인과 DAG 사고 (Causal DAG Thinking)

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.
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 직관 자체가 범주 오류.
가정은 빠진 화살표에 숨는다 [Pearl 1995/2009] — DAG에서 그은 화살표는 "연결 가능성"일 뿐이고, 진짜 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).

빠져나오는 법

1. 질문을 "X가 Y에 미치는 인과 효과"로 명확히 적고, 결과(Y)와 원인(X)을 먼저 분리한다. 2. X와 Y 둘 다에 화살표를 보내는 공통원인(confounder) 을 찾는다 — 이것이 backdoor path를 만든다. 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. 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). 5. 데이터를 보기 전에 DAG를 먼저 그려 가정을 드러내고, 분석 후 데이터와 충돌하는 부분만 수정한다(가정 → 검증 → 수정).

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 시작점일 뿐이다. 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." 즉 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] — 즉 X의 후손(매개·충돌변수)을 통제하면 오히려 편향. "관련되면 통제"는 confounder에만 맞는 규칙이다.

"DAG를 그리면 객관적 인과를 증명한 것이다"

⚠ 흔한 말: "전문가가 그린 인과 다이어그램이니 검증된 사실이다." ✓ 학술: DAG는 가정을 명시·소통하는 도구이지 증명이 아니다. 진짜 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)

backdoor criterion·do-operator·intervention의 그래프 기반 형식화를 세운 표준 논문. 1995년 Biometrika 논문이 backdoor/front-door criterion을 처음 정의했고, 2009년 책·개관 논문이 전체 프레임워크를 정리했다.

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 (R-218-B 사본 verbatim 검증, 2026-05-31)

"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 (R-355 verbatim 검증, 2026-05-31)

"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 (R-355 verbatim 검증, 2026-05-31)

핵심 정의·메커니즘

Confounder (공통원인): X와 Y 모두로 화살표를 보내는 변수. backdoor path를 열어 가짜 상관을 만든다. 조정해야 한다.
Mediator (매개변수): X→M→Y로 X의 효과를 실어 나르는 중간 변수. 총효과를 보려면 조정하면 안 된다(조정 시 직접효과만 남음).
Collider (충돌변수): X→C←Y처럼 두 변수의 공통 결과. 기본 상태에선 X·Y 경로를 막아 주지만, 조정하면 가짜 관계가 열린다(collider/selection bias).
Backdoor path: X로 화살표가 들어오는, X→Y 직접 경로가 아닌 비인과 경로. confounding의 원천.
Backdoor criterion [Pearl 1995]: 조정 집합 Z가 (i) X의 후손을 포함하지 않고 (ii) X로 들어오는 화살표를 가진 모든 경로를 차단하면, Z로 조정해 인과 효과를 식별할 수 있다. Rosenbaum & Rubin(1983)의 ignorability 조건과 동치.
do-operator P(Y | do(X)): 단순 조건부 P(Y | X)(관찰)와 달리 개입(intervention) 분포를 나타낸다. 둘의 차이가 곧 상관과 인과의 차이.

주요 후속 연구·메타분석

Greenland, S., Pearl, J., & Robins, J. M. (1999). "Causal diagrams for epidemiologic research." Epidemiology, 10(1), 37-48. DAG를 역학 실무에 표준 도구로 안착시킨 논문.
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. backdoor·collider·"인과 사다리(association/intervention/counterfactual)"의 대중 해설.

비판·한계

DAG는 가정을 명확히 드러낼 뿐, 그 가정이 참이라는 보장은 없다(개별 화살표는 검증 불가).
복잡한 사회 문제에서는 모든 관련 변수를 빠짐없이 그리기 어렵고, 빠뜨린 confounder가 결과를 뒤집을 수 있다.
잠재적 결과(potential outcomes) 진영과의 표기·강조점 차이 등 학파 논쟁이 있다.
사용자가 DAG를 권위처럼 휘두르면 오히려 잘못된 확신을 줄 수 있다(통념 4 참조).

앱 활용 방법

라이브러리: 정의 + 일상 예시(영양제·공부시간·우수직원 역설계) + 안티패턴("상관 보이면 바로 인과 서사")
연결 인생 질문: 건강 정보·투자 조언·교육법·조직 성과 분석에서 "무엇이 무엇을 일으키나" 구조를 먼저 그리게 한다.
시나리오 적합성: 적합. 같은 데이터에 confounder/collider를 넣고 빼며 결론이 뒤집히는 미니 게임으로 명확.
주의: DAG를 "증명"으로 오용하지 않도록, 가정 명시 도구라는 한계를 함께 노출.