[인과추론] Introduction

Causal Inference시 주의할 점

Simpson’s paradox

Simpson’s paradox는 주로 observational data에 주로 발생하는 경우가 많다. 환자들에게 약(Treatment)을 통해 효과가 어떤지 확인하는 상황을 가정해보자. 아래의 표는 두 가지 약을 처방받은 사람들의 사망률이다.

위의 표에 따른 수치에 따르면 A가 더 좋다. 정말 그럴까? 사망한 환자의 아픈정도(Condition)에 따라 나눠서 생각해보자.

전체적으로는 A약의 사망률이 더 낮은데 상태별로 나눠서 보니 B약의 사망률이 두 가지 경우 모두 낮다. 그렇다면 어떤 약을 사용해야할까?

이에 대해서는 두 가지의 시나리오가 있다.

• 먼저 아픈정도(Condition)가 어떤 약(Treatment)을 투여하는지와 사망률(Outcome) 모두에게 영향을 주는 경우 : 이런 경우는 B 선호
  • 예를 들어, 의사가 상태가 Mild한 환자에게는 A약을 투여하고 상태가 Severe한 환자에게는 B약을 투여한 상황을 생각해보자. 이미 Severe한 환자는 사망할 확률이 높았고 따라서 A약의 사망률이 더 낮게 나온 것이다. (Condition confounds the effect of treatment on morality) 이 예시에서처럼 treatment와 outcome 모두에 영향을 미치는 변수를 confounder 라고 부른다.

• 약(Treatment)이 아픈정도(Condition)와 사망률(Outcome) 모두에게 영향을 주는 경우 : 이런 경우는 A 선호
  • 예를 들어, B약은 약의 특징상 2번 맞아야하는데 그 사이의 시간이 꽤 긴 편이다. 따라서 B약을 처방받은 사람은 그 사이의 시간동안 아픈상태가 Severe해지는 경우가 발생할 수 있다. 그래서 B약을 맞은 사람의 전체사망률이 높아질수 있다.

이처럼 어떤 인과모형을 갖느냐에 따라 결론이 바뀌게 된다. 따라서 우리는 인과관계를 통해 decision-making을 할 때, 적절한 과정을 거쳐야하는 것이다.

Correlation does not imply causation

‘신발을 신고 자는 것’과 ‘일어나서 두통이 있는 것’이 상관관계가 높다. 그러면 신발을 신고자면 다음날 일어나서 두통이 있을 것이라고 말할 수 있을까? 즉, 인과관계가 있다고 할 수 있을까? 그럴 수 없다.

common cause가 있다면? 술을 마신 경우를 생각해보자. 취해서 신발을 신고 자게된다. 숙취 때문에 다음날 일어나서 두통이 있을 확률이 높다. 즉 total association이 confounding association과 causal association으로 이루어진 것이다. (correlation is technically only a measure of linear statistical dependence. We will largely be using the term ‘association’ to refer to statistical dependence from now on)

이처럼 우리는 data를 보고 인과관계를 함부로 판단해서는 안된다. 추후에는 인과관계를 파악하기 위한 방법론들을 알아보자.

Causation in Observation Studies

RCT를 하거나 두 그룹이 comparable하게 하여 confounder를 없애서 인과관계를 파악할 수 있다. 하지만 그렇지 못해서 observational study만 가능한 경우가 있다. 이런 경우에는 causal effect를 측정할 수 있을까? 가능하다. 사실 이 부분이 실제 필드에서 가장 많이 필요할 것이다. 뒤에서 차차 배워보자.

Reference

• Brady Neal - Causal Inference