무작위 대조 시험(RCT)과 기타 신중하게 설계된 통계 실험은 인과 관계에 대한 질문에 답하는 데 있어 최고의 기준입니다. 실험 단위(예: 임상 시험 참가자)를 치료군과 대조군에 무작위로 할당하면 두 집단의 균형을 맞춰, 시행된 개입으로 인한 차이 외에는 실질적인 차이가 발생할 가능성을 최소화할 수 있습니다. 이 경우, 평균 인과 효과는 두 집단 간의 평균 결과 차이를 통해 간단히 추정할 수 있습니다.
하지만 연구자들은 종종 한 변수가 다른 변수에 미치는 영향을 조사하고 싶어 하지만, 참가자들을 특정 개입 수준에 무작위로 배정하지 않거나 배정할 수 없는 경우가 많습니다. 무작위 대조군(RCT) 데이터가 아닌 관찰 또는 우연 데이터를 사용하여 노출이 결과에 미치는 영향을 어떻게 측정할 수 있을까요?
바로 여기서 인과 추론이 필요합니다. 인과 추론은 관찰 데이터로부터 인과적 결론을 언제, 어떻게 도출할지 결정하는 데 도움이 되는 개념과 방법의 집합입니다. 연구 질문이 "새로운 치료법이 대조군에 비해 콜레스테롤 수치를 낮추는 데 얼마나 효과적인가?"라고 가정해 보겠습니다. 만약 보험 청구 데이터베이스에서 측정된 관찰 데이터만 있다면, 이 질문에 답하기 위해 어떤 방법을 사용하시겠습니까?
단순 선형 회귀 분석이나 t-검정을 사용하여 치료군과 대조군의 콜레스테롤 수치가 유의미하게 차이가 있는지 확인할 수 있습니다. 그러나 저지방 식단을 섭취한 사람들은 새로운 치료법을 복용할 가능성과 고콜레스테롤 수치가 모두 낮은 반면, 고지방 식단을 섭취한 사람들은 새로운 치료법을 더 자주 복용하고 콜레스테롤 수치가 더 높을 수 있습니다. 따라서 식단을 고려하지 않으면 새로운 치료법이 그다지 효과적이지 않다고 결론지을 수 있습니다. 식단과 같은 교란 변수는 종종 허위 상관관계를 유발하기 때문에, 이러한 단순 분석은 인과관계에 대한 질문에 답하지 못하는 매우 편향된 결과를 도출하기 쉽습니다.
대신 인과 추론을 수행해야 합니다. 다시 말해, 데이터 함수를 인과 추정치로 변환할 수 있는 추가 가정이 필요합니다. 일반적으로 다음 세 가지 가정만으로도 인과 추론을 충분히 수행할 수 있습니다.
- 긍정성: 모든 관찰은 각 수준의 치료를 받을 긍정적인 확률을 갖습니다.
- 일관성: 동일한 수준의 치료를 받은 모든 사람은 동일한 수준의 치료를 경험했습니다.
- 조건부 교환 가능성: 치료와 결과 사이의 관계를 교란시키는 모든 변수가 측정되며, 이는 교란 변수가 주어진 경우 그룹이 "교체 가능"하다는 것을 의미합니다.
이러한 가정이 충족되면 관측 데이터로부터 인과 효과를 추정할 수 있습니다. 추정 방법은 RCT(무작위 비교 연구)에서 사후 데이터 수집과 마찬가지로 교란 변수에 대한 정보를 사용하여 여러 집단의 "균형"을 맞춥니다. 더 자세한 내용은 What If( 인과 가정 및 추정량에 대해 자세히 알아볼 수 있는 훌륭한 무료 자료)를 참조하십시오(Hernán & Robins, 2020).
JMP에서 관찰 데이터를 사용하여 인과 효과를 추정하려면 새로운 인과 처리(Causal Treatment) 특성을 사용하십시오. 신중한 인과 분석을 수행하기 위한 다음 워크플로를 고려해 보세요.
Figure 1. An example DAG from Dong et al. (2025).그림 1. Dong et al. (2025)의 DAG 예시.
1. 데이터 생성 과정을 나타내는 방향성 비순환 그래프(DAG)를 그립니다.
DAG는 방향성 화살표를 통해 어떤 변수가 원인이고 어떤 변수가 결과인지를 보여줍니다. DAG는 비순환적입니다. 즉, 화살표를 따라 경로를 따라가면 시작했던 변수로 돌아갈 수 없습니다. DAG를 그리면 변수를 분류하고 교란 변수를 파악하는 데 도움이 됩니다..
2. 세 가지 가정이 충족되는지 고려해보세요.
치료군에서 전혀 나타나지 않는 공변량 프로파일이 있습니까? 치료 과정을 잘 정의했습니까? 측정되지 않은 교란 변수가 있는지 알고 있습니까?
3. 추정치를 선택하세요.
인과적 치료 성격은 사용자가 지정한 치료 변인의 유형과 모델에 따라 인과적 효과를 추정하는 다양한 방법을 제공합니다.
4. 결과를 해석하세요.
세 가지 인과적 가정이 충족된다면, 평균 치료 효과는 전체 인구가 한 가지 개입을 받았을 때와 다른 개입을 받았을 때의 결과의 평균 차이로 해석될 수 있습니다.
JMP는 적합 모델 인과 처리 특성 외에도 구조 방정식 모델(Structural Equation Models) 및 XGBoost와 같은 플랫폼을 통해 인과 효과를 추정할 수 있습니다(Dong et al., 2025). 인과 처리 특성은 경험 수준에 관계없이 데이터에서 인과 효과를 추정하는 간단한 시작점입니다. 가장 일반적이고 강력한 인과 추정값을 직접 출력하고 인과 가정을 평가하기 위한 시각화 기능을 제공합니다.
이 블로그는 Safiya Sirota( @사피야_jmp )와 공동으로 작성되었으며, 그녀는 JMP에서 인턴으로 일하는 동안 이 작업에 기여했습니다.
참고문헌
Dong M, Castro-Schilo L, Wolfinger R (2025). 구조방정식 모형, 성향점수, 머신러닝을 활용한 JMP Pro에서의 관측 데이터 인과 추론 . [원고 준비 중]
Hernán MA, Robins JM (2020). 인과 추론: 만약 . 보카 레이턴: Chapman & Hall/CRC
