결측자료 메커니즘 (Missing Data Mechanism)
쉽게 풀면
설문조사에서 소득 항목에 답하지 않은 사람들이 있을 때, 그 결측이 순전히 우연(MCAR)인지, 나이나 학력 등 이미 관측된 다른 정보와 관련이 있는지(MAR), 아니면 소득이 매우 높거나 낮은 사람 스스로가(즉 결측된 값 자체가) 응답을 회피하는 경향 때문인지(MNAR)에 따라 결측을 처리하는 올바른 통계적 방법이 완전히 달라진다. MCAR과 MAR 상황에서는 여러 대체(imputation) 기법으로 편향 없는 분석이 가능하지만, MNAR은 결측 이유 자체를 별도로 모형화하지 않으면 어떤 분석도 편향에서 자유롭기 어렵다. 이 분류는 결과적으로 어떤 결측자료 처리 방법을 선택해야 하는지를 결정하는 이론적 출발점이다.
왜 중요한가
결측자료 메커니즘은 어떤 통계 분석 방법을 써도 그 타당성이 결측이 어떻게 발생했는지에 대한 가정에 의존하기 때문에, 임상시험·역학·설문조사 등 실측 자료를 다루는 거의 모든 실증 연구에서 반드시 검토되는 개념입니다. 결측 메커니즘을 잘못 가정하면 추정치가 체계적으로 편향될 수 있어, 연구 결과의 신뢰성을 판단할 때 결측 처리 방법과 함께 그 근거가 되는 메커니즘 가정을 확인하는 것이 표준적인 절차로 자리잡고 있습니다.
논문에서는 이렇게 쓰입니다
결측치를 처리하기 전에 그 발생 메커니즘을 명확히 규정함으로써 적절한 대체 방법이나 분석 전략을 선택하는 근거로 사용된다.
임상시험 및 의학 통계 연구에서 결측 메커니즘 가정에 따른 결과의 강건성을 검토할 때 인용된다.
사회조사방법론 연구에서 종단자료의 결측 패턴을 진단할 때 활용된다.
조금 더 깊게 보면
실제 분석에서는 결측 메커니즘을 직접 증명하기보다, 관측된 변수들 사이에서 결측 여부와 다른 변수 값의 연관성을 탐색적으로 살펴보거나(예: 결측 여부를 종속변수로 한 로지스틱 회귀), 여러 메커니즘 가정 하에서 결과가 얼마나 달라지는지 비교하는 민감도 분석을 함께 제시하는 경우가 많습니다. 또한 MAR 가정 하에서는 다중대체법(multiple imputation)이나 완전정보 최대우도법(FIML) 같은 기법이 흔히 쓰이며, MNAR이 의심될 때는 결측 자체를 모형화하는 선택모형(selection model)이나 패턴혼합모형(pattern-mixture model) 같은 접근이 논의됩니다.
주의할 점
자료만으로는 MAR인지 MNAR인지 구별하는 것이 원칙적으로 불가능한 경우가 많아, 결측 메커니즘에 대한 가정은 상당 부분 연구자의 전문적 판단에 의존할 수밖에 없다.