생존자편향 (Survivorship Bias)
쉽게 풀면
제2차 세계대전 때 통계학자 에이브러햄 왈드는 전투를 마치고 기지로 돌아온 폭격기의 총알구멍 위치를 분석해 달라는 요청을 받았습니다. 군은 총알구멍이 많이 몰린 부위에 철갑을 덧대려 했지만, 왈드는 정반대를 제안했습니다.
돌아온 비행기의 총알구멍은 "맞아도 살아남을 수 있는 부위"를 보여줄 뿐이고, 정작 중요한 정보는 격추당해 끝내 돌아오지 못한 비행기, 즉 눈에 보이지 않는 총알구멍 없는 부위(엔진 등)에 있었기 때문입니다.
이렇게 살아남은 사례만 보고 사라진 사례를 잊어버리면 결론이 완전히 뒤집힐 수 있는데, 이 오류를 생존자편향이라고 부릅니다.
왜 중요한가
생존자편향은 표본 구성 자체에서 발생하는 근본적인 오류이기 때문에, 통계적으로 아무리 정교한 분석을 해도 결과의 방향 자체가 왜곡될 수 있습니다. 경영학의 성공기업 연구, 금융학의 펀드 수익률 분석, 의학의 치료 효과 평가처럼 "결과가 좋았던 사례"만 관찰 가능한 상황이 흔한 분야에서 연구설계와 표본 선정의 타당성을 검토할 때 반드시 짚어야 할 개념으로 다뤄집니다.
핵심 정리
- 생존자편향은 관찰할 수 있는 대상이 이미 어떤 조건을 통과한 것들이기 때문에 생깁니다. 통과하지 못한 대상은 자료에서 사라지고, 남은 것만 평균을 냅니다.
- 남은 대상은 우연히 남은 것이 아니라 남을 만한 특성을 가졌을 가능성이 큽니다. 그래서 남은 집단의 평균은 원래 집단의 평균보다 대개 좋게 나옵니다.
- 이 편향은 표본오차가 아니라 표본 구성의 문제입니다. 표본 수를 늘려도, 분석을 정교하게 해도 사라진 대상이 돌아오지 않으면 줄지 않습니다.
- 금융에서는 펀드·기업 자료에 폐지된 항목이 빠진 경우가 대표적이고(Brown et al., 1992), 사례 연구에서는 “성공한 기업의 공통점”만 모으는 설계에서 자주 나타납니다.
- Wald의 폭격기 일화는 이 개념의 대표 설명으로 알려져 있으며, 그의 접근은 Mangel과 Samaniego(1984)가 통계학 논문으로 정리했습니다.
예시로 보기
가상의 자료입니다. 같은 해에 출시된 펀드 10개의 5년 누적 수익률(%)이 아래와 같았고, 수익률이 −2% 미만인 3개 펀드는 중간에 청산되어 데이터베이스에서 지워졌다고 합시다.
| 구분 | 펀드 수 | 5년 누적 수익률(%) | 평균 |
|---|---|---|---|
| 처음 10개 전체 | 10 | −12, −8, −5, −2, 3, 6, 9, 12, 15, 18 | 3.6 |
| 청산된 펀드(자료에서 사라짐) | 3 | −12, −8, −5 | −8.3 |
| 남아 있는 펀드(분석에 쓰임) | 7 | −2, 3, 6, 9, 12, 15, 18 | 8.7 |
데이터베이스에 남은 7개만 보면 평균 수익률이 8.7%로, 실제 10개의 평균 3.6%의 두 배가 넘습니다. 분석자가 계산을 정확히 했더라도 결과의 방향이 아니라 크기가 부풀려집니다. 청산 기준(−2%)은 설명을 위해 정한 것입니다.
자주 하는 오해
| 오해 | 바로잡기 |
|---|---|
| 표본을 더 많이 모으면 해결된다. | 사라진 대상이 계속 빠져 있다면 표본이 커져도 같은 방향으로 틀립니다. |
| 금융 자료에서만 생기는 문제다. | 성공 사례 연구, 졸업생·생존 환자 대상 조사, 오래 존속한 기관만의 평가 등 “살아남은 것만 남는” 모든 곳에서 나타납니다. |
| 통계 모형으로 보정하면 된다. | 탈락 과정을 모형으로 다룰 수는 있지만, 사라진 대상의 정보를 가정 없이 복원할 수는 없습니다. 가능하면 처음부터 사라진 대상을 포함한 자료를 구하는 것이 먼저입니다. |
| 성공한 대상의 공통점이 곧 성공의 원인이다. | 성공 집단의 공통점만 나열하는 것은 그 특성이 성공을 일으켰다는 근거가 못 됩니다. 같은 특성을 가진 실패 사례의 비율을 함께 봐야 합니다. |
논문에서는 이렇게 쓰입니다
실제 논문에서
이 용어를 직접 쓴 국내 논문 문장을 아직 수집하지 못했습니다. 수집되는 대로 출처와 함께 싣겠습니다.
예시 문장
아래는 용어의 쓰임을 보여 주려고 만든 예시로, 실제 논문에서 가져온 문장이 아닙니다.
이 문장은 지금 살아남아 있는 기업만 조사하면, 같은 전략을 썼지만 실패해서 이미 사라진 기업은 애초에 표본에 잡히지 않아 "성공 전략"이 실제보다 과장되게 평가된다는 점을 지적하고 있습니다.
금융학 연구에서는 성과가 나빠 청산된 펀드가 데이터베이스에서 빠지면서 남아 있는 펀드들의 평균 수익률이 실제보다 부풀려지는 문제가 자주 논의됩니다.
의학 연구에서도 치료를 끝까지 지속한 환자만 관찰 대상이 되면, 부작용이 심해 중도에 치료를 그만둔 환자의 경험이 누락되어 안전성이 실제보다 좋게 보일 수 있습니다.
조금 더 깊게 보면
생존자편향을 줄이기 위한 방법으로는 연구 시작 시점에 존재했던 모든 대상(폐업·청산·사망한 대상 포함)을 포괄하는 데이터베이스를 사용하는 것이 가장 근본적입니다. 금융 분야에서는 이를 "생존편향 없는(survivorship bias-free)" 데이터셋이라 부르며 별도로 구축·관리하는 경우가 많고, 의학 연구에서는 중도 탈락자를 포함한 의도치료분석(intention-to-treat analysis)을 원칙으로 삼는 것이 유사한 문제의식에서 비롯된 관행입니다.
주의할 점
생존자편향은 연구가 진행되는 도중에 참여자가 이탈해서 생기는 탈락편향과 혼동하기 쉽지만, 발생 시점이 다릅니다. 탈락편향은 정해진 연구 기간 동안 추적하던 대상이 중도에 빠지는 것이고, 생존자편향은 애초에 표본을 구성하는 시점에 이미 사라지고 없는 대상을 조사 대상에서 원천적으로 배제하는 것입니다. 두 경우 모두 결과를 실제보다 낙관적으로 보이게 만든다는 공통점이 있습니다.
헷갈리기 쉬운 용어
자료가 빠져서 생기는 편향은 시점과 원인으로 구분합니다.
| 용어 | 빠지는 대상 | 빠지는 시점 |
|---|---|---|
| 생존자편향 | 이미 사라진 대상(청산·사망·폐업) | 표본을 구성하기 전 |
| 탈락편향 | 연구 도중 이탈한 참여자 | 연구 진행 중 |
| 선택편향 | 표본이 모집단과 체계적으로 다르게 뽑힘(생존자편향의 상위 개념) | 표본을 뽑을 때 |
| 자기선택편향 | 스스로 참여를 택한 사람만 남음 | 참여 결정 때 |
참고 문헌
- Brown, S. J., Goetzmann, W., Ibbotson, R. G., & Ross, S. A. (1992). Survivorship bias in performance studies. Review of Financial Studies, 5(4), 553–580.
- Mangel, M., & Samaniego, F. J. (1984). Abraham Wald's work on aircraft survivability. Journal of the American Statistical Association, 79(386), 259–267.
- Elton, E. J., Gruber, M. J., & Blake, C. R. (1996). Survivor bias and mutual fund performance. Review of Financial Studies, 9(4), 1097–1120.
표의 기준값은 위 문헌에 근거한 관례이며, 분야·학술지마다 다른 기준을 쓸 수 있습니다.