성향점수매칭 (Propensity Score Matching)
쉽게 풀면
새로운 다이어트 약의 효과를 알고 싶은데, 누구에게 약을 줄지 무작위로 정할 수 없는 상황이라고 해봅시다. 이미 스스로 약을 먹기로 선택한 사람들과 안 먹은 사람들을 그냥 비교하면, 애초에 건강에 더 신경 쓰는 사람이 약도 더 챙겨 먹었을 가능성 때문에 비교가 왜곡됩니다.
성향점수매칭은 나이, 성별, 소득, 운동습관 등 여러 조건을 종합해 "이 사람이 약을 먹었을 확률(성향점수)"을 계산한 뒤, 그 확률이 비슷한 약 복용자와 미복용자를 한 쌍씩 짝지어 비교합니다. 이렇게 하면 마치 조건이 비슷한 사람들을 무작위로 나눈 것과 비슷한 효과를 낼 수 있습니다.
왜 중요한가
무작위대조시험이 윤리적·현실적으로 불가능한 상황(예: 이미 시행된 정책, 특정 질병 노출)이 많기 때문에, 성향점수매칭은 관찰자료만으로도 실험에 가까운 인과추론을 시도할 수 있게 해주는 대표적인 방법으로 경제학, 보건학, 정책평가, 사회학 등 다양한 분야의 실증 논문에서 널리 쓰인다. 처치집단과 대조집단 간 관찰 가능한 특성 차이를 통제해 선택편향을 줄인다는 점에서, 인과관계를 주장하려는 관찰연구의 신뢰성을 높이는 핵심 도구로 자리 잡았다.
어떤 절차인가
성향점수는 관찰된 특성 X가 같을 때 처치를 받을 확률, e(X) = P(처치 = 1 | X)입니다. 로즈바움과 루빈(1983)은 처치 여부가 X와 무관해지도록 맞추는 데 X 전체 대신 이 점수 하나만 맞추면 충분하다는 성질을 보였습니다. 절차는 보통 다음과 같습니다.
- 성향점수 추정. 처치 여부를 종속변수로 두고 공변량으로 로지스틱(또는 프로빗) 회귀를 돌려 개체마다 점수를 얻습니다. 공변량은 처치와 결과 모두에 영향을 줄 만한 변수를 처치 이전 시점에서 고릅니다.
- 매칭. 처치 집단의 각 개체에 점수가 가까운 대조 개체를 짝지웁니다. 가장 가까운 한 명을 고르는 최근접이웃, 허용 거리(캘리퍼)를 두는 방식, 여러 명을 가중하는 커널 방식이 있습니다. 대조 개체를 다시 쓸 수 있는지(복원), 몇 명을 붙이는지(1:1, 1:k)도 정해야 합니다.
- 균형 진단. 매칭 후에 공변량 분포가 두 집단에서 비슷해졌는지 확인합니다. 지표는 표준화 평균차(SMD)가 흔히 쓰이고, 처치 집단과 대조 집단의 점수가 겹치는 구간(공통지지)이 있는지도 봅니다.
- 효과 추정. 매칭된 표본에서 처치 집단 평균 효과(ATT)를 계산합니다.
핵심 가정은 두 가지입니다. ① 처치 여부에 영향을 주는 변수가 모두 관찰되었다는 강한 무시가능성, ② 모든 X에서 처치를 받을 확률이 0과 1 사이라는 공통지지입니다.
언제 쓰고 무엇을 얻나
언제 쓰나. 무작위 배정이 불가능하고, 처치(정책 참여, 지원 사업, 수술 등)를 받은 집단과 받지 않은 집단이 처음부터 달랐을 때입니다. 한국 논문에서는 중소기업 지원사업의 성과, 정책도구 인식과 혁신, 졸업생의 직업 이동, 농가 지원사업 평가 등에서 성향점수매칭을 쓰고, 매칭 후 사업 전후 변화를 비교하는 이중차분(DID)과 합친 PSM-DID도 많이 쓰입니다.
균형 진단의 가상 예. 처치 집단의 평균 나이가 52세, 대조 집단이 44세이고 표준편차가 둘 다 10이라면 SMD = (52 − 44) / 10 = 0.8입니다. 매칭 후 대조 집단의 평균이 51세가 되었다면 SMD = (52 − 51) / 10 = 0.1입니다. 이처럼 절댓값이 작을수록 균형이 좋다고 보며, 0.1 이하를 기준으로 삼는 것이 관례입니다(0.25를 쓰는 경우도 있어 확정된 규칙은 아닙니다).
무엇을 얻나. 관찰된 변수만큼은 처치 집단과 닮은 대조군을 만들어, 그 변수들의 차이 때문에 생긴 왜곡을 줄입니다. 한편 관찰되지 않은 요인이 처치와 결과에 함께 영향을 준다면 편향은 남습니다. 킹과 닐슨(2019)은 성향점수로 매칭하는 방식이 오히려 불균형과 모형 의존성을 키울 수 있다고 비판해, 다른 매칭 방법을 권합니다. 성향점수 모형은 처치를 잘 예측하는 것이 목표가 아니라 공변량 균형을 맞추는 것이 목표라는 점도 자주 지적됩니다(Austin, 2011).
논문에는 이렇게 적는다
- 처치와 결과의 정의, 비교 대상(처치 집단과 대조 집단)과 선택 방식.
- 성향점수 모형: 어떤 공변량을 넣었고 왜 처치 이전의 변수로 판단했는지, 추정 방법(로짓 등).
- 매칭 알고리즘과 설정: 최근접이웃·캘리퍼·커널, 복원 여부, 1:1 또는 1:k, 캘리퍼 크기.
- 매칭 전후 균형 표(공변량별 평균, SMD)와 점수 분포 그림(공통지지 확인).
- 매칭 후 표본 크기와 매칭되지 못해 제외된 처치 개체 수.
- 효과 추정치(ATT)와 표준오차 계산 방법. 최근접이웃 매칭 추정량에서는 부트스트랩이 타당하지 않다는 지적이 있어(Abadie & Imbens, 2008) 전용 표준오차를 쓰는지 밝힙니다.
- 민감도 분석: 관찰되지 않은 교란이 얼마나 강해야 결론이 뒤집히는지(예: Rosenbaum 한계).
논문에서는 이렇게 쓰입니다
실제 논문에서
국내 학술지 논문에서 이 용어가 쓰인 문장을 그대로 옮겼습니다. 제목·학술지·연도와 원문 링크를 함께 적었습니다.
“본 연구는 기업의 정책도구 인식 정도가 혁신성과에 미치는 영향을 파악하고자 성향점수매칭 방법(PSM)을 활용하여 그 효과를 실증하였다.”
기업의 정책도구 인식 정도가 혁신에 미치는 영향: 성향점수매칭을 통한 정책도구 효과분석, 기술혁신학회지, 2023 · KCI 한국학술지인용색인 · 원문 보기 ↗
“대졸자직업이동경로조사 3개년 간(2017~2019년) 자료를 성향점수매칭기법을 이용하여 비교 대상의 동질성을 확보하고자 하였다.”
고교-대학 간 전공계열 교차 진학의 노동시장 성과 측정 연구, 교양교육연구, 2024 · KCI 한국학술지인용색인 · 원문 보기 ↗
“이를 위해 한국복지패널(Korea Welfare Panel Study) 2016년(11차) 자료를 활용하였으며, 성인 382명을 대상으로 성향점수(PSM) 매칭 후 차이분석(DID)과 구조방정식 AMOS을 이용하여 분석하였다.”
국민기초생활보장 수급자와 비수급자의 복지태도(결정)에 관한 비교: 사회학적 해석 중심으로, 한국융합학회논문지, 2020 · KCI 한국학술지인용색인 · 원문 보기 ↗
예시 문장
아래는 용어의 쓰임을 보여 주려고 만든 예시로, 실제 논문에서 가져온 문장이 아닙니다.
이 문장은 "처치집단과 대조집단이 원래 가진 특성 차이를 최대한 비슷하게 맞춘 뒤, 그 상태에서 결과를 비교했다"는 뜻입니다.
노동경제학·정책평가 연구에서 자발적으로 프로그램에 참여한 집단과 그렇지 않은 집단 간 선택편향을 줄이기 위해 매칭을 적용할 때 쓰이는 표현입니다.
임상역학 연구에서 무작위 배정이 어려운 치료법 간 효과를 비교할 때도 흔히 사용되는 표현입니다.
조금 더 깊게 보면
성향점수는 흔히 로지스틱 회귀 등으로 각 개체가 처치를 받을 확률을 추정해 계산하며, 매칭 방식에는 가장 가까운 점수를 가진 개체를 짝짓는 최근접이웃매칭, 일정 범위 내의 점수를 가진 개체들과 비교하는 커널매칭 등 여러 방법이 있다. 매칭이 잘 이루어졌는지는 매칭 전후로 처치집단과 대조집단의 공변량 분포가 얼마나 비슷해졌는지를 나타내는 균형성 검정(balance test)으로 확인하는 것이 일반적이며, 이 과정을 거치지 않은 매칭 결과는 논문 심사에서 흔히 지적받는 부분이다.
주의할 점
성향점수매칭은 소득, 학력처럼 관찰되고 측정된 변수만 통제할 수 있습니다. 연구자가 미처 측정하지 못한 숨은 요인이 처치 여부와 결과에 동시에 영향을 준다면 여전히 내생성 문제가 남습니다. 이런 관찰되지 않는 교란요인까지 다루려면 도구변수나 이중차분법 같은 다른 방법을 함께 고려해야 합니다.
헷갈리기 쉬운 용어
관찰 자료에서 인과 효과를 추정하는 방법들이 서로 비교됩니다.
| 방법 | 교란을 다루는 방식 | 필요한 핵심 가정 |
|---|---|---|
| 성향점수매칭 | 관찰된 특성이 비슷한 개체끼리 비교 | 관찰되지 않은 교란이 없다(무시가능성) |
| 이중차분법 | 처치 전후 변화를 집단 사이에서 비교 | 처치가 없었다면 두 집단의 추세가 평행했을 것 |
| 회귀불연속설계 | 기준점 바로 위·아래를 비교 | 기준점 근처에서 결과가 연속적 |
| 도구변수 | 처치에만 영향을 주는 외부 변수를 이용 | 도구변수가 결과에 직접 영향이 없다(배제제약) |
| 무작위대조시험 | 무작위 배정으로 집단을 처음부터 동등하게 | 배정이 실제로 무작위 |
참고 문헌
- Rosenbaum, P. R., & Rubin, D. B. (1983). The central role of the propensity score in observational studies for causal effects. Biometrika, 70(1), 41–55.
- Caliendo, M., & Kopeinig, S. (2008). Some practical guidance for the implementation of propensity score matching. Journal of Economic Surveys, 22(1), 31–72.
- Stuart, E. A. (2010). Matching methods for causal inference: A review and a look forward. Statistical Science, 25(1), 1–21.
- Austin, P. C. (2011). An introduction to propensity score methods for reducing the effects of confounding in observational studies. Multivariate Behavioral Research, 46(3), 399–424.
- King, G., & Nielsen, R. (2019). Why propensity scores should not be used for matching. Political Analysis, 27(4), 435–454.
표의 기준값은 위 문헌에 근거한 관례이며, 분야·학술지마다 다른 기준을 쓸 수 있습니다.