인과성(Causality)은 무엇인가?
인과관계와 상관관계의 차이, 인과추론의 의미
인과관계는 두 변수 간의 관계를 나타내며, 한 변수(원인)가 다른 변수(결과)에 직접적인 영향을 미치거나 그 값을 결정하는 것을 의미합니다. 즉, 인과관계는 한 변수의 변화가 다른 변수의 변화를 유발한다는 것을 나타냅니다. 인과관계를 입증하기 위해서는 다음과 같은 조건들을 충족해야 합니다.
첫째, 시간적 선행성(Temporal Precedence)을 충족해야 합니다. 원인은 결과보다 먼저 발생해야 하며, 예를 들어 교육이 소득 증가를 유발한다고 주장하려면, 교육 성취가 소득 증가 이전에 이루어져야 합니다.
둘째, 공변성(Covariation)을 보여야 합니다. 원인과 결과 간에 관측 가능한 관계가 있어야 하며, 원인의 변화에 따라 결과도 일관되게 변화해야 합니다. 예를 들어, 교육 수준이 증가하면 소득도 변화와 일관된 패턴을 보여야 합니다.
셋째, 교란 변수의 제거(Elimination of Confounding Variables)가 필요합니다. 관측된 관계를 설명할 수 있는 다른 가능한 설명을 배제하여야만 인과적 연결고리를 입증할 수 있습니다. 이를 위해 원인과 결과 모두에 영향을 줄 수 있는 교란 변수들을 통제해야 합니다.
연구에서 인과관계를 입증하는 것은 매우 어려운 과제입니다. 단순히 두 변수 간의 상관관계를 보여주는 것만으로는 충분하지 않으며, 관계가 직접적이고 다른 요인에 의해 영향을 받지 않음을 증명해야 하기 때문입니다. 인과관계를 입증하기 위해 실험적 연구(예: 무작위 대조 실험)나 인과 추론 기법(예: 도구변수, 이중차이 분석) 등이 자주 사용됩니다.
예를 들어, UAM(도심항공모빌리티) 및 드론 관련 특허와 기업 성과에 관한 연구에서는 특허 수 증가(원인)가 기업 가치 증가(결과)에 영향을 미치는지 분석할 수 있습니다. 그러나 인과관계를 확립하기 위해서는 특허가 기업 가치 변화보다 먼저 발생하고, 두 변수 간에 일관된 관계가 있으며, 정부 정책이나 산업 성장과 같은 다른 변수들의 영향이 배제되었음을 입증해야 합니다.
인과관계를 심층적으로 이해하기 위해서는 연구와 데이터 분석에서 이를 다루는 방법과 도전 과제들을 검토하는 것이 중요합니다. 먼저, 인과관계와 상관관계를 구별해야 합니다. 상관관계는 두 변수가 함께 변화하는 것을 의미하지만, 이는 한 변수가 다른 변수를 유발한다는 것을 의미하지는 않습니다.
예를 들어, 아이스크림 판매량과 익사 사고가 높은 상관관계를 보일 수 있지만, 이는 아이스크림 구매가 익사를 유발하는 것이 아니라, 두 변수가 모두 더운 날씨와 관련이 있기 때문입니다. 반면, 인과관계는 방향성이 있으며, 한 변수의 변화가 다른 변수에 직접적이고 명확한 영향을 미치는 것을 의미합니다.
인과 추론의 주요 방법에는 실험적 연구와 관찰 연구가 있습니다. 실험적 연구에서는 연구자가 한 변수를 조작하여 다른 변수에 미치는 영향을 관찰할 수 있기 때문에 명확한 인과관계를 입증할 수 있습니다.
무작위 대조 실험(Randomized Controlled Trials, RCT)은 이러한 접근의 대표적인 예입니다. 반면, 실험이 불가능하거나 윤리적, 실질적 제약이 있을 때는 관찰 데이터를 사용한 연구가 필요합니다. 관찰 연구에서는 인과관계를 입증하기 위해 복잡한 통제 기법을 사용해야 하며, 교란 변수의 통제를 위한 다양한 방법들이 필요합니다.
관찰 연구에서 인과관계를 밝히기 위한 기법으로는 자연 실험, 도구변수법, 이중차이 분석, 성향 점수 매칭 등이 있습니다. 예를 들어, 자연 실험은 자연적인 사건이나 정책 변화를 이용하여 무작위 할당과 유사한 조건을 만들어 인과관계를 추론하는 방식입니다.
도구변수법(Instrumental Variables, IV)은 독립변수에 영향을 주지만 종속변수에는 직접적인 영향을 미치지 않는 외부 도구를 사용하여 인과효과를 분리하는 방법입니다.
이중차이 분석(Difference-in-Differences, DiD)은 시간의 변화에 따라 처리 집단과 통제 집단의 결과를 비교하여 교란 요인을 통제합니다. 성향 점수 매칭(Propensity Score Matching)은 실험적 조건과 유사한 환경을 만들기 위해 유사한 특성을 가진 처리 그룹과 비처리 그룹을 매칭하여 인과 효과를 추정합니다.
또한, 시계열 분석에서는 Granger 인과관계를 사용하여 한 시계열이 다른 시계열을 예측할 수 있는지 여부를 판단합니다. 이는 진정한 인과관계를 입증하는 것은 아니지만, 변수 간의 예측 가능성을 평가할 수 있는 유용한 도구입니다.
이 외에도 인과추론 분야에서는 Directed Acyclic Graphs(DAGs)를 사용하여 변수들 간의 인과 구조를 시각적으로 표현하고, 연구자가 가설화한 인과 구조를 이해하고 분석하는 데 도움을 줍니다. 또한, 머신러닝 모델에서는 인과관계를 직접적으로 다루기보다는 변수 간의 연관성을 예측하는 데 중점을 두지만, 최근에는 인과 추론을 통합하여 인과적 해석이 가능한 모델을 개발하려는 시도가 이루어지고 있습니다.
예를 들어, 사용자의 UAM/드론 관련 특허와 기업 성과 간의 관계를 연구할 때, 인과관계를 밝히기 위해서는 시간적 변수나 규제 변화, 경쟁자의 진입 시점 등을 고려해야 합니다. 규제 변화와 같이 특허 증가에는 영향을 미치지만 기업 성과와는 직접적으로 관련이 없는 변수를 도구변수로 사용할 수도 있습니다. 이와 같은 방법론을 통해 관찰 데이터를 이용한 연구에서도 인과관계를 더 명확하게 추론할 수 있습니다.
이처럼 인과관계를 확립하기 위해서는 연구 설계, 통계적 기법, 그리고 교란 변수의 통제를 철저히 해야 하며, 이를 통해 단순한 상관관계에서 벗어나 변수들이 실제로 어떻게 상호작용하고, 복잡한 현실 속에서 인과적으로 어떤 영향을 미치는지를 이해할 수 있습니다.
