응답함 등)에 놓일 확률을 먼저 추정한 뒤, 그 확률의 역수를 가중치로 사용해서 데이터의 불균형을 바로잡는 방법입니다.
왜 중요한가
무작위 배정이 어려운 관찰연구에서는 치료를 받은 집단과 받지 않은 집단의 특성이 애초에 다를 수 있어, 이 차이를 보정하지 않으면 효과 추정치가 왜곡됩니다. IPW는 이런 관찰연구에서 인과효과를 추정하기 위한 핵심 도구 중 하나로, 역학·보건정책·경제학의 정책평가 연구처럼 실험이 불가능하거나 비윤리적인 상황에서 인과관계에 가까운 결론을 이끌어내려는 시도에 폭넓게 쓰입니다. 또한 설문조사에서 무응답으로 인한 편향을 보정하는 데도 같은 원리가 활용되어 응용 범위가 넓습니다.
논문에서는 이렇게 쓰입니다
이 문장은 무작위 배정이 아닌 관찰연구에서, 치료를 받을 가능성이 환자 특성에 따라 서로 달랐던 문제를 각 환자의 치료 확률(성향점수)의 역수로 가중치를 부여해 통계적으로 보정했다는 뜻입니다. 역학·보건학·경제학의 정책효과 분석 논문에서 흔히 쓰입니다.
종단연구에서는 시간이 지나며 중도에 빠져나가는 참여자가 생기는데, 이때도 끝까지 남을 확률의 역수를 가중치로 써서 편향을 줄이는 방식이 쓰입니다.
경제학의 정책효과 분석에서는 IPW를 다른 인과추론 기법(이중차분법 등)과 결합해 사용하는 경우도 흔하다는 것을 보여줍니다.
조금 더 깊게 보면
IPW를 적용하려면 먼저 각 대상이 실제로 처한 상태(치료를 받음, 응답함 등)에 놓일 확률을 로지스틱 회귀 등으로 추정해야 하며, 이 확률을 흔히 성향점수라고 부릅니다. 이 확률 추정 모형 자체가 잘못되면 가중치도 왜곡되므로, 이중강건추정(doubly robust estimation)처럼 성향점수 모형과 결과 모형을 동시에 활용해 어느 한쪽이 틀려도 추정치가 크게 흔들리지 않도록 보완하는 방법이 함께 발전해 왔습니다. 극단적으로 작은 확률을 가진 대상의 가중치가 지나치게 커지는 문제를 막기 위해 가중치 상한을 두는 안정화(stabilized) 방법도 실무에서 자주 쓰입니다.
주의할 점
IPW는 성향점수매칭과 마찬가지로 치료를 받을 확률(성향점수)을 이용하지만, 대상을 짝지어 표본을 줄이는 매칭과 달리 전체 표본을 유지한 채 가중치만 조정한다는 점에서 다릅니다. 또한 특정 개체의 치료 확률이 0에 가까우면 가중치가 극단적으로 커져 추정이 불안정해질 수 있어 주의가 필요합니다.