인과 추론은 어떤 현상이 왜 발생했는지를 설명하기 위해 원인과 결과의 관계를 분석하는 방법론이다. 통계학적 검증과 인과 모형의 구조를 함께 살펴야 안정적인 결론에 도달할 수 있다.[1][4][5]
1. 개요
인과 추론은 어떤 현상이 왜 발생했는지를 설명하기 위해 원인과 결과의 관계를 분석하는 방법론이다.[1] 단순히 두 사건이 함께 나타나는 상관관계를 보는 데 그치지 않고, 하나의 변화가 다른 변화에 실제로 어떤 영향을 주었는지를 묻는다.[4] 이때 데이터는 출발점이지만, 결론은 통계적 검증과 인과 모형의 구조를 함께 살펴야만 안정적으로 얻을 수 있다.[5]
과학과 정책, 의료와 사회과학에서 인과 추론은 결정을 뒷받침하는 핵심 도구로 쓰인다.[5] 잠재적 결과 프레임워크는 한 개체가 처한 서로 다른 처치 상태를 비교하는 틀을 제공하며, 제르지 네이먼의 문제의식 이후 인과 추론의 표준 언어 중 하나가 되었다.[5] 이런 접근은 관찰된 결과를 넘어서 “무엇을 바꾸면 결과가 어떻게 달라지는가”를 다루게 해 준다.[1]
의학에서는 특히 무작위 배정과 통제된 비교가 중요하다.[1] 임상시험은 개입의 효과를 분리해 보기 위한 대표적인 설계이며, 구조적 인과 모델과 결합하면 복잡한 환경에서도 원인과 결과의 방향을 더 명확히 파악할 수 있다.[2] 이러한 기초 위에서 인과 추론은 단순한 설명을 넘어 예측 가능한 개입 전략을 만드는 데까지 확장된다.[4]
2. 인과 모델의 정의와 수학적 기초
인과 모델은 시스템 안의 변수들이 서로 어떤 방향으로 영향을 주고받는지 수학적으로 나타내는 틀이다.[4] 이 틀은 관찰된 데이터만으로는 드러나지 않는 구조를 가정하거나 복원하여, 결과의 분포가 어떤 원인에 의해 달라지는지 설명한다.[1] 따라서 인과 모델은 예측 모델과 달리 변화의 원리를 함께 다룬다.[4]
통계학은 이 과정을 실증적으로 다듬는 역할을 맡는다.[5] 확률 분포를 이용하면 개입 전후의 차이를 정량화할 수 있고, 통제 실험에서는 무작위 배정을 통해 원인 후보를 비교 가능하게 만든다.[1] 이런 방식은 데이터 안의 우연한 동시 발생과 실제 인과 효과를 구분하는 데 중요하다.[2]
또한 인과 모델은 반사실적 논리와도 가깝다.[4] “만약 다른 선택을 했다면 결과가 어떻게 달라졌을까”라는 질문은 단순한 회귀 계산으로는 충분히 답하기 어렵고, 구조적 가정과 해석 규칙이 함께 필요하다.[4] 그래서 인과 추론은 확률과 설명을 동시에 요구하는 분야로 이해된다.[5]
3. 구조적 인과 모델
구조적 인과 모델은 변수들을 함수 관계로 연결해 인과 구조를 표현하는 방식이다.[1] 각 변수는 다른 변수들의 영향을 받아 결정되며, 모델은 그 관계를 식으로 적어 두어 개입의 결과를 계산할 수 있게 한다.[6] 이 접근은 단순한 상관식보다 한 단계 더 나아가 원인과 결과의 흐름을 분리해 보여 준다.[2]
이 모델은 특히 전문가 지식과 잘 결합된다.[2] 예를 들어 의료 현장에서는 환자의 상태, 치료 선택, 예후 사이의 관계를 임상적 지식과 함께 모델에 반영할 수 있다.[2] 중환자실의 산소 요법이 사망률에 미치는 영향처럼 현실의 복잡한 문제도 이런 방식으로 다룰 수 있다.[2]
구조적 인과 모델의 장점은 개입을 명시적으로 다룬다는 점이다.[1] 변수가 서로 얽혀 있는 상황에서도 어떤 입력이 결과를 바꾸는지 추적할 수 있으며, 이는 결과 해석을 더 투명하게 만든다.[6] 다만 이 유연성은 구조 가정이 적절하다는 전제 위에서만 유지되므로, 모형 검토가 필수적이다.[4]
4. 반사실적 추론
반사실적 추론은 실제로 일어나지 않은 대안을 가정하고, 그때 결과가 어떻게 달라졌을지 따지는 방법이다.[1] 예컨대 어떤 치료를 받지 않았더라면 환자의 상태가 달라졌을지 묻는 식의 분석이 여기에 해당한다.[2] 이런 질문은 “무엇이 실제로 일어났는가”보다 “무엇이 바뀌었을 때 무엇이 달라졌는가”에 더 가깝다.[4]
이 방식은 인공지능과 머신러닝에서도 중요해지고 있다.[8] 단순히 예측 정확도를 높이는 것만으로는 설명과 개입을 다루기 어렵기 때문에, 반사실적 관점은 모델이 왜 그런 결론을 냈는지 보여 주는 데 도움을 준다.[7] 그래서 최근에는 인과 구조를 반영한 모델링이 실행 가능한 의료 의사결정의 한 축으로 논의된다.[8]
반사실적 추론은 관찰 데이터의 한계를 넘어서는 데 유용하지만, 아무 가정 없이 적용할 수는 없다.[1] 구조적 인과 모델이 뒷받침되어야 하며, 어떤 변수들이 고정되고 어떤 변수들이 바뀌는지 분명히 해야 한다.[6] 이 점에서 반사실적 추론은 수학적 정합성과 해석 가능성을 함께 요구하는 고난도 분석이다.[4]
5. 데이터 기반 인과 추론의 한계와 검증
관찰 데이터만으로 인과관계를 판단할 때는 오인 위험이 크다.[1] 비실험 연구에서는 이미 정해진 결과를 기록하는 경우가 많아, 원인을 임의로 바꾸었을 때의 차이를 직접 보지 못한다.[1] 따라서 통계적 연관성만 보고 인과를 단정하면 잘못된 결론에 이르기 쉽다.[5]
이를 보완하려면 개입을 명시한 계산이 필요하다.[1] do-계산법은 특정 변수에 인위적인 변화를 주었을 때 결과 분포가 어떻게 달라지는지 표현하는 도구이며, 실제 실험이 어려운 상황에서도 개입 효과를 추정하게 해 준다.[1] 이런 계산은 단순한 빈도 비교보다 더 강한 해석 틀을 제공한다.[4]
그렇다고 해서 수학적 식만으로 충분한 것은 아니다.[4] 인과 추론은 모델의 구조, 사용된 데이터의 성격, 그리고 외부 지식의 타당성을 함께 점검해야 한다.[2] 특히 의료와 같이 민감한 영역에서는 추론의 정확성뿐 아니라 전제의 투명성까지 검증해야 하므로, 인과 모델과 경험적 자료의 교차 검토가 중요하다.[8]
6. 인과 추론의 응용 분야
정밀 의료는 인과 추론이 실제로 많이 활용되는 영역이다.[2] 환자 개인의 특성과 환경 요인을 함께 고려해 어떤 개입이 어떤 결과를 낳을지 예측하면, 치료와 예방 전략을 더 세밀하게 설계할 수 있다.[8] 중환자실의 산소 요법 사례처럼 치료 선택의 효과를 비교하는 문제는 대표적인 응용 예다.[2]
사회과학에서도 인과 추론은 정책 효과를 평가하는 데 쓰인다.[5] 교육, 노동, 복지 같은 영역에서는 단순한 평균 차이보다 정책 개입이 실제로 어떤 변화를 유발했는지를 따져야 하기 때문이다.[4] 이때 통계학과 인과 모델은 함께 작동하며, 관찰 연구의 자료를 더 엄격하게 해석하도록 돕는다.[5]
최근에는 빅데이터와 고성능 컴퓨팅이 결합되면서 더 복잡한 인과 분석도 가능해졌다.[8] 많은 변수와 긴 시간 축이 얽힌 문제에서 계산 능력은 중요하며, 그 결과 질병의 발생 기전이나 약물 반응처럼 다층적인 현상을 더 정교하게 다룰 수 있다.[2] 결국 인과 추론은 설명, 예측, 개입을 연결하는 실천적 방법론으로 확장되고 있다.[6]
8. 관련 문서
- 상관관계
- 잠재적 결과 프레임워크
- 제르지 네이먼