[통계 기초] 관측 연구(Observational Study)와 실험 연구(Experiment)의 차이 및 분석 기법

1. 실험 연구 vs. 관측 연구

⚠️ 중요한 개념:
연관성(Association)은 인과성(Causation)을 의미하는 것이 아니다!
(예: 아이스크림 판매량 증가와 익사 사고 증가 → 둘 다 여름철과 관련 있음)

---

2. 연구 진행 방식에 따른 분류

(1) 전향적 연구 (Prospective Study)

• 미래 데이터를 추적 관찰하면서 정보를 얻음.

• 예시:

  • 비만이 질병에 미치는 영향을 연구하기 위해 117,700명의 간호사를 현재 비만 여부(BMI)로 그룹화한 후 미래에 질병이 얼마나 발생하는지 추적 관찰.

👉 특징
✅ 실험 연구 & 관측 연구 모두 적용 가능
✅ 시간이 오래 걸리지만, 인과관계 분석이 상대적으로 용이

---

(2) 후향적 연구 (Retrospective Study)

• 이미 발생한 사건의 데이터를 분석하는 방식.

• 예시:

  • 폐암 환자 500명과 건강한 500명을 조사하여 과거 흡연 여부를 확인하여 폐암과 흡연의 연관성을 분석.

👉 특징
✅ 빠르게 연구 가능하지만, 인과성 증명 어려움
✅ 주로 관측 연구에서 사용
✅ 편향(Bias)이 개입될 가능성이 높음

---

3. 연관성(Association)과 인과성(Causation)의 차이

• 연관성(Association): 두 변수가 통계적으로 관련이 있지만, 원인-결과 관계를 의미하지는 않음.

• 인과성(Causation): 한 변수가 다른 변수에 직접적인 영향을 준다는 것을 의미.

✅ 예시

1. 연관성: 아이스크림 판매량이 증가하면 익사 사고도 증가 → 하지만 인과성 없음(여름이라는 공통 요인 때문)

2. 인과성: 흡연 → 폐암 발병 (1950년대 리처드 돌 & 오스틴 힐 연구)

➡ 연관성은 인과성을 증명하는 중간 과정일 수 있지만, 추가적인 실험 연구가 필요함.

---

4. 관측 연구 사례 분석

(1) 심근경색 예방 약의 효능 연구

실험 개요

• 대상: 심장질환이 있는 8,341명의 중년 남성

• 설계: 실험군(5,552명) & 대조군(2,789명) 무작위 할당

• 조건: 실험군 → 심근경색약(Colfibrate), 대조군 → 위약(Placebo) 복용

결과

➡ 약의 효과가 미미함을 보임.

---

(2) 추가 분석: 약 복용 습관과 사망률의 관계 (관측 연구)

➡ 결론

1. Colfibrate는 효과 없음 (실험 연구 결과)

2. 약을 꾸준히 복용하는 사람은 사망률이 낮음 (관측 연구 결과)
   → 하지만, 이는 "약 때문"이 아니라 "건강 관리 습관이 좋은 사람"의 특성 때문일 가능성이 있음.

---

5. 심슨의 역설 (Simpson's Paradox)

1970년대 버클리 대학 대학원 입시 성차별 문제

• 남학생 합격률: 44%, 여학생 합격률: 30%

• → "여학생이 차별을 받는다?" 라고 결론 내릴 수 있을까?

학과별 분석

➡ 실제 원인:

• 남학생은 합격률이 높은 학과(A, B)에 많이 지원

• 여학생은 합격률이 낮은 학과(C, D, E)에 많이 지원

• 즉, 성차별이 아니라 "선택한 학과의 차이" 때문

심슨의 역설(Simpson’s Paradox)

• 전체 데이터를 보면 남학생 합격률이 높음.

• 하지만 개별 학과별로 보면 여학생 합격률이 더 높음!

• → 제3의 변수(학과 선호도 차이)에 의해 전체 결론이 왜곡되는 현상.

---

6. 교락 효과 (Confounder Effect)

교락 요인(Confounder)이란?

• 반응 변수(결과)와 설명 변수(요인) 모두에 영향을 미치는 숨겨진 변수.

✅ 버클리 대학 사례에서 교락 요인

• 설명 변수: 성별 (남/여)

• 반응 변수: 대학원 합격 여부 (합격/불합격)

• 교락 요인: 학과 (지원 학과에 따라 합격률 차이 발생)

➡ 교락 요인을 통제하지 않으면 데이터 해석이 잘못될 수 있음!

---

7. 교락 요인을 통제하는 방법

1. 서브그룹 분석 (Subgroup Analysis)

   • 교락 요인(학과)에 따라 그룹을 나눈 후 성별 영향을 따로 분석.

2. 가중 평균 (Weighted Average)

   • 전체 지원자의 학과별 비율을 가중치로 사용하여 성별 합격률을 다시 계산.

✅ 예제: 남학생 가중 합격률 계산

➡ 실제 남학생의 가중 합격률은 39% → 44%보다 낮음

➡ 실제 여학생의 가중 합격률은 43% → 30%보다 높음! (차별이 아니다!)

---

8. 결론

• 실험 연구는 인과관계를 검증할 수 있지만, 관측 연구는 연관성만 분석 가능.

• 연관성이 있다고 해서 인과성이 있는 것은 아니다.

• 심슨의 역설처럼 숨겨진 변수가 결론을 바꿀 수 있다.

• 교락 효과를 통제하기 위해 서브그룹 분석과 가중 평균을 활용해야 한다.