보정하면 안 되는 것 — 어떤 변수는 넣는 순간 답이 바뀐다

이야기는 이탈리아 롬바르디아의 3차 신생아집중치료실 열 곳이 1999년부터 2002년까지 받은 아기들에서 시작합니다. 아기들은 재태 23~32주에 1,500그램 미만으로 태어났습니다. 1,314명 가운데 1,118명이 생후 36주까지 살아남았고, 그중 15.9%에게 기관지폐이형성증이라는 폐 질환이 생겼습니다. 아기의 82%는 태어나기 전에 엄마를 통해 스테로이드를 받았습니다.

연구진은 그 스테로이드가 이 폐 질환을 막아 주는지 물었습니다. 두 군을 그냥 비교했을 때는 우연으로 보기 어려운 차이, 곧 유의한 보호효과가 없었습니다. 그런데 여러 변수를 한꺼번에 넣어 효과를 계산하는 통계 모형을 두 가지로 돌리자 답이 갈렸습니다. 답을 가른 변수는 기계환기 여부, 중증도 점수, 동맥관개존 셋이었습니다.

이 셋을 모형에서 빼면 스테로이드를 받은 아기의 위험이 낮았습니다. 오즈비는 0.59였습니다. 오즈비는 「오즈비는 위험비가 아니다 — '몇 배'가 무엇의 몇 배인가」에서 다룬 지표로, 두 군의 사건 가능성을 나눈 값이라 1보다 작으면 노출된 쪽의 위험이 낮다는 뜻입니다. 참값이 있을 법한 범위인 95% 신뢰구간은 0.36–0.97이었고, P = 0.036이었습니다. 반대로 셋을 모형에 넣으면 스테로이드의 효과는 사라졌습니다 (PMID 17564592).

같은 자료, 같은 노출, 같은 결과입니다. 여기서 노출은 원인으로 의심하는 것(스테로이드)이고, 결과는 알고 싶은 일(폐 질환)입니다. 변수 세 개를 넣었느냐 뺐느냐가 답을 갈랐습니다.

보정은 어떤 변수를 모형에 넣어, 그 변수의 값이 같은 사람끼리 비교한 것처럼 계산하는 일입니다. 논문에 흔한 "연령·성별·BMI 보정"이라는 한 줄은 그 변수들의 영향을 지웠다는 보고처럼 읽힙니다. 실제로는 그 변수들이 원인과 결과 사이의 어느 자리에 있다고 보는지에 대한 주장입니다. 이 생각은 「"연령·성별·BMI 보정"은 무엇을 했나 — 교란과 보정을 읽는 법」이 자세히 펼칩니다.

보정할지 말지는 변수가 선 자리가 가릅니다. 자리는 셋입니다.

• 교란변수는 노출과 결과 둘 다의 원인인 변수입니다. 「먹는 사람이 더 오래 산다면, 그 사람들은 원래 어떻게 달랐을까 — 교란」이 이 자리를 다뤘습니다.
• 매개변수는 노출이 결과를 일으키는 길 위에 있는 변수입니다. 노출이 매개변수를 바꾸고, 바뀐 매개변수가 결과를 바꿉니다.
• 충돌부는 노출과 결과가 둘 다 영향을 주는 변수입니다. 두 화살표가 이 변수에서 부딪친다고 해서 붙은 이름입니다.

이 글은 매개변수와 충돌부를 따라갑니다. 매개변수를 보정하면 있던 효과가 사라지거나 방향이 뒤집힙니다. 충돌부를 보정하면 없던 연관이 생깁니다.

이 글은 보정을 적게 하라고 권하지 않습니다. 아래에는 보정을 더 해서 편향을 걷어 낸 사례도 나옵니다.

⚠️ 아래 나오는 약과 병과 수치는 전부 숫자를 읽는 법을 보이기 위한 사례입니다. 어떤 치료가 좋고 나쁜지에 대한 판단이 아니고, 각 숫자는 그 연구의 설계와 대상과 시점 안에서만 뜻을 가집니다.

---

자리를 잘못 고른 보정은 얼마나 흔한가

넣지 말았어야 할 자리의 변수를 넣는 일을 과보정이라고 부릅니다. 과보정은 흔합니다. 장기 대기오염과 건강을 다룬 코호트 연구 175편 가운데 122편(69.7%)이 과보정 가능성을 보였습니다. 코호트 연구는 한 무리의 사람을 시간을 따라 지켜보는 연구입니다. 대상은 2021년 1월부터 2023년 10월까지 영향력 높은 저널에 실린 논문이고, 검토진이 논문마다 변수를 고른 근거를 판정했습니다.

그중 120편(68.6%)은 매개변수를 보정했습니다. 나머지 2편(1.1%)은 매개변수와 충돌부를 함께 보정했습니다. 가장 흔히 보정된 매개변수는 체질량지수로 98편(56.0%)이었고, 고혈압이 25편(14.3%)으로 뒤를 이었습니다.

인과 다이어그램을 쓴 연구에서는 과보정이 적었습니다. 인과 다이어그램은 어느 변수가 어느 변수를 일으킨다고 보는지를 화살표로 적어 둔 그림입니다. 이 그림을 쓴 연구는 26편(14.9%)뿐이었습니다. 그 26편의 과보정 비율은 42.3%로, 쓰지 않은 연구의 74.5%보다 유의하게 낮았습니다 (PMID 41671745).

여러 연구를 모아 검토하는 논문도 사정이 비슷합니다. 체계적 문헌고찰은 한 질문에 대한 연구를 정해진 방법으로 빠짐없이 모아 검토하는 일이고, 메타분석은 그 결과를 숫자로 합치는 일입니다. 사회경제적 지위와 건강의 연관을 다룬 이런 논문 84편(문헌고찰 47편, 메타분석 37편)을 2021년 4월까지 검색해 검토한 결과가 있습니다.

노출과 결과를 명확히 정의한 것은 73%였지만, 나머지 항목은 전부 55% 미만이었습니다. 교란변수와 매개변수를 구분해 정의한 것은 5%였습니다. 인과 다이어그램을 그린 것은 2%, 보정한 변수를 보고한 것은 35%였습니다. 연구마다 편향 위험을 평가할 때 교란을 항목에 넣은 것은 54%였지만, 과보정을 넣은 것은 2%였습니다. 교란은 점검하면서 과보정은 거의 점검하지 않았다는 뜻입니다.

저자들이 이것을 중대하게 보는 이유는, 과보정 편향이 건강 불평등의 크기를 치우치게 추정하게 만들 가능성이 크고, 개입을 설계하려면 그 크기가 정확해야 하기 때문입니다 (PMID 38129958).

---

① 경로 위의 변수를 보정하면 — 과보정

과보정은 넣지 말았어야 할 자리의 변수를 모형에 넣는 것입니다. 이름은 "너무 많이 보정했다"처럼 들리지만, 문제는 개수보다 자리입니다.

앞의 신생아 사례에서 기계환기와 중증도와 동맥관개존은 스테로이드가 줄여 준 것들이면서, 동시에 폐 질환의 위험인자였습니다. 곧 스테로이드가 효과를 내는 통로 위의 매개변수였습니다. 이 셋을 모형에 넣으면 통로의 값이 같은 아기끼리 비교하게 됩니다. 그러면 스테로이드가 통로를 거쳐 한 일이 계산에서 빠지고, "통로를 뺀 나머지"만 남습니다. 연구진이 물은 것은 그 나머지가 아니었습니다.

저자들의 결론도 같습니다. 인과 사슬 위에서 매개변수가 될 수 있는 변수를 넣으면 치료의 보호효과를 탐지하는 능력이 가려질 수 있습니다. 그리고 이 자료에서 스테로이드의 효과는 부분적으로 고전적 위험인자를 줄이는 것을 통해 매개된 것으로 보입니다 (PMID 17564592).

과보정이라는 말은 오랫동안 일관되지 않게 쓰였고, 2009년 논문이 그 정의를 정리했습니다. 과보정 편향은 노출에서 결과로 가는 인과 경로 위의 중간변수, 또는 그 중간변수에서 뻗어 나온 대리변수를 통제하는 것입니다. 중간변수는 매개변수와 같은 자리의 변수이고, 대리변수는 중간변수의 영향을 받아 그 값을 대신 드러내는 변수입니다.

같은 논문은 과보정과 불필요한 보정을 구분합니다. 불필요한 보정은 치우침에는 영향을 주지 않지만 정밀도에는 영향을 줄 수 있는 변수를 통제하는 것입니다. 저자들은 산모 흡연이 신생아 사망에 미치는 효과를 예제로 이 구분을 보였고, 시뮬레이션으로 치우침의 크기를 쟀습니다. 과보정의 치우침은 교란이나 선택 편향과는 다른 인과 구조에서 나오고, 표본이 작아서 생기는 문제가 아닙니다. 불필요한 변수 때문에 생기는 비효율은 이와 달리 표본 크기에 따라 달라집니다 (PMID 19525685). 표본을 키워도 과보정의 치우침은 사라지지 않는다는 뜻입니다.

방향이 뒤집힌 예

과보정은 효과를 옅게 만드는 데서 끝나지 않습니다. 효과의 부호가 바뀐 사례도 있습니다.

임신 주수에 견줘 작게 태어난 아기를 부당경량아라고 합니다. 부당경량아로 태어난 것이 나중의 비만을 일으키는지 물은 연구들은 아동기·성인기의 지방량 증가와 연관된다는 결론을 내려 왔습니다. 그런데 그 분석들은 비만을 잴 때 같은 시점에 잰 키·체중·체질량지수를 함께 "보정"한 것이었습니다. 이 측정치들은 작게 태어난 것이 지방량에 닿는 길 위에 있을 수 있는 매개변수입니다.

이 관행의 편향을 보려고, 한 연구가 같은 자료로 두 분석을 나란히 돌렸습니다. 자료는 1996~1997년에 태어나 2008~2010년 만 11.5세까지 추적된 벨라루스 아동 코호트입니다. 지방량은 피부주름두께와 생체전기저항으로 잰 체지방이었습니다.

첫째 분석은 출발 시점에 잰 변수들만 보정했습니다. 이때 부당경량아 출생은 모든 지방량 결과와 음(-)의 연관을 보였습니다. 작게 태어난 아이의 지방량이 오히려 적은 쪽이었다는 뜻입니다. 둘째 분석은 여기에 동시 측정한 체중이나 체질량지수를 추가로 보정했습니다. 그러자 연관이 양(+)으로 뒤집혔습니다. 지방량이 많다고 본 기존 연구들과 같은 방향입니다.

저자들은 이 측정치들을 매개변수로 놓고 통제된 직접효과도 추정했습니다. 통제된 직접효과는 매개변수를 한 값에 고정했을 때 남는 노출의 효과입니다. 키로 모형화했을 때 이 효과는 첫째 분석과 비슷했습니다. 체질량지수로 모형화했을 때는 효과가 없음을 뜻하는 영값이었습니다. 체중으로 모형화했을 때는 몸무게 안의 제지방량(지방을 뺀 몸무게)과 지방량의 차이 때문에 교란돼 있었습니다 (PMID 28338874).

뒤집힌 것은 이 한 코호트에서, 지방량을 잰 그 시점에 함께 잰 체중이나 체질량지수를 넣었을 때입니다. "보정하면 부호가 바뀐다"는 일반 법칙이 아닙니다. 다만 같은 변수가 너무 자주 나와서 개별 저자의 부주의로 넘기기 어렵습니다. 대기오염 코호트 175편에서 가장 흔히 보정된 매개변수가 바로 체질량지수였습니다 (PMID 41671745).

그래서 어떻게 고르나 — 공변량 선택

공변량 선택은 모형에 어떤 변수들을 넣을지 정하는 일입니다. 공변량은 노출 말고 모형에 함께 넣는 변수를 가리킵니다. 앞의 175편 조사에서 변수를 고를 때 인과 다이어그램을 쓴 것은 26편(14.9%)뿐이었습니다 (PMID 41671745). 나머지는 대개 통계적 절차로 고릅니다. 유의한 변수를 넣거나, 넣었을 때 추정치가 크게 움직이는 변수를 넣는 식입니다.

그런데 자리가 잘못된 변수도 넣으면 추정치를 크게 움직입니다. 신생아 사례에서 매개변수 셋을 넣자 스테로이드의 효과가 사라진 것이 그 예입니다. 추정치가 움직인다는 사실은 그 변수를 넣을 이유가 되지 못합니다.

변수를 고르는 순서로는 세 단계가 제시돼 있습니다. 첫째, 연구 질문과 관심 있는 인과효과를 분명히 합니다. 둘째, 전문지식과 이론을 써서 변수들 사이의 관계에 대한 가정을 인과 다이어그램으로 그립니다. 셋째, 그 다이어그램에 근거해 교란에 대한 보정은 최대화하고 매개변수에 대한 보정은 최소화하는 변수 집합을 고릅니다. 이 세 단계를 낸 사회역학(사회적 조건과 건강을 다루는 분야) 입문 논문은 과보정 편향이 사회역학에서 흔하면서도 충분히 인식되지 않은 문제로 남아 있다고 적습니다 (PMID 35662623).

더 형식적인 규칙도 있습니다. 역학 방법론 튜토리얼이 소개하는 수정 이접 원인 기준은 세 가지 규칙으로 변수를 고릅니다. 노출보다 앞선 변수 가운데 노출이나 결과, 또는 둘 다에 영향을 주는 것은 모두 넣습니다. 노출에만 영향을 주고 결과에는 노출을 거쳐서만 닿는 변수는 뺍니다. 노출과 결과의 공통 원인을 직접 재지 못했다면 그것을 대신할 변수를 넣습니다.

같은 튜토리얼의 경고도 이 절에 해당합니다. 표본이 커서 추정치가 좁은 범위에 모여도, 체계적 오차가 있으면 그 추정치는 정밀하게 부정확할 수 있습니다 (PMID 38972732). 좁은 범위가 엉뚱한 자리에 모여 있을 수 있다는 뜻입니다.

---

② 노출과 결과가 함께 영향을 준 변수를 보정하면 — 없던 연관이 생긴다

매개변수를 보정하면 있던 효과가 사라졌습니다. 충돌부에 조건을 걸면 반대로 없던 연관이 생깁니다. 어떤 변수에 조건을 건다는 것은 그 변수의 특정 값을 가진 사람만 골라 보거나, 그 변수를 모형에 넣어 값이 같은 사람끼리 비교하는 것입니다. 충돌부는 노출과 결과가 둘 다 영향을 주는 변수였습니다.

충돌부 편향은 두 변수가 각각 영향을 준 세 번째 변수에 조건을 걸 때 생기는 치우침입니다 (PMID 29040562). 그 변수로 사람을 골라 내면, 고른 무리 안에서는 두 변수 사이에 없던 연관이 생기거나 있던 연관이 일그러집니다 (PMID 33184277).

왜 이런 일이 생기는지는 흔한 예로 보면 쉽습니다. 어떤 병원에 두 가지 병 가운데 하나만 있어도 입원한다고 하겠습니다. 입원한 사람만 모아 놓고 보면, 한쪽 병이 없는 사람은 다른 쪽 병 때문에 들어왔을 가능성이 큽니다. 그래서 바깥에서는 서로 아무 관계가 없던 두 병이, 입원 환자 안에서는 한쪽이 있으면 다른 쪽은 없는 것처럼 엇갈려 보입니다. 입원이라는 충돌부로 사람을 골랐기 때문입니다.

결론이 뒤집힌 예

대조군을 어떻게 정하느냐만으로 결론이 뒤집힐 수 있습니다. 2026년 한 연구가 이것을 보이려고, 익명화된 전자의무기록(병원의 진료 전산 기록)으로 회전근개 파열을 조사했습니다. 병이 있는 환자군과 없는 대조군을 모아, 의심하는 노출이 어느 쪽에 더 많았는지 견주는 방식입니다.

회전근개 파열은 진단에 영상검사가 흔히 필요합니다. 그래서 대조군도 영상검사를 받은 사람으로 뽑아야 공정하다는 주장이 있어 왔습니다. 그런데 영상검사를 받았다는 것은 증상이 있었다는 뜻이고, 증상은 노출과 결과가 함께 밀어 올리는 변수, 곧 충돌부입니다. 영상검사 여부는 그 충돌부에서 뻗어 나온 변수입니다.

연구진은 영상검사를 받은 사람들로만 뽑은 대조군과 그 조건을 걸지 않은 대조군을 따로 꾸려, 체질량지수·1형 당뇨·2형 당뇨와 회전근개 파열의 연관을 나란히 쟀습니다.

환자군은 대조군보다 나이가 많았고, 관절염(57%)·인대질환(9%)·이전 어깨손상(99%)이 더 많았습니다. 영상검사를 요구한 대조군은 환자군을 더 닮아 있었습니다. 영상검사 대조군과 비영상 대조군을 견주면 관절염은 9% 대 1%였습니다. 인대질환은 6% 대 2%, 이전 어깨손상은 54% 대 7%였습니다. 1형 당뇨 유병률은 환자군 3%, 영상검사 대조군 4%, 비영상 대조군 1%였습니다(전국 수준 약 1%).

세 노출 가운데 초록이 결과를 보고한 1형 당뇨에서 답이 갈렸습니다. 영상검사를 요구하지 않은 대조군을 쓰면 양(+)의 연관이었습니다(보정 오즈비 1.78, 95% 신뢰구간 1.64–1.92). 보정 오즈비는 다른 변수를 보정한 뒤의 오즈비입니다. 영상검사를 요구한 대조군을 쓰면 음(-)의 연관이었습니다(0.75, 0.57–0.97) (PMID 42223248). 같은 자료, 같은 노출, 같은 결과인데 대조군을 정의하는 방식 하나로 결론이 반대가 됐습니다. 저자들이 이 연구로 보이려 한 것이 바로 그것입니다. 충돌부에서 뻗어 나온 변수에 조건을 거는 것만으로, 추정치가 결론을 뒤집을 만큼 흔들릴 수 있습니다.

표본에 누가 들어왔느냐가 이미 보정이다 — 선택편향

선택편향은 누가 표본에 들어왔느냐 때문에 생기는 치우침입니다. 선택편향은 모형에 변수를 넣지 않아도 일어납니다. 회전근개 연구에서 대조군에 영상검사 조건을 건 것이 그 예입니다. 그 조건을 거는 순간 분석은 "영상검사를 받은 사람들" 안에서만 이뤄지고, 그 집단 안에서는 원래 없던 관계가 보입니다.

선택편향의 정의를 하나로 통일하자는 제안도 있습니다. 표본을 골라 내기 전의 인구를 참조 인구라고 부르고, 표본을 거기서 골라 냈기 때문에 참조 인구의 참 인과효과에서 벗어난 치우침을 모두 선택편향이라고 하자는 것입니다. 이 정의 아래 갈래가 둘입니다. 첫째 갈래는 충돌부나 그 후손 변수의 한 값만 골라 표본을 좁혀서 생깁니다. 후손 변수는 충돌부의 영향을 받는 변수로, 회전근개 사례의 영상검사 여부가 그 예입니다. 둘째 갈래는 효과의 크기가 그 값에 따라 달라지는 변수의 한 값만 골라 좁혀서 생깁니다. 두 갈래는 함께 일어날 수도 있습니다 (PMID 35700187).

선택이 있다고 해서 반드시 선택편향이 되는 것은 아닙니다. 언제 편향이 되는지 알려면 충돌부에 조건을 거는 편향을 이해해야 합니다. 한 논문은 이 편향이 흔하고 알아보기 어려우며 대개 연구자가 자초한 것이라고 지적합니다 (PMID 39891549).

전자의무기록을 다시 쓰는 연구는 특히 이 편향에 노출돼 있습니다. 병원 기록에 남으려면 병원에 왔어야 합니다. 그래서 이 자료를 재사용하면 의료이용 자체라는 흔한 충돌부에 암묵적으로 조건을 걸게 됩니다. 이 위험은 미국의 의료 접근과 이용의 성격에서 나옵니다 (PMID 36752649).

표본이 크다고, 대표성이 있다고 피해 가지 않는다

대규모 단면·코호트 연구에서는 흔히, 누가 연구에 들어오느냐가 치우쳐도 대표성과 유병률 추정만 흔들리고 연관 추정은 크게 흔들리지 않는다고 가정합니다.

이 가정을 정면으로 반박한 논문이 있습니다. 선택은 충돌부에 조건을 거는 것과 같은 일을 하기 때문에, 연구 진입이나 탈락에 대한 적당한 정도의 영향만으로도 치우치고 오도할 수 있는 추정치가 나온다는 것을 시뮬레이션으로 보였습니다. 표현형(겉으로 잴 수 있는 특성) 연관과 유전형 연관 모두에서 그랬습니다. 처방은 둘입니다. 표본이 어떤 인구를 대표하는지 아는 것, 그리고 선택과 탈락에 영향을 준 요인을 알 수 있다면 보정할 수 있다는 것입니다 (PMID 29040562).

코로나19 초기 관찰연구에도 같은 경고가 나왔습니다. UK Biobank 자료에서 코로나 검사를 받은 참가자들은 더 넓은 코호트에 비해 유전·행동·심혈관·인구학·인체계측 형질의 여러 축에서 크게 선택돼 있었습니다. 저자들은 기존 연구에서 충돌부 편향을 탐색해야 한다고 적으면서도, 최적의 완화책은 설계 단계에서 적절한 표집 전략을 쓰는 것이라고 맺습니다 (PMID 33184277).

대표성 있는 코호트에서도 같은 기전이 일어납니다. 생존·이민·이주처럼 어떤 인구에서든 일어나는 선택 과정이 있기 때문입니다. 이탈리아 피에몬테 지역 자료로 예를 보인 저자들의 결론은 이렇습니다. 출처 인구가 다르면 교환가능성이 무너지는 정도도 달라집니다. 교환가능성은 두 군을 서로 바꿔 놓고 봐도 될 만큼 두 군이 비슷한 성질입니다. 그러나 어느 한쪽이 본질적으로 덜 치우쳐 있는 것은 아닙니다. 핵심은 관련 위험인자를 식별하고 통제할 수 있는가입니다 (PMID 30804046).

겉보기 보호효과가 만들어진 예

글루코사민은 관절통과 골관절염에 널리 쓰이는 보충제입니다. 제비뽑기로 군을 나눈 무작위 시험에서는 결론이 나지 않은 반면, 먹는 대로 지켜본 관찰연구들은 사망률과 암 발생이 유의하게 줄었다고 보고해 왔습니다. 이 이득이 편향, 특히 선택편향으로 설명되는지 따진 분석이 있습니다.

분석진은 관찰연구 11편을 찾았습니다. 그 11편이 각각 보고한 전체 사망 감소를 평균하면 16%였습니다. 해저드비로는 0.84(0.81–0.87)입니다. 해저드비는 매 시점의 사건 발생 속도를 두 군끼리 나눈 값입니다. 암 발생과 심혈관·호흡기·당뇨 등에서도 감소가 보고돼 있었습니다.

저자들은 이 유의한 효과들이 충돌부 층화로 생긴 선택편향에서 나올 수 있음을 보였습니다. 충돌부 층화는 충돌부의 값에 따라 사람을 나누거나 골라 분석하는 것입니다. 모든 연구가 코호트에 들어오기 전부터 이미 글루코사민을 먹고 있던 사람들로 코호트를 꾸렸고, 참가자는 코호트 참여에 동의한 사람들이었기 때문입니다.

저자들은 50만 명 규모의 UK Biobank 논문을 예로 들어 이 편향을 시연했습니다. 인구 전체에서 사망 발생률비가 참으로 1.0일 때, 이런 코호트에서는 0.82로 치우칠 수 있었습니다. 발생률비는 두 군의 사건 발생률을 나눈 값입니다. 실제로는 차이가 없는데도 보충제가 사망을 줄이는 것처럼 보일 수 있다는 뜻입니다. 결론에 적은 문장은 더 단정적입니다. 유의한 감소를 보고한 이 관찰연구들은 충돌부 층화에서 오는 선택편향의 영향을 받았다는 것입니다.

이 연구는 그 보충제가 사망을 줄인다고도 늘린다고도 말하지 않습니다. 저자들이 쓴 것은 이렇습니다. "이제 막 먹기 시작한 사람"을 대상으로 이 편향을 우회하는 관찰연구가 제대로 수행되기 전까지는, 지금까지의 연구들이 이 보충제를 사망·암·기타 만성질환의 예방 목적으로 처방하는 것을 뒷받침할 수 없다는 것입니다 (PMID 36029480).

유전역학의 예

말라리아 중에서도 가장 위험한 종류를 다룬 대규모 자료에서 이런 보고가 나왔습니다. G6PD 결핍이라는 유전 형질을 가진 사람에게서, 뇌를 침범하는 말라리아는 덜 생기고 심한 빈혈은 더 생긴다는 것입니다. 여기에 설명이 하나 붙었습니다. 말라리아로 죽는 길이 둘인데 한쪽 위험이 낮아지고 다른 쪽이 높아지니, 이 형질이 진화적으로 이득이 된다는 설명이었습니다.

이 주장을 인과 다이어그램으로 재분석하자, 충돌부 편향의 대상이라는 것이 드러났습니다. 가정한 값을 바꿔 가며 결론이 흔들리는지 보는 민감도분석에서, G6PD 결핍이 빈혈에 미치는 알려진 효과의 세기를 바꿔 가며 시뮬레이션하자, 이 편향만으로 관찰된 연관 전부를 설명하기에 충분했습니다. 뇌 말라리아에 대한 "보호효과"가 편향만으로도 생길 수 있었다는 뜻입니다. 저자들은 앞으로 이 분야 유전역학 연구가 인과추론을 활용하라고 권고합니다 (PMID 30688212).

방향은 한 가지가 아니다 — 보정을 더 해서 걷어 낸 예

입원한 코로나19 환자만 보는 연구는 이미 충돌부에 조건이 걸린 상태입니다. 입원이라는 문을 지난 사람만 보기 때문입니다. 이 상황에서 인과 다이어그램을 그려, 백신 접종과 코로나19 사망의 관계를 세 가지 모형으로 비교한 연구가 있습니다.

접종만 넣은 모형 1에서는 백신이 사망을 예방한다는 증거가 나타나지 않았습니다. 입원에 조건이 걸려 생긴 편향을 걷어 내려고 연령을 공변량으로 넣은 모형 2에서는 백신의 보호 역할이 드러났습니다. 만성질환을 더 넣은 모형 3에서는 보호 효과가 조금 더 강해졌습니다. 저자들의 결론은 둘입니다. 입원 환자를 연구하면 충돌부 층화 편향의 대상이 됩니다. 그리고 교란과 마찬가지로 이 유형의 선택편향도, 입원에 영향을 주면서 결과의 위험인자이기도 한 변수를 회귀모형에 넣어 보정할 수 있습니다 (PMID 38111522).

선택이 이미 일어난 뒤에는, 그 선택에 영향을 준 변수를 보정하는 것이 편향을 걷어 내는 길이 되기도 합니다. 앞의 대규모 코호트 논문이 붙인 처방도 같은 방향이었습니다 (PMID 29040562). 논점은 개수가 아니라 자리입니다.

---

⚠️ 충돌부 편향은 만능 설명이 아니다

충돌부는 이 글에서 가장 재미있는 개념이라, 손에 쥐면 모든 역설에 갖다 대고 싶어집니다. 하지만 "그 역설? 충돌부야"는 이 글이 남기려는 말이 아닙니다. 이런 쓰임에 직접 제동을 건 논문이 셋 있습니다.

첫째는 비만 역설입니다. 비만 역설은 비만이 예상과 달리 사망률 감소와 연관되는 현상입니다. 이 현상의 흔한 설명이 충돌부 층화 편향입니다. 이 설명을 현실에 가깝게 만든 모의 자료로 검정한 연구가 있습니다. 노출을 비만, 결과를 사망, 매개변수를 당뇨로 놓고 재지 못한 교란변수를 넣은 여러 시나리오에서, 반사실적 인과분석(노출되지 않았다면 어땠을지와 견주는 계산)으로 치우침을 계산했습니다.

충돌부 층화가 인과효과의 추정을 치우치게 만든다는 것은 확인됐습니다. 다만 그 치우침은 변수들 사이의 인과관계에 비하면 작았습니다. 저자들의 결론은 이렇습니다. 충돌부 편향은 비만 역설의 부분적 설명은 될 수 있습니다. 그러나 참 인과관계와 반대 방향의 연관을 만들어 낸 주된 설명일 가능성은 낮으며, 다른 설명을 찾아봐야 합니다 (PMID 27075676).

둘째는 전립선암의 '역(逆) 비만 역설'입니다. 체질량지수가 높을수록 전립선암 진단은 적은데, 전립선암으로 인한 사망은 많은 현상입니다. 해저드비로는 진단과 음의 연관(5 kg/m² 증가당 약 0.9), 전립선암 특이 사망과 양의 연관(약 1.2)입니다. 연구진은 이항(있다·없다) 진단·사망 자료를 시뮬레이션하면서 충돌부 편향을 일으킬 수 있는 미측정 배경변수를 넣고, 그 변수를 보정한 값과 안 한 값의 차이로 편향 백분율을 계산했습니다.

전립선암에서 있을 법한 값들을 폭넓게 넣어 봐도 충돌부 편향은 체질량지수와 전립선암 사망의 오즈비를 4% 넘게 왜곡하지 못했습니다. 연속형 체질량지수로 치면 오즈비가 ±0.04 흔들리는 정도입니다. 고전적 교란이 왜곡할 여지는 그보다 컸습니다. 저자들의 결론은 이렇습니다. 충돌부 편향만으로는 (특히 국소) 전립선암의 역 비만 역설을 설명하기 어렵습니다. 이 결과는 관찰된 양의 관계가 실재일 가능성을 뒷받침하는 기전적 근거를 보강하고, 그래서 다른 기전을 탐색하는 일이 중요합니다 (PMID 40231651).

셋째는 문헌 전체를 훑은 체계적 문헌고찰입니다. 선택편향과 충돌부 제한 편향(충돌부의 한 값으로 표본을 좁혀 생기는 편향)은 내적 타당도(연구가 자기 표본 안에서 인과관계를 바르게 추정했는가)의 위협으로 개념상 하나로 묶여 왔고, 그렇다면 영향에 대한 결론도 맞아야 한다는 것이 출발점이었습니다. 2000년 1월부터 2024년 7월까지의 영어 방법론 논문과 일반역학 교과서를 검색해, 두 편향의 크기나 방향을 논한 문헌을 추렸습니다. 논문 5,508편 중 33편, 교과서 205권 중 12권이 남았습니다.

충돌부 편향을 다룬 문헌들은 그 영향을 미미한 것으로 전달했고, 선택편향을 다룬 문헌들은 다양한 영향을 기술했습니다. 저자들은 한정을 붙입니다. 충돌부 편향 문헌 대부분이 노출과 결과 사이에 아무 관계가 없다고 가정한 조건에서 편향을 평가했습니다. 또 상호작용의 역할과 영향을 받는 층에 대한 논의가 두 갈래 문헌에서 달랐습니다. 그래서 저자들은 그 가정을 걸지 않은 조건에서 충돌부 편향을 조사하고, 충돌부의 원인들 사이의 곱셈적·덧셈적 상호작용을 함께 고려하자고 제안합니다 (PMID 40167168).

여기에 우리 논점을 덧붙입니다. "작더라"가 정답인 것도 아닙니다. 앞의 말라리아 사례에서는 충돌부 편향만으로 관찰된 연관 전부를 설명하기에 충분했습니다 (PMID 30688212). 회전근개 사례에서는 결론의 부호가 뒤집혔습니다 (PMID 42223248). 크기는 사안마다 다릅니다. 그래서 "이건 충돌부다"는 설명의 끝이 아니라 재 봐야 할 것의 이름입니다. 위의 세 논문도 전부 시뮬레이션이나 문헌 검토로 크기를 재고 나서 결론을 냈습니다.

---

아직 정리 중인 것 — 이름부터

이 분야는 용어 자체가 정리되는 중입니다. 한 논평은 충돌부 층화 편향을 둘로 나누자고 제안합니다. 하나는 충돌부 제한 편향으로, 충돌부나 그 후손 변수의 한 수준만 골라 표본을 제한해서 생깁니다. 다른 하나는 충돌부 보정 편향으로, 충돌부를 회귀모형에 포함해서 생깁니다.

논평의 논지는 이렇습니다. 충돌부 보정 편향을 선택편향으로 분류하면 의미상 혼동이 생깁니다. 회귀모형에 변수를 하나 넣는 것은 분석할 표본을 고르는 일이 아니기 때문입니다. 그래서 저자들은 충돌부 보정 편향을 과보정 편향의 한 종류로 보자고 제안합니다 (PMID 37939152).

이 제안이 맞다면 이 글의 두 절은 하나로 묶입니다. 경로 위의 매개변수를 모형에 넣는 것도, 노출과 결과가 함께 영향을 준 충돌부를 모형에 넣는 것도, 넣지 말았어야 할 자리의 변수를 넣은 것입니다.

---

더 깊이 가려면

아래 「근거 논문」에 인용한 21편을 주제별로 한 줄씩 정리해 뒀습니다. 과보정과 공변량 선택 7편, 충돌부와 선택편향 8편, 충돌부 설명의 과대적용에 제동을 건 3편, 용어 3편입니다.

---

"보정했다"는 문장을 만나면 몇 개를 넣었는지보다 어느 자리의 변수인지를 물으면 됩니다. 표에 실린 변수 목록만이 보정도 아닙니다. 누구를 표본에 넣었는지, 대조군을 어디서 뽑았는지도 같은 일을 합니다.

이 규칙을 "그러니 그 역설은 충돌부다"라는 결론으로 쓰면 이 글은 실패한 것입니다. "이건 충돌부다"라는 말을 만나면, 그 논문에서 편향의 크기를 잰 문단을 찾아보면 됩니다. 크기를 잰 연구들의 답은 갈렸습니다. 말라리아 사례에서는 편향만으로 관찰된 연관 전부를 설명하기에 충분했고, 전립선암 사례에서는 오즈비를 4% 넘게 왜곡하지 못했습니다.

근거 논문

과보정

• "Overadjustment bias and unnecessary adjustment in epidemiologic studies." (2009) — PMID 19525685 — 과보정 편향(경로 위 중간변수·그 후손 대리변수 통제)과 불필요한 보정(정밀도에만 영향)의 구분. 교란·선택 편향과 다른 인과 구조이며 유한표본 편향이 아니다.
• "Does Fetal Growth Restriction Cause Later Obesity? …" (2017) — PMID 28338874 — 벨라루스 코호트(1996~1997년 출생 → 11.5세). 출발 시점 변수만 보정하면 음의 연관, 동시 측정 체중·BMI 추가 시 양으로 역전.
• "Antenatal steroids and risk of bronchopulmonary dysplasia…" (2007) — PMID 17564592 — 롬바르디아 10개 신생아집중치료실, 1,314명 중 1,118명 생존, BPD 15.9%. 중간 위험인자 제외 시 OR 0.59(0.36–0.97), 포함 시 효과 소멸.
• "Potential over-adjustment bias in cohort studies of air pollution and health…" (2026) — PMID 41671745 — 고영향 저널 175편. DAG 26편(14.9%), 과보정 가능성 122편(69.7%), 매개변수 보정 120편(68.6%), 최다 매개변수 BMI 98편(56.0%). DAG 사용 시 42.3% 대 74.5%.
• "Overadjustment bias in SRs and MAs of socio-economic inequalities…" (2024) — PMID 38129958 — SR 47·MA 37편. 노출·결과 정의 73%, 나머지 전 항목 55% 미만. 교란·매개 구분 5%, 인과 다이어그램 2%, 보정변수 보고 35%, RoB에 과보정 포함 2%(교란 54%), MA 민감도분석 16%.

공변량 선택

• "Avoiding overadjustment bias in social epidemiology…: a primer." (2022) — PMID 35662623 — 세 단계(질문·인과효과 명확화 → 인과 다이어그램 → 교란 보정 최대·매개 보정 최소). 생애과정 시점·지표 상호보정도 다룬다.
• "Methodological Tutorial Series…: Confounder Selection…" (2025) — PMID 38972732 — 수정 이접 원인 기준. 중간변수·기저 결과변수 보정의 함정. 큰 표본도 체계적 오차가 있으면 "정밀하게 부정확"할 수 있다. E-value·robustness value도 소개(이 글은 다루지 않는다).

충돌부와 선택편향

• "Leveraging Electronic Health Record Data to Evidence Collider Stratification Bias…" (2026) — PMID 42223248 — 회전근개 파열. 대조군 정의(영상검사 요구 여부)에 따라 1형 당뇨의 보정 오즈비 1.78(1.64–1.92) 대 0.75(0.57–0.97). 저자들이 적은 대로 기전 시연.
• "Collider scope…" (2018) — PMID 29040562 — 적당한 선택·탈락만으로도 표현형·유전형 연관 추정이 치우칠 수 있다.
• "Healthcare utilization is a collider…" (2023) — PMID 36752649 — EHR 재사용은 의료이용이라는 충돌부에 암묵적으로 조건을 건다. 설계 단계 DAG 권고.
• "Collider bias undermines our understanding of COVID-19…" (2020) — PMID 33184277 — UK Biobank 검사 수검자가 여러 형질 축에서 크게 선택돼 있었다. 최적 완화는 설계 단계 표집.
• "Baseline selection on a collider…" (2019) — PMID 30804046 — 생존·이민 등의 선택 과정 때문에 '대표성 있는 코호트'에서도 같은 기전이 일어난다(피에몬테 자료). 어느 쪽도 본질적으로 덜 치우치지 않는다.
• "Glucosamine…: Selection bias in the observational studies." (2022) — PMID 36029480 — 관찰연구 11편이 각각 보고한 전체 사망 감소 평균 16%(해저드비 0.84, 0.81–0.87). 암·심혈관 등에서도 감소 보고. UK Biobank 시연에서 참 발생률비 1.0 → 0.82.
• "Collider bias and the apparent protective effect of G6PD deficiency on cerebral malaria." (2019) — PMID 30688212 — 균형선택 가설의 새 형태를 재분석. 편향만으로 관찰 연관 전부를 설명하기에 충분.
• "Adjustment for collider bias in the hospitalized Covid-19 setting." (2023) — PMID 38111522 — 노출은 백신 접종. 모형 1(접종만) → 2(연령) → 3(만성질환)로 보호 역할이 드러나고 조금 더 강해졌다. 교란처럼 이 선택편향도 변수를 넣어 보정할 수 있다.

과대적용 제동

• "Collider Bias Is Only a Partial Explanation for the Obesity Paradox." (2016) — PMID 27075676 — 충돌부 층화는 치우침을 만들지만 변수 간 인과관계에 비해 작았다. 부분적 설명은 되나 방향을 뒤집는 주된 설명일 가능성은 낮다.
• "Collider Bias Is an Insufficient Explanation for the Inverse Obesity Paradox in Prostate Cancer." (2025) — PMID 40231651 — BMI가 진단과 음(HR 약 0.9/5 kg/m²), 특이 사망과 양(약 1.2). 오즈비를 4% 넘게 왜곡하지 못함(±0.04). 고전적 교란의 여지가 더 컸고, 양의 관계가 실재일 가능성을 보강한다는 결론.
• "The Same but Different?…" (2025) — PMID 40167168 — 논문 5,508편 중 33편·교과서 205권 중 12권. 충돌부 문헌은 영향을 미미하게 전달, 선택편향 문헌은 다양하게 기술. 대부분 노출–결과 무관 가정 아래 평가.

용어가 정리되는 중

• "Selection Bias Requires Selection…" (2024) — PMID 37939152 — 충돌부 제한 편향과 충돌부 보정 편향을 구분하고, 후자를 과보정 편향의 한 종류로 보자고 제안.
• "Toward a Clearer Definition of Selection Bias…" (2022) — PMID 35700187 — 참조 인구의 참 인과효과에서 벗어난 치우침으로 통일. 1형(충돌부 제한)·2형(효과 수정변수 제한).
• "When selection becomes selection bias." (2025) — PMID 39891549 — 선택이 반드시 선택편향은 아니다. 충돌부 조건화 편향은 흔하고 대개 자초한 것.