기저율 무시 (Base Rate Neglect)

한 줄 정의

확률 추정에서 모집단의 기본 비율 (base rate)을 무시하고 개별 사례의 두드러진 특징 (representativeness)에 가중치를 과도하게 두는 체계적 오류. Kahneman & Tversky (1973) Psychological Review 80(4):237 — "Tom W." 실험과 representativeness heuristic으로 정립.

일상 한 줄

"이 사람 보니 ○○같다" — 그 인상의 정확도는 그 ○○ 자체의 빈도 (base rate)에 묶인다. 100명 중 1명만 의사인 도시에서 "의사스러운" 사람을 봤다고 90% 의사일 확률은 안 됨.

흔한 장면

새 분야 입문 결정: "내 주변 성공한 사람들" 모집단이 base rate가 아님. 통계청 폐업률 (한국 5년 자영업 폐업률 약 70%)이 진짜 base rate.
의료 검사: "이 검사 결과 양성이면 90% 정확"이라도 base rate가 0.1%면 실제 양성률은 매우 낮음 (베이즈 정리).
로맨스 스캠·보이스피싱: "이런 사기당하는 사람은 어수룩하다" 인상 — base rate 보면 고학력·전문직 비율도 높음. 인상이 base rate를 가림.
자녀 진로: "○○과 출신은 다 잘 된다" 한 명 사례 — 그 학과 졸업생 전체의 평균을 base rate로.
건강 정보: "이 음식 먹고 ○○ 나았다" — base rate (자연 호전률) 모르면 효과 추정 불가.

왜 빠지나 (메커니즘)

representativeness heuristic [Kahneman & Tversky 1973] — 사례가 카테고리 stereotype과 얼마나 닮았는가로 확률 추정. 직관적이고 빠르지만 base rate를 무시.
개별 정보의 인지적 무게 — 통계는 추상, 개별 사례는 구체. System 1이 구체적 정보에 더 큰 가중치 부여 [Kahneman 2011].
vividness bias [Nisbett & Ross 1980 Human Inference] — 생생한 개별 사례 (스토리)가 통계보다 기억·인출 쉬움. "내 친구가 ○○했어"가 통계 100건보다 무게 큼.
base rate가 추상적·다중 source — base rate는 통계청·논문에서 와야 함. 일상에서 접근 어려움.

빠져나오는 법 / 학술 개입

1. base rate 의도적 검색: 결정 전 모집단 비율 통계 적극 찾기. 통계청·논문·signal 데이터. 2. 베이즈 갱신: prior (base rate) × likelihood (사례 정보) = posterior. 사례 정보만으로 결정하지 않음. 3. outside view [Kahneman & Tversky 1979] — "이 결정을 외부 관찰자가 본다면" 시점 — 자기 사례에 갇힌 inside view 차단. 4. case + statistic 결합 [Larrick, Morgan & Nisbett 1990] — 통계 + 한 사례를 같이 제시하면 통계만 또는 사례만보다 효과 큼. 5. frequency format [Gigerenzer & Hoffrage 1995 Psychological Review 102(4):684] — 확률 (0.1%) 대신 빈도 (1000명 중 1명)로 표현하면 베이즈 정리 적용이 일관되게 정확.

함께 쓰기 좋은 도구

베이즈 사고 — base rate의 정량적 운영
regression-to-mean — base rate 무시의 자매 오류
availability heuristic — vividness가 base rate를 가림
outside view — base rate 접근의 휴리스틱

통념이 무너지는 순간

### "개별 사례가 통계보다 정확하다" ⚠ 흔한 말: "내 친구가 ○○했어, 그게 진실." ✓ 학술: Kahneman & Tversky (1973) Tom W. 실험 — 피험자가 base rate (대학원생 분야 비율)를 무시하고 Tom의 인상 묘사로 분야 추정. 결과는 base rate와 체계적으로 어긋남. 개별 사례 = high variance, 통계 = low variance.

### "검사 결과가 양성이면 거의 확실히 양성이다" ⚠ 흔한 말: "정확도 90% 검사니까 양성이면 90%." ✓ 학술: Casscells, Schoenberger & Grayboys (1978) NEJM 299:999 — Harvard Medical School 학생·교수에게 같은 문제. base rate 0.1%, 검사 정확도 95% → 실제 양성률 약 2%. 응답자 다수가 95%로 답함. 의료 전문가도 base rate 무시.

### "유명 사례에서 패턴이 보이면 일반 패턴이다" ⚠ 흔한 말: "성공 사례 책 읽으면 비결 보인다." ✓ 학술: survivorship bias + base rate neglect 결합. 성공 사례만 모인 모집단 (살아남은 회사)에서 추출한 패턴은 base rate (전체 시도자)에서 검증 안 됨. Mauboussin (2012) The Success Equation.

### "base rate는 평균이고 나는 다르다" ⚠ 흔한 말: "통계는 그렇지만 나는 예외." ✓ 학술: above-average effect [Alicke & Govorun 2005] — 대다수가 자기를 평균 이상으로 평가. 통계적으로 불가능. "예외" 주장은 거의 항상 인지 편향.

1차 출처

Kahneman, D., & Tversky, A. (1973). "On the psychology of prediction." Psychological Review 80(4):237. — Tom W. 실험, representativeness heuristic.
Tversky, A., & Kahneman, D. (1974). "Judgment under uncertainty: Heuristics and biases." Science 185(4157):1124. — 종합.
Casscells, W., Schoenberger, A., & Grayboys, T. (1978). "Interpretation by physicians of clinical laboratory results." NEJM 299:999. — 의료 base rate 무시.
Gigerenzer, G., & Hoffrage, U. (1995). "How to improve Bayesian reasoning without instruction: Frequency formats." Psychological Review 102(4):684.
Bar-Hillel, M. (1980). "The base-rate fallacy in probability judgments." Acta Psychologica 44(3):211. — 종합 리뷰.

원문 핵심 인용

"The intuitive prediction of the value of a variable is selected to match the impression of the evidence on which it is based. Such predictions are made with no regard for the reliability of the evidence or for the prior probability of the outcome." — Kahneman & Tversky (1973), p. 237.

"Only 18 percent of physicians and medical students arrived at the correct answer of approximately 2 percent." — Casscells, Schoenberger & Grayboys (1978), NEJM.

핵심 정의·메커니즘

베이즈 정리: P(H|E) = P(E|H) × P(H) / P(E)

P(H) = prior = base rate
P(E|H) = likelihood (사례 정보)
P(H|E) = posterior

base rate 무시 = P(H) 항을 가중치 ~0으로 처리. 결과는 likelihood만으로 추정.

frequency format 효과: "이 검사의 정확도는 95%, base rate는 0.1%" → "1000명 중 1명이 진짜 환자. 1000번 검사하면 진짜 양성 1 + 가짜 양성 50. 양성 결과 51 중 진짜 1 → 약 2%" 빈도로 바꾸면 직관적으로 베이즈 가능.

주요 후속 연구·메타분석

Bar-Hillel (1980) — base rate fallacy 종합 리뷰.
Koehler (1996) Behavioral and Brain Sciences 19(1):1 — base rate 효과의 강건성 메타. 일부 맥락에서 base rate를 정확히 사용함을 발견 — 효과는 robust하지만 보편적이지 않음.
Gigerenzer & Hoffrage (1995) — frequency format이 베이즈 추론 일관되게 향상.
Eddy (1982) Judgment under uncertainty — 의료 의사결정에서 base rate 무시 실증.

비판·한계

상황 의존 [Koehler 1996] — base rate를 정확히 사용하는 맥락 존재. 효과는 일관되지만 보편적 아님.
frequency format으로 약화 [Gigerenzer & Hoffrage 1995] — 표현 형식만 바꾸면 효과 크게 감소. "인간이 base rate를 못 쓴다"가 아니라 "확률 표현이 어렵다"가 정확한 진단.
개별 정보가 진짜 정보일 때 — 사례 정보가 진짜 진단적 (diagnostic)이면 base rate에 추가 weight. 둘을 무시하는 게 답이 아님.

앱 활용 방법

0009 라이브러리: 정의 + 예시 (의료 검사 / 새 분야 입문 / 자녀 진로) + 안티패턴 ("내 친구가 ○○했어" 한 사례 의존 해체).
연결 인생 질문:
- Q06 의사결정의 질 — base rate 검색 습관
- Q08 후회 없는 선택 — outside view 활용
시나리오 적합성: DK peak / 가짜 건강 정보 / 보이스피싱 시나리오에 직접 적용. 통계청·signal·peer-reviewed 데이터 적극 사용 학습 목표.
주의: base rate 무시는 인지 능력 부족이 아니라 확률 표현의 어려움. frequency format으로 재표현하면 일관되게 개선. 시나리오에서 "X 중 Y가 ○○했다" 빈도 형식 권장.