인과 DAG 사고 (Causal DAG Thinking)

처음 실린 날 2026-05-31 · 마지막으로 고친 날 2026-09-27

다른 이름: 인과 다이어그램 · 방향성 비순환 그래프 · Causal DAG · DAG 사고

한 줄 정의

상관관계를 원인으로 착각하지 않도록, 원인·결과·공통원인(confounder)·매개변수(mediator)·충돌변수(collider)를 방향 그래프(DAG)의 화살표 구조로 분리해 "무엇을 조정하고 무엇을 조정하면 안 되는지"를 먼저 판단하는 사고도구 [Pearl 1995].

일상 한 줄

데이터를 보기 전에 "무엇이 무엇을 일으키는가"를 화살표 그림으로 먼저 가정한다. 인과 결론은 데이터에서 저절로 나오지 않고, 그릴 때 넣은 인과 가정에서 나온다 [Pearl 2009].

흔한 장면

영양제 착시: 영양제 복용자가 더 건강하다는 상관을 보고 영양제가 건강을 만든다고 판단. 실제로는 "건강을 챙기는 성향"이 영양제 복용과 건강 둘 다를 일으키는 공통원인(confounder)일 수 있다.
공부 시간 = 성적: 공부 시간이 긴 학생의 성적이 좋으니 시간만 늘리면 된다고 봄. 동기·기초 학력 같은 공통원인을 빼면 효과가 과장된다.
우수 직원 역설계: 회사가 고성과자의 공통점(명문대·야근·특정 성격)을 뽑아 성공 원인으로 삼는다. 채용·승진이라는 선택 과정을 거친 집단만 보는 collider(선택 편향)일 수 있다.
잘생긴 사람은 불친절하다?: 데이트 상대 풀에서 외모와 성격이 음의 상관처럼 보임 — 둘 다 "사귈 만함"이라는 공통 결과(collider)로 걸러진 표본이라 생긴 가짜 음의 상관. 병원 입원 환자만 보면 서로 무관한 두 질병이 연관돼 보이는 버크슨 역설(Berkson 1946)과 같은 구조다.
설문 자동 서사: 설문에서 상관이 보이면 곧장 "A가 B를 만든다"는 인과 이야기를 붙인다.
무조건 통제 변수 추가: 회귀분석에서 변수를 많이 넣을수록 정밀하다고 믿고, 조정하면 안 되는 collider까지 통제해 편향을 만든다.

왜 빠지나 (메커니즘)

인과 개념은 데이터에서 정의되지 않는다 [Pearl 2009] — 상관·회귀·조건부 독립은 분포만으로 정의되지만(associational), confounding·intervention·spurious correlation 같은 인과 개념은 분포만으로 정의·추론 불가. 그래서 "데이터를 더 보면 인과가 드러난다"는 직관은 범주를 혼동한 것이다.
가정은 빠진 화살표에 숨는다 [Pearl 1995/2009] — DAG에서 그은 화살표는 "연결될 수 있다"는 약한 주장이고, 강한 가정은 그리지 않은 화살표(= 영향이 0이라는 주장)에 담긴다. 머릿속 인과 모델은 이 빠진 화살표를 의식하지 못해 가정을 점검할 길이 없다.
공통원인·선택 편향은 눈에 안 보인다 — confounder가 만든 가짜 상관과 collider를 잘못 조정해 만든 가짜 상관은 데이터 표면에서는 진짜 인과와 구별되지 않는다.
조정의 방향성 직관 부재 — "관련 변수는 일단 통제"라는 직관은 backdoor path를 막는 confounder에는 맞지만, collider·mediator에는 정반대로 작동한다(조정하면 없던 편향이 생긴다). 사람의 직관적 인과 추론도 이 구조에서 잘 틀린다. 세 사건의 가상 체계를 학습시킨 실험에서 참가자들은 공통결과 구조에서 한 원인이 확인되면 다른 원인의 확률을 낮춰야 하는 "설명 소거"를 자주 못 했고, 중간 변수가 막은 경로의 영향을 받는 마르코프 조건 위반도 반복했다 [Rottman & Hastie 2016]. 실제 자료에서는 저체중아만 놓고 비교하자 흡연 산모의 아기가 덜 죽는 것처럼 보인 출생체중 역설(비율비(relative rate) 0.79)이 이 구조에서 나왔다 [Hernández-Díaz et al. 2006].

빠져나오는 법

1. 질문을 "X가 Y에 미치는 인과 효과"로 명확히 적고, 결과(Y)와 원인(X)을 먼저 분리한다. "X를 봤을 때"와 "X를 바꿨을 때"를 구분해 묻는다. 사람들은 이 둘을 어느 정도 구별하지만(결과를 관찰하면 원인의 단서로 쓰고, 결과를 누군가 바꿔 놓았으면 단서로 쓰지 않았다) [Sloman & Lagnado 2005], 자료 분석에서는 흔히 섞인다. — 근거 수준: 방법론 규범 [Pearl 1995]. 관찰·개입 구별은 실험 [Sloman & Lagnado 2005] 2. X와 Y 둘 다에 화살표를 보내는 공통원인(confounder) 을 찾는다 — 이것이 backdoor path를 만든다. — 근거 수준: 방법론 규범(수학적 규칙) [Pearl 1995] 3. backdoor criterion으로 막아야 할(조정해야 할) 변수 집합 Z 를 고른다 [Pearl 1995]: Z는 X의 후손이 아니어야 하고, X로 화살표가 들어오는 모든 경로를 차단해야 한다. — 근거 수준: 수학적으로 증명된 규칙 [Pearl 1995]. 적용 결과는 DAG가 맞을 때만 옳다 4. X→…→Y로 가는 중간 경로의 매개변수(mediator) 와, X·Y의 공통 결과인 충돌변수(collider) 는 조정 대상에서 제외한다(조정하면 효과가 사라지거나 가짜 관계가 생긴다). 처치보다 먼저 생긴 변수라도 두 숨은 원인의 공통 결과라면 충돌변수다(M-편향). 좋은 통제·나쁜 통제의 전형 사례 목록은 Cinelli, Forney & Pearl (2022) 이 정리했다. — 근거: 실제 자료 사례 [Hernández-Díaz et al. 2006] + 편향 크기 비교 [Greenland 2003]. 처치 이전 충돌변수 편향은 대개 고전적 교란보다 훨씬 작았다 [Greenland 2003] 5. 손으로 따지기 어려우면 DAGitty 같은 도구에 그래프를 넣어 조정 집합을 계산한다(Textor et al. 2016). — 근거 수준: 도구 권고, 효과 비교 연구 없음 6. 데이터를 보기 전에 DAG를 먼저 그려 가정을 드러내고, 분석 후 데이터와 충돌하는 부분만 수정한다(가정 → 검증 → 수정). 그린 DAG와 조정 집합을 함께 적어 둔다. — 근거 수준: 방법론 권고. 보고 실태는 감사 연구 [Tennant et al. 2021]가 DAG를 쓴 논문의 절반 정도만 조정 집합을 보고했다고 밝혔다

근거의 성격: 위 6단계는 인과추론 방법론의 규범(백도어 기준 등 수학적으로 증명된 규칙)이다. "DAG를 그리게 하면 판단이 나아진다"는 교육·개입 효과를 무작위 비교로 잰 연구는 이번 확인에서 찾지 못했다. DAG를 썼다는 보건 논문도 절반 정도만 조정 집합을 보고했다 [Tennant et al. 2021].

함께 쓰기 좋은 도구

bayesian-thinking — 불확실성 갱신
base-rate-neglect — reference class 확인
regression-to-mean — 극단값 해석
confirmation-bias — 원하는 인과 서사만 보는 경향 차단

통념이 무너지는 순간

"상관관계는 인과관계가 아니다, 이것만 알면 충분하다"

⚠ 흔한 말: "상관≠인과, 이 한 문장이면 데이터 함정은 피한다." ✓ 학술: 이 슬로건은 출발점이다. Pearl은 인과 개념(confounding·intervention 등)은 분포만으로 정의조차 불가능하다고 못박는다 — "Every claim invoking causal concepts must rely on some premises that invoke such concepts; it cannot be inferred from or even defined in terms [of] statistical associations alone." 실제 판단에는 어떤 변수를 조정하고 어떤 변수는 조정하면 안 되는지(backdoor criterion)를 알아야 한다 [Pearl 2009].

"데이터가 많으면 인과가 드러난다"

⚠ 흔한 말: "표본만 충분히 크면 진짜 인과가 보인다." ✓ 학술: confounding 같은 인과량은 "they cannot be computed from the data alone, regardless of sample size" — 표본 크기와 무관하게 데이터만으로는 계산 불가 [Pearl 2009]. 관찰 데이터는 아무리 많아도 인과 가정(설계) 없이는 인과 질문에 답하지 못한다.

"관련 있는 변수는 일단 다 통제하면 안전하다"

⚠ 흔한 말: "혼동 막으려면 변수는 많이 넣을수록 좋다." ✓ 학술: collider를 조정하면 없던 상관이 생긴다(collider bias). backdoor criterion은 조정 집합 Z가 "no node in Z is a descendant of Xi"여야 함을 명시한다 [Pearl 1995] — X의 후손(매개·충돌변수)을 통제하면 오히려 편향이 생긴다. 처치보다 먼저 생긴 변수도 두 숨은 원인의 공통 결과라면 통제할 때 편향이 생긴다(M-편향, Greenland 2003). 다만 Greenland (2003) 의 계산에서 이런 처치 이전 충돌변수의 편향은 대개 고전적 교란보다 훨씬 작았다. "관련되면 통제"는 confounder에만 맞는 규칙이다.

"DAG를 그리면 객관적 인과를 증명한 것이다"

⚠ 흔한 말: "전문가가 그린 인과 다이어그램이니 검증된 사실이다." ✓ 학술: DAG는 가정을 드러내고 소통하는 도구다. 증명은 하지 못한다. 가장 강한 가정은 빠진 화살표에 들어 있다 — "causal assumptions are encoded not in the links but, rather, in the missing links… a missing arrow represents a claim of zero influence" [Pearl 2009]. 개별 인과 가정은 검증 불가하고, 모델 전체의 조건부 독립만 일부 검증 가능하다.

1차 출처

Pearl, J. (1995). "Causal diagrams for empirical research." Biometrika, 82(4), 669-688 (토론 포함 669-710). DOI: 10.1093/biomet/82.4.669. (서지·본문 verbatim 검증: 2026-05-31, UCLA Tech Report R-218-B 사본 pdftotext 대조)
Pearl, J. (2009). Causality: Models, Reasoning, and Inference (2nd ed.). Cambridge University Press. (요약 리뷰 논문 "Causal inference in statistics: An overview," Statistics Surveys 3:96-146, DOI: 10.1214/09-SS057 — Tech Report R-355로 verbatim 검증)

Pearl, J. (1993). "Comment: Graphical models, causality and intervention." Statistical Science, 8(3), 266-269. DOI: 10.1214/ss/1177010894. — 백도어 기준이 처음 나온 코멘트.
Wright, S. (1921). "Correlation and causation." Journal of Agricultural Research, 20(7), 557-585. — 경로 분석의 출발점.
Rosenbaum, P. R., & Rubin, D. B. (1983). "The central role of the propensity score in observational studies for causal effects." Biometrika, 70(1), 41-55. DOI: 10.1093/biomet/70.1.41. — 무시 가능성(ignorability) 조건의 출처.

backdoor criterion·do-operator·intervention의 그래프 기반 형식화를 세운 표준 논문. 백도어 기준은 Pearl (1993) 코멘트에서 먼저 나왔고, 1995년 Biometrika 논문이 이를 프런트도어 기준·do-계산법(do-calculus)과 함께 정식화·체계화했다. 2009년 책·개관 논문이 전체 프레임워크를 정리했다. 경로 그림으로 인과를 따지는 발상 자체는 Sewall Wright (1921) 의 경로 분석(path analysis)까지 거슬러 올라간다.

원문 핵심 인용

"DEFINITION 3 (Back-door criterion). A set of variables Z satisfies the back-door criterion relative to an ordered pair of variables (Xi, Xj) in a directed acyclic graph G if: (i) no node in Z is a descendant of Xi, and (ii) Z blocks every path between Xi and Xj which contains an arrow into Xi." — Pearl (1995), Biometrika 82(4), p. 670 (UCLA R-218-B 사본 verbatim 재검증, 2026-09-27 — OCR 잡음 외 일치)

"Every claim invoking causal concepts must rely on some premises that invoke such concepts; it cannot be inferred from or even defined in terms [of] statistical associations alone." — Pearl, Causal inference in statistics: An overview (2009), §1.1 (UCLA R-355 사본 verbatim 재검증, 2026-09-27 — 사본에 'of' 가 빠져 있어 [of] 로 보충)

"causal assumptions are encoded not in the links but, rather, in the missing links… a missing arrow represents a claim of zero influence, while a missing double arrow represents a claim of zero covariance." — Pearl (2009), 같은 논문 (UCLA R-355 사본 verbatim 재검증, 2026-09-27)

핵심 정의·메커니즘

원전 정의

Pearl (1995)은 인과 다이어그램을 변수(노드)와 직접 인과 영향(화살표)으로 이뤄진 방향 비순환 그래프(DAG, directed acyclic graph)로 정의하고, 관찰 자료에서 개입 효과 P(Y | do(X))를 계산할 수 있는 조건을 그래프로 적었다. 대표가 백도어 기준이다. 조정 집합 Z가 "(i) Z의 어떤 노드도 X의 후손이 아니고, (ii) X로 들어오는 화살표를 가진 X-Y 사이 모든 경로를 막으면" Z로 조정해 인과 효과를 식별할 수 있다.

Confounder (공통원인): X와 Y 모두로 화살표를 보내는 변수. 백도어 경로를 열어 가짜 상관을 만든다. 조정해야 한다.
Mediator (매개변수): X→M→Y로 X의 효과를 실어 나르는 중간 변수. 총효과를 보려면 조정하면 안 된다.
Collider (충돌변수): X→C←Y처럼 두 변수의 공통 결과. 그냥 두면 경로를 막아 주지만 조정하면 가짜 관계가 열린다.
Backdoor path: X로 화살표가 들어오는, X→Y 직접 경로가 아닌 비인과 경로. 교란의 원천.
do-operator P(Y | do(X)): 관찰 조건부 P(Y | X)와 달리 개입했을 때의 분포. 백도어 기준을 만족하는 Z가 있으면 P(Y | do(X)) = Σz P(Y | X, z) P(z) 로 계산할 수 있다(조정 공식). Pearl (1995)은 백도어 기준이 Rosenbaum & Rubin (1983)의 무시 가능성(ignorability) 조건과 동치라고 썼다. 이 동치는 그래프 모형이 참이라는 가정 안에서 성립한다.

작동 기제

DAG로 판단이 바뀌는 과정은 네 단계다.

1. 가정을 그림으로 적는다: 도메인 지식으로 화살표를 긋는다. 강한 가정은 그리지 않은 화살표(= 영향 0)에 담긴다 [Pearl 2009]. 2. 경로를 분류한다 (d-분리): 경로 위의 비충돌 노드를 조건화하거나, 충돌 노드와 그 후손을 조건화하지 않으면 그 경로는 막힌다. 모든 경로가 막히면 두 변수는 조건부 독립이다. 3. 조정 집합을 고른다: 백도어 경로는 막고, 매개변수·충돌변수와 그 후손은 건드리지 않는 집합 Z를 고른다. 역학의 전통적 교란 판정 기준은 여러 후보 변수를 한꺼번에 다룰 때 이 판단을 틀리게 만들 수 있다 [Greenland et al. 1999]. 4. 틀린 조정이 결론을 뒤집는 경로를 피한다: 충돌변수를 조건화하면 원인끼리 가짜 관계가 생긴다. 출생체중 역설이 대표 사례다. 흡연 산모의 아기는 저체중과 영아 사망 위험이 모두 높았지만, 저체중아만 놓고 보면 흡연 산모의 아기 사망률이 더 낮았다(비율비(relative rate) 0.79) [Hernández-Díaz et al. 2006]. 출생체중은 흡연의 영향을 받고 선천 기형 같은 다른 사망 원인과 공통 원인을 가진 충돌변수라서, 흡연의 이로운 효과가 없어도 이런 역전이 생긴다.

사람은 왜 그래프 없이 틀리나

"관련 변수는 다 통제" 규칙: 교란변수에는 맞지만 충돌변수·매개변수에는 반대로 작동한다 [Elwert & Winship 2014; Cinelli et al. 2022].
직관적 인과 추론의 어긋남: 세 사건의 가상 체계(연쇄 X1→Y→X2, 공통원인 X1←Y→X2, 공통결과 X1→Y←X2)를 학습시킨 실험에서 사람들의 판단은 대체로 규범(인과 베이즈 네트워크) 방향으로 움직였지만, 중간 변수가 경로를 막았을 때도 다른 변수의 영향을 받는 마르코프 조건 위반, 약한 추론, 공통결과 구조에서 한 원인이 확인되면 다른 원인의 확률을 낮추는 "설명 소거(explaining away)"의 실패가 반복됐다 [Rottman & Hastie 2016].

언제 강해지고 언제 약해지나

측정 안 된 교란변수: 백도어 기준을 만족하는 Z가 없을 수 있다. 프런트도어 기준(X→M→Y에서 M이 X의 효과를 모두 실어 나르고 M-Y 사이 교란이 X로 막히는 경우)이나 도구변수 같은 다른 식별 전략이 필요하다.
충돌변수의 위치: 노출과 결과의 영향을 받는 변수로 층화한 편향은 고전적 교란과 비슷한 크기일 수 있고, 처치 이전 충돌변수(M-편향)의 편향은 대개 훨씬 작았다 [Greenland 2003].
직접효과 추정: 매개변수로 층화해 직접효과를 구하려면 노출-결과와 매개-결과 양쪽에 측정 안 된 교란이 없어야 한다 [Cole & Hernán 2002]. 출생체중 사례에서도 저체중과 사망의 측정 안 된 공통원인이 있으면 직접효과 추정마저 틀린다 [Hernández-Díaz et al. 2006].
선택 편향: 결과, 결과 이후 변수, 처치 이후 변수, 처치 이전 변수 어느 것을 조건화해도 충돌변수라면 선택 편향이 생긴다 [Elwert & Winship 2014].

어떻게 재나

실무 절차: ① 도메인 지식으로 DAG를 그림 → ② DAGitty 등으로 최소 조정 집합 계산 → ③ DAG가 함의하는 조건부 독립을 데이터로 검정 → ④ 통계적으로 구별되지 않지만 인과적으로 다른 DAG들을 나열해 어느 쪽에서도 유효한 조정 집합을 고름 [Textor et al. 2016] → ⑤ 측정 안 된 교란에 대한 민감도 분석.
보고 품질 감사: 출판 논문에서 추정 대상·DAG·조정 집합을 공개했는지 센다 [Tennant et al. 2021].
관찰과 개입의 구별: 인과 관계(A가 B를 일으킨다)를 알려 준 뒤, B를 "관찰했다"고 할 때와 B를 누군가 "바꿔 놓았다"(개입)고 할 때 A에 대한 추론이 달라지는지 묻는다 [Sloman & Lagnado 2005].
사람의 인과 추론 실험: 가상 사건 체계를 학습시킨 뒤 전이 추론, 마르코프 조건, 설명 소거 판단을 인과 베이즈 네트워크 계산값과 비교한다 [Rottman & Hastie 2016].

헷갈리는 개념과의 차이

잠재적 결과(potential outcomes) 틀: 루빈 계열은 개입 전후의 가상 결과를 비교하는 언어를 쓰고, 도구변수·회귀 불연속 같은 설계 기반 식별과 효과 이질성을 다루기 편하다. DAG는 변수 사이 구조를 그림으로 드러내 조정 집합을 고르는 데 강하다 [Imbens 2020]. 무시 가능성 조건과 백도어 기준은 그래프 모형 안에서 대응한다 [Pearl 1995].
구조방정식 모형(SEM)·경로 분석: Wright (1921)의 경로 분석은 선형 계수를 추정하는 통계 모형이다. DAG는 함수 형태를 정하지 않은 비모수 인과 가정이다.
베이즈 네트워크: 같은 그래프 모양이지만 화살표가 조건부 의존 관계만 뜻할 수 있다. 인과 DAG는 화살표가 개입 시의 영향을 뜻한다 [Pearl 2009].

주요 후속 연구·메타분석

### Hernández-Díaz, Schisterman & Hernán (2006) — 출생체중 역설 American Journal of Epidemiology, 164(11), 1115-1120. DOI: 10.1093/aje/kwj275

설계: 1991년 미국 출생 자료에서 관찰된 역설을 인과 다이어그램으로 분석했다. 흡연 산모의 아기는 저체중과 영아 사망 위험이 모두 높은데, 저체중아끼리 비교하면 흡연 산모의 아기가 덜 죽는 현상이다.
결과: 저체중아 안에서 흡연 산모 아기의 영아 사망 비율비(relative rate)는 0.79였다(1991년 미국 자료). 흡연의 이로운 효과가 전혀 없어도, 흡연의 영향을 받고 사망과 공통 원인(예: 선천 기형)을 가진 출생체중으로 층화하면 이런 역관계가 생긴다는 것을 보였다. 저체중 흡연 산모 아기는 선천 기형 같은 고위험 원인으로 저체중이 된 다른 아기보다 위험이 낮을 수 있다.
의미와 한계: "관련 변수로 층화"가 결론을 뒤집은 실제 수치 사례다. 저자들은 출생 전 요인의 총효과를 보려면 출생체중 조정이 부당하고, 직접효과를 보려 해도 저체중과 사망의 측정 안 된 공통원인이 있으면 부당하다고 결론 냈다. 역설 전체가 충돌변수 편향으로 설명된다는 정량 증명은 아니다(논문 제목도 물음표로 끝난다).

### Greenland (2003) — 고전적 교란과 충돌변수 편향의 크기 비교 Epidemiology, 14(3), 300-306. DOI: 10.1097/01.EDE.0000042804.12056.6C

설계: 층화 변수가 충돌변수인 몇 가지 단순 인과 모형에서 편향의 상대적 크기를 계산했다.
결과: 노출과 질병의 영향을 받는 변수로 층화해 생기는 편향은 고전적 교란(공통원인을 층화하지 않아 생기는 편향)과 비슷한 크기일 수 있었다. 처치 이전 충돌변수로 층화해 생기는 편향은 대개 훨씬 작았다.
의미와 한계: M-편향을 이유로 처치 이전 변수를 조정에서 빼는 것이 교란을 남겨 더 큰 편향을 부를 수 있다는 근거다. 단순 모형에서의 계산이라 복잡한 실제 그래프에 그대로 옮기기 어렵다.

### Rottman & Hastie (2016) — 사람은 인과 구조를 합리적으로 추론하는가 Cognitive Psychology, 87, 88-134. DOI: 10.1016/j.cogpsych.2016.05.002

설계: 실험 2개. 참가자에게 세 사건으로 된 가상 체계를 소개하고, 세 변수의 결합 분포를 보여 주는 학습 시행을 관찰하게 했다. 연쇄(X1→Y→X2), 공통원인(X1←Y→X2), 공통결과(X1→Y←X2) 구조, 이진·수치 변수, 높은·중간 인과 강도를 바꿔 가며 전이 추론, 마르코프 조건, 두 변수로 가운데 변수 추론, 설명 소거를 물었다.
결과: 판단이 바뀌어야 할 때 대체로 규범 방향으로 바뀌었다. 그러나 마르코프 조건 위반(막힌 변수의 영향을 받음), 약한 추론, 설명 소거 실패가 반복적으로 나타났다. 저자들은 이 어긋남에 대한 이론적 설명 12가지를 비교했다. (초록에 효과크기 수치 없음)
의미와 한계: 충돌변수 구조(공통결과)에서의 추론이 사람의 직관으로 잘 안 된다는 실험 근거다. 가상 체계 학습 과제여서 실제 자료 분석 상황과는 다르다.

### Sloman & Lagnado (2005) — 사람은 관찰과 개입을 구별하는가 Cognitive Science, 29(1), 5-39. DOI: 10.1207/s15516709cog29012

설계: 펄의 do 연산자(개입된 변수를 원래 원인과 끊어 내는 조작)를 심리 기능으로 보고, 인과 관계에 대한 반사실 질문("B를 누군가 바꿔 놓았다면 A는?")에서 사람들이 개입된 변수를 원래 원인과 독립으로 다루는지("undoing") 검사한 연구 6개. 인과 진술(A가 B를 일으킨다)과 같은 모양의 조건 진술(A이면 B)을 비교했다.
결과: 인과 진술에서는 예측대로 개입된 변수를 원래 원인과 독립으로 다뤘지만, 조건 진술에서는 일관되지 않았다. 두 연구에서 사람들은 결과를 관찰했을 때는 원인을 짐작하는 단서로 썼고, 결과에 개입했을 때는 단서로 쓰지 않았다. 저자들은 개입과 다른 사건을 구별하지 않는 이론으로는 이 결과를 설명할 수 없다고 적었다. (초록 기준, 수치 미기재)
의미와 한계: 사람이 관찰과 개입의 차이를 어느 정도 직관적으로 안다는 근거다. Rottman & Hastie (2016)가 보인 설명 소거 실패와 함께 보면, 사람의 인과 직관은 개입 질문에는 비교적 맞고 여러 원인이 얽힌 구조에서는 자주 틀린다. 짧은 글로 된 가상 시나리오 과제다.

### Tennant et al. (2021) — 보건 연구에서 DAG는 어떻게 쓰이나 International Journal of Epidemiology, 50(2), 620-632. DOI: 10.1093/ije/dyaa213

설계: 1999~2017년 출판된 보건 연구 원저 가운데 DAG를 썼거나 DAGitty를 인용한 논문을 4개 데이터베이스에서 찾아 추정 대상·DAG·조정 집합 보고와 가장 큰 DAG의 특성을 추출했다.
결과: 234편. 추정 대상을 밝힌 논문 21%(48편), DAG가 함의하는 조정 집합을 보고한 논문 48%(115편), DAG를 하나라도 공개한 논문 62%(144편). DAG는 평균 노드 12개(사분위 9~16), 화살표 29개(19~42), 가능한 화살표 중 실제 그은 비율 중앙값 46%. 37%가 관찰되지 않은 변수를 포함했다.
의미와 한계: DAG를 "썼다"는 논문도 가정과 조정의 연결을 드러내지 않는 경우가 많다. 보고 품질 조사이고 DAG가 결론의 정확도를 높였는지는 재지 않았다.

### Elwert & Winship (2014) — 내생적 선택 편향 Annual Review of Sociology, 40, 31-53. DOI: 10.1146/annurev-soc-071913-043455

설계: 충돌변수 조건화가 만드는 선택 편향을 그래프로 특징짓는 방법을 소개하는 리뷰. 사회 계층·문화사회학·사회 연결망·정치사회학·인구학·교육사회학 사례를 다뤘다.
결과: 내생적 선택 편향은 결과 변수, 결과 이후 변수, 처치 이후 변수, 처치 이전 변수 어느 것을 통제·층화·선택해도 그것이 충돌변수라면 생긴다. 공통원인 교란, 과잉 통제 편향과의 차이를 정리했다.
의미와 한계: 사회과학 표본 선택(예: 취업자만, 응답자만)이 충돌변수 조건화라는 점을 사례로 보였다. 수치 종합은 없는 리뷰다.

### Imbens (2020) — 잠재적 결과와 DAG, 경제학 실무에서의 쓸모 Journal of Economic Literature, 58(4), 1129-1179. DOI: 10.1257/jel.20191597

설계: DAG 계열 연구(The Book of Why 포함)와 루빈 계열 잠재적 결과 틀을 비교한 에세이.
결과: 두 틀이 각각 잘 답하는 질문을 정리하고, 경제학 실증 연구가 잠재적 결과 쪽에 더 가까운 이유를 논했다.
의미와 한계: DAG가 인과 추론의 유일한 표준이 아님을 보여 주는 반대편 논거다. 저자 입장이 들어간 에세이다.

그 밖의 문헌:

Greenland, S., Pearl, J., & Robins, J. M. (1999). Causal diagrams for epidemiologic research. Epidemiology, 10(1), 37-48. DOI 10.1097/00001648-199901000-00008 — 인과 다이어그램을 역학에 소개하고, 여러 교란 후보를 다룰 때 전통적 교란 판정 기준의 결함과 수정법을 보였다.
Berkson, J. (1946). Limitations of the application of fourfold table analysis to hospital data. Biometrics Bulletin, 2(3), 47-53. DOI 10.2307/3002000 — 입원 환자만 보면 무관한 질병끼리 연관이 생긴다는 버크슨 역설의 원전.
Cole, S. R., & Hernán, M. A. (2002). Fallibility in estimating direct effects. International Journal of Epidemiology, 31(1), 163-165. DOI 10.1093/ije/31.1.163 — 매개변수로 층화해 직접효과를 구하려면 노출-결과와 매개-결과 양쪽에 측정 안 된 교란이 없어야 한다.
Cinelli, C., Forney, A., & Pearl, J. (2022). A crash course in good and bad controls. Sociological Methods & Research, 53(3), 1071-1104. DOI 10.1177/00491241221099552 — 회귀에 넣어도 되는 변수와 넣으면 편향이 생기는 변수를 그래프 사례로 분류.
Textor, J., van der Zander, B., Gilthorpe, M. S., Liśkiewicz, M., & Ellison, G. T. H. (2016). Robust causal inference using directed acyclic graphs: The R package 'dagitty'. International Journal of Epidemiology, 45(6), 1887-1894. DOI 10.1093/ije/dyw341 — DAG와 자료의 정합성 검정, 통계적으로 동등한 DAG 나열, 조정 집합 계산 도구.
Hernán, M. A., & Robins, J. M. (2020). Causal Inference: What If. Chapman & Hall/CRC (무료 온라인판). — 현대 인과추론 실무 표준 교재.
Pearl, J., & Mackenzie, D. (2018). The Book of Why. Basic Books. — 백도어·충돌변수·인과 사다리의 대중 해설.

비판·한계

재현성

DAG는 실험 효과가 아닌 추론 규칙이라 "재현"의 대상이 다르다. 백도어 기준·d-분리는 수학적으로 증명된 결과이고, 그래프 모형이 참이라는 가정 안에서 성립한다 [Pearl 1995].
실무 사용의 질은 낮게 반복 확인됐다. 보건 연구 234편 중 조정 집합을 보고한 논문은 48%, 추정 대상을 밝힌 논문은 21%였다 [Tennant et al. 2021].
"DAG를 그리게 하면 분석가·일반인의 판단이 나아진다"는 교육·개입 효과를 무작위 비교로 잰 연구는 이번 확인에서 찾지 못했다. 사람의 직관적 인과 추론이 규범에서 벗어난다는 실험은 있다 [Rottman & Hastie 2016].

대표 반론

경제학의 잠재적 결과 진영 (Imbens 2020): 경제학 실증 연구는 도구변수·회귀 불연속 같은 설계 기반 식별, 효과 이질성, 단조성 같은 모양 제약을 많이 쓰는데, 이들을 다루기에는 잠재적 결과 틀이 더 가깝다고 봤다. DAG 쪽의 응답은 두 틀이 그래프 모형 안에서 대응하고(백도어 기준 ↔ 무시 가능성, Pearl 1995), 회귀에 어떤 변수를 넣으면 편향이 생기는지("나쁜 통제")를 그래프로 보이고 풀 수 있다는 것이다 [Cinelli et al. 2022].
M-편향 경고의 과잉 적용: 처치 이전 변수를 "충돌변수일 수 있다"며 빼면 교란이 남는다. 계산해 보면 처치 이전 충돌변수 편향은 대개 고전적 교란보다 훨씬 작았다 [Greenland 2003].
가정의 참은 보장되지 않는다: 개별 화살표는 데이터로 검증할 수 없고, 검증 가능한 것은 그래프가 함의하는 조건부 독립뿐이다 [Pearl 2009]. 통계적으로 구별되지 않지만 인과적으로 다른 DAG가 여럿일 수 있다 [Textor et al. 2016].
빠뜨린 교란변수: 복잡한 사회 문제에서는 관련 변수를 빠짐없이 그리기 어렵고, 빠뜨린 공통원인이 결과를 뒤집을 수 있다. 민감도 분석을 함께 해야 한다.

쓰면 안 되는 상황

도메인 지식이 거의 없어 화살표를 추측으로 그릴 때: DAG를 근거로 "인과가 식별됐다"고 주장하면 잘못된 확신을 준다(통념 4 참조).
그래프만 그리고 조정은 관행대로 할 때: DAG가 함의하는 조정 집합을 쓰지 않으면 그린 의미가 없다 [Tennant et al. 2021].
충돌변수라는 이유만으로 처치 이전 변수를 기계적으로 뺄 때: 교란 편향이 더 클 수 있다 [Greenland 2003].
직접효과를 매개변수 층화로 구할 때 매개-결과 교란을 무시하는 경우 [Cole & Hernán 2002; Hernández-Díaz et al. 2006].