억제효과 (Suppressor Effect)
쉽게 풀면
보통은 새로운 변수를 모형에 추가하면 기존 변수의 효과(회귀계수)가 줄어드는 경우가 많습니다. 겹치는 정보를 나눠 가지기 때문입니다. 그런데 가끔은 반대의 일이 벌어집니다. 예를 들어 "시험 불안"이 "학업 성취"를 예측할 때 계수가 작게 나왔는데, 여기에 "공부 시간"을 함께 넣었더니 오히려 "시험 불안"의 효과가 더 뚜렷하게 커지는 경우가 있습니다. 이는 시험 불안 안에 섞여 있던 "공부를 열심히 해서 불안이 낮아 보이던" 잡음 성분을 공부 시간이라는 변수가 걸러내(억제해) 주었기 때문입니다. 이렇게 다른 변수의 순수한 효과를 가리고 있던 잡음을 제거해 오히려 효과를 더 뚜렷하게 드러내 주는 변수를 억제변수(suppressor variable)라고 부릅니다.
왜 중요한가
억제효과를 알아채지 못하면 실제로는 의미 있는 관계를 가진 변수를 "효과가 없다"고 잘못 결론짓거나, 반대로 계수가 예상외로 커진 이유를 모형의 오류로 오해할 수 있습니다. 특히 심리학, 교육학, 보건학처럼 변수들 간 상관관계가 복잡하게 얽혀 있는 분야에서는 통제 변수를 추가하는 이유와 그 결과 계수가 어떻게 변하는지를 이론적으로 설명해야 하는데, 억제효과는 이러한 통계적 결과를 오독하지 않고 올바르게 해석하기 위해 반드시 이해해야 하는 개념입니다.
논문에서는 이렇게 쓰입니다
이 문장은 새 변수를 추가했더니 기존 변수의 효과가 줄어드는 일반적인 패턴과 반대로, 오히려 유의하지 않던 효과가 유의하게 커졌다는 뜻이며, 이는 전형적인 억제효과의 징후로 해석됩니다.
조직행동 연구에서 통제 변수 투입 후 주요 예측변수의 효과가 커지는 패턴을 억제효과로 해석하는 맥락으로 쓰인다.
발달심리학 논문에서 배경 변수를 통제했을 때 핵심 변수의 효과가 강해지는 현상을 설명하는 맥락으로 쓰인다.
조금 더 깊게 보면
억제효과는 크게 몇 가지 유형으로 구분되기도 하는데, 억제변수 자체는 종속변수와 거의 관련이 없으면서 다른 독립변수의 무관한 분산만 걸러내는 "전형적 억제(classical suppression)"가 가장 흔히 논의됩니다. 이 외에도 두 독립변수가 종속변수와는 같은 방향으로 관련되어 있지만 서로 반대 방향으로 상관되어 있을 때 발생하는 경우 등 여러 하위 유형이 구분되며, 이를 판별하기 위해서는 회귀계수 부호의 변화뿐 아니라 변수 간 상관행렬과 편상관계수를 함께 검토하는 것이 일반적입니다.
주의할 점
억제효과는 통계적으로는 다중공선성과 비슷한 조건(독립변수 간 상관)에서 발생하지만 결과는 정반대입니다. 다중공선성은 흔히 계수 추정을 불안정하게 만들거나 유의성을 떨어뜨리는 문제로 여겨지지만, 억제효과는 오히려 계수를 더 명확하게 드러내는 유익한 현상일 수 있습니다. 따라서 변수를 추가한 뒤 특정 계수가 예상외로 커졌다고 해서 무조건 분석에 오류가 있다고 판단하기보다는, 변수들 사이의 이론적 관계를 검토해 억제효과 가능성을 먼저 살펴봐야 합니다.