변수를 많이 통제할수록 인과 추론이 좋아질까?
인과 다이어그램은 통제해야 할 공통 원인과 통제하면 오히려 경로가 열리는 합류 변수를 구분하게 합니다.
그림에서 무엇을 볼까요?
성실성과 추천서에서 장학금 선발로 향하는 두 화살표가 선발 노드 경계에서 합류하며, 선발에 조건을 걸면 성실성과 추천 사이 경로가 열릴 수 있음을 보이는 표.
LTCT가 만든 가상 구조에서 성실성 X와 추천서 Y는 각각 장학금 선발 C에 영향을 줍니다. 전체 지원자에서 X와 Y가 독립일 수 있어도 장학생 C=1만 고르면, 낮은 추천으로 선발된 학생은 높은 성실성을 가졌을 가능성이 커지는 식의 인위적 연관이 생길 수 있습니다.
그림에서 두 화살표는 C의 경계에서 정확히 만납니다. C는 합류 변수입니다. C로 표본을 제한하거나 회귀식에서 무조건 조정하면 X와 Y 사이의 닫힌 경로를 열 수 있습니다. 이 예시는 실제 장학 제도의 편향을 측정한 자료가 아니라 조건화의 논리를 보여 주기 위한 구조입니다.
함께 확인할 점
DAG의 결론은 화살표와 누락 변수에 관한 인과 가정에 의존합니다. 관찰 자료만으로 모든 방향을 확정할 수 없습니다.
합류 변수 조정을 피한다는 한 문장도 보편 처방은 아닙니다. 목표 효과, 표본 선택과 측정 과정에 따라 더 복잡한 그래프가 필요합니다.
생각해 볼 질문
결과와 관련된 변수를 모두 회귀식에 넣으면 더 정확하지 않나요?
자료를 더 많이 모으면 원인을 알 수 있을까?
한쪽만 유의하면 두 효과가 서로 다른 걸까?
각각 더 좋은데 합치면 더 나쁠 수 있을까?