<div id="readability-page-1" class="page"><div><p>현실에서 나타나는 현상은 시간에 따라 변화한 무언가를 말한다. 그리고 그런 시간에 따른 변화는 독립적으로 이루어지는 건 많지 않아, 그 변화 속에서 다양한 인과 관계가 형성된다. 그리고 사람들은 그 관계를 특정하고 싶어하고, 이를 수치적으로 풀고자 한다. 하지만 이를 풀어내는 것은 쉽지 않고 오용되는 경우가 너무나도 많아, ‘상관관계는 인과관계를 의미하지 않는다’는 말을 다들 입에 달고 살게 되었다. 하지만 여전히 이 말만 유명하고, 이 이상으로 나아가지 않는다. 심지어 이를 이상하게 해석한 후 마치 진실인 양 호도하는 이야기마저도 눈에 띈다. 물론 데이터에서 인과 관계를 아예 찾을 수 없냐면, 그렇지는 않다. 그 과정이 생각보다 조금 더 단계가 많을 뿐이다.</p><p><a href="https://cojette.github.io/posts/ladderofcausation/">이전 글</a>에서 인과 추론의 단계를 이야기하면서 인과 관계가 다양할 수 있다는 것을 간단히 언급했다. 그러면 어떤 식으로 다양할 수 있는지를 이해해야 인과 관계를 가정하고 조건적 사고를 진행할 수 있을 것이다. 그래서 인과 구조 모델링에 활용될 수 있는 인과관계의 다양한 구조와, 각 구조에서 어떤 식으로 접근할 수 있는 지에 대해서 아주 간단히 설명하려고 자료를 만든 김에, 블로그 포스팅으로도 정리해 보았다.</p><hr><h2 id="단방향-인과관계-unidirectional-causality"><span>단방향 인과관계 (Unidirectional Causality)</span><a href="#단방향-인과관계-unidirectional-causality"><i></i></a></h2><p>가장 기본적인 형태의 인과 구조로, X라는 변수는 Y라는 변수에 영향을 미치지만, Y는 X에 영향을 미치지 않는 구조다.</p><p>예시: 중앙은행의 금리 결정(X)이 시장 이자율(Y)에 영향을 미치는 경우</p><div><p><code><table><tbody><tr><td><pre>1
2
</pre></td><td><pre>X → Y (금리 결정 → 시장 이자율)

</pre></td></tr></tbody></table></code></p></div><p>분석 방법:</p><ul><li>그랜저 인과성 검정(Granger Causality Test)</li><li>단순 시차 회귀분석(Lagged Regression)</li><li>충격반응함수(Impulse Response Function)</li></ul><p><strong>주의 사항:</strong> 단방향성을 확신하기 위해서는 잠재적인 제3의 변수(confounding variable)의 영향이 없다는 전제조건이 필요하다.</p><h2 id="양방향-인과관계-bidirectional-causality"><span>양방향 인과관계 (Bidirectional Causality)</span><a href="#양방향-인과관계-bidirectional-causality"><i></i></a></h2><p>두 변수가 서로에게 영향을 주고받는 구조입니다. 피드백 루프의 가장 기본적인 형태라고 볼 수 있습니다.</p><p>예시: 주식 가격(X)과 거래량(Y)은 서로 영향을 주고받음</p><p>분석 방법:</p><ul><li>VAR(Vector Autoregression) 모형</li><li>양방향 그랜저 인과성 검정</li><li>공적분 분석(Cointegration Analysis)과 오차수정모형(VECM)</li></ul><p><strong>주의 사항:</strong> 이런 구조에서는 한 변수의 변화가 다른 변수를 통해 다시 자기 자신에게 돌아오는 피드백 효과가 발생할 수 있다.</p><h2 id="공통-원인-구조-common-cause"><span>공통 원인 구조 (Common Cause)</span><a href="#공통-원인-구조-common-cause"><i></i></a></h2><p>제3의 변수 Z가 X와 Y 모두에 영향을 미치는 구조. 이 경우 X와 Y 사이에 상관관계가 관찰되더라도, 실제로는 인과관계가 아닌 허위 상관관계(spurious correlation)일 수 있다.</p><p>예시: 아이스크림 판매량(X)과 소아마비(Y)는 모두 기온(Z)이라는 공통 원인에 영향을 받습니다.</p><div><p><code><table><tbody><tr><td><pre>1
2
</pre></td><td><pre>X ← Z → Y (아이스크림 판매량 ← 기온 → 소아마비)

</pre></td></tr></tbody></table></code></p></div><p>분석 방법:</p><ul><li>조건부 독립성 검정(Conditional Independence Test)</li><li>구조적 방정식 모델링(Structural Equation Modeling)</li><li>DAG(Directed Acyclic Graph) 분석</li></ul><p><strong>주의 사항:</strong> 이러한 구조를 고려하지 않고 분석하면 X와 Y 사이의 직접적인 인과관계를 잘못 추론할 위험이 있다.</p><h2 id="간접-인과-구조-indirect-causality"><span>간접 인과 구조 (Indirect Causality)</span><a href="#간접-인과-구조-indirect-causality"><i></i></a></h2><p>X가 Z를 통해 Y에 간접적으로 영향을 미치는 구조로, 매개 효과(mediation effect)의 형태로 나타납니다.</p><p>예시: 통화량 증가(X)가 인플레이션(Z)을 통해 실업률(Y)에 영향을 미칠 수 있습니다.</p><div><p><code><table><tbody><tr><td><pre>1
2
</pre></td><td><pre>X → Z → Y (통화량 → 인플레이션 → 실업률)

</pre></td></tr></tbody></table></code></p></div><p>분석 방법:</p><ul><li>매개 변수(mediator) 분석</li><li>경로 분석(Path Analysis)</li><li>구조적 방정식 모델링(SEM)</li></ul><p><strong>주의 사항:</strong> X가 Y에 미치는 영향은 Z를 통한 간접 효과와 직접 효과(X → Y)로 분해될 수 있습니다.</p><h2 id="피드백-루프-feedback-loop"><span>피드백 루프 (Feedback Loop)</span><a href="#피드백-루프-feedback-loop"><i></i></a></h2><p>변수들이 순환적으로 영향을 주고받는 구조. 복잡한 시스템에서 흔히 발견되며, 자기 강화적(self-reinforcing) 또는 자기 안정화(self-stabilizing) 속성을 가질 수 있다.</p><p>예시: 경제 성장(X)이 소비(Y)를 증가시키고, 소비 증가는 기업 이익(Z)을 증가시키며, 기업 이익 증가는 다시 경제 성장으로 이어지는 순환 구조가 나타난다.</p><div><p><code><table><tbody><tr><td><pre>1
2
</pre></td><td><pre>X → Y → Z → X (경제 성장 → 소비 → 기업 이익 → 경제 성장)

</pre></td></tr></tbody></table></code></p></div><p>분석 방법:</p><ul><li>시스템 동역학(System Dynamics) 모델</li><li>비선형 VAR 모형</li><li>순환 인과 다이어그램(Causal Loop Diagrams)</li></ul><p><strong>주의 사항:</strong> 피드백 루프는 시스템의 동적 복잡성을 증가시키며, 장기적으로 예측하기 어려운 행동을 만들어 낼 수 있다.</p><h2 id="시간-지연-효과-time-lagged-effects"><span>시간 지연 효과 (Time-Lagged Effects)</span><a href="#시간-지연-효과-time-lagged-effects"><i></i></a></h2><p>X가 Y에 즉각적으로 영향을 미치지 않고 일정 시간이 지난 후에 영향을 미치는 구조. 시계열 데이터를 다룰 때 종종 나타나며, 이를 고려해서 분석해야 하는 경우가 다수 있다.</p><p>예시: 금리 인상(X)이 경제 성장률(Y)에 미치는 영향은 보통 6-18개월 후에 나타난다.</p><div><p><code><table><tbody><tr><td><pre>1
2
</pre></td><td><pre>X(t) → Y(t+k) (금리 인상(t) → 경제 성장률(t+k))

</pre></td></tr></tbody></table></code></p></div><p>분석 방법:</p><ul><li>분산시차분포(Distributed Lag) 모형</li><li>ARDL(Autoregressive Distributed Lag) 모형</li><li>최적 시차 결정 기법(Optimal Lag Selection)</li></ul><p><strong>주의 사항:</strong> 적절한 시차(lag)를 식별하지 못하면 인과관계가 과소평가되거나 발견되지 않을 수 있어서, 이 효과가 예상되는 경우 꼼꼼히 살펴보는 것이 필요하다.</p><h2 id="구조적-변화-structural-breaks"><span>구조적 변화 (Structural Breaks)</span><a href="#구조적-변화-structural-breaks"><i></i></a></h2><p>시간에 따라 인과 구조 자체가 변하는 경우. 특정 시점을 기준으로 변수 간의 관계가 변할 수 있다.</p><p>예시: 금융 위기 이전과 이후의 이자율과 투자 사이의 관계가 달라질 수 있습니다.</p><div><p><code><table><tbody><tr><td><pre>1
2
3
4
</pre></td><td><pre>[X → Y] (t &lt; T)

[X ↛ Y] (t ≥ T)

</pre></td></tr></tbody></table></code></p></div><p>분석 방법:</p><ul><li>구조 변화 검정(Structural Break Tests)</li><li>시변 계수 모형(Time-Varying Coefficient Models)</li><li>레짐 전환 모형(Regime-Switching Models)</li></ul><p><strong>주의 사항:</strong> 구조적 변화를 고려하지 않으면 전체 기간에 대한 평균적인 효과만 추정하게 되어 중요한 패턴을 놓칠 수 있다. 주요 사건의 ‘개입’ 효과 분석이 필요하다.</p><h2 id="비선형-인과관계-nonlinear-causality"><span>비선형 인과관계 (Nonlinear Causality)</span><a href="#비선형-인과관계-nonlinear-causality"><i></i></a></h2><p>X와 Y 사이의 관계가 선형이 아니라 복잡한 비선형 형태를 가지는 경우. 많은 실제 시스템은 비선형적 특성을 갖는다.</p><p>예시: 인플레이션(X)과 경제 성장(Y) 사이의 관계는 특정 임계점을 기준으로 다른 양상을 보일 수 있습니다.</p><div><p><code><table><tbody><tr><td><pre>1
2
</pre></td><td><pre>X →^f Y (여기서 f는 비선형 함수)

</pre></td></tr></tbody></table></code></p></div><p>분석 방법:</p><ul><li>임계 회귀 모형(Threshold Regression Models)</li><li>평활 전이 회귀(Smooth Transition Regression)</li><li>비모수적 방법(신경망, 가우시안 프로세스 등)</li></ul><p><strong>주의 사항:</strong> 비선형 관계는 특정 구간에서 변수의 영향력이 강화되거나 약화될 수 있으며, 극단적인 값에서 예상치 못한 행동을 보일 수 있다. 여러 시계열을 동일한 방식으로 한 번에 병렬처리해서 계산하는 경우 주의가 필요하다.</p><hr><h2 id="정리-인과성의-사다리를-오르기">정리: 인과성의 사다리를 오르기</h2><p>시계열 데이터에서 인과 구조를 파악하는 것은 손쉽게 진행하던 상관관계 분석을 넘어서는 과정이다.</p><p>이 글에서 설명한 인과 구조들을 이해하고 적절한 분석 방법을 선택하는 것은, <a href="https://cojette.github.io/posts/ladderofcausation/">앞서 소개한</a> 인과성 사다리를 오르는 과정에서 중요한 단계다. 시계열 데이터에서 인과 구조를 올바르게 식별하고 해석한다는 것은, 단순한 예측 이상으로 이를 사용해서 이후에 무엇을 할 수 있을 지 의사 결정을 하는 데에 필요한 통찰을 얻기 위해 반드시 필요한 과정이며, 인과 분석이 완벽하지 않더라도 이를 제대로 활용하는 데에 필요한 과정이기도 하다.</p><p>물론 인과의 사다리를 제대로 올라가기 위해서는 다양한 시각에서의 접근과, 도메인 지식 등이 요구된다. 하지만 어차피 데이터를 사용해서 무언가 답을 낼 것이고, 그 답이 답은 정해져 있는 데에 ‘데이터’라는 이름을 얹어서 자신의 주장만을 고집하려는 의도가 아니라면, 데이터를 최대한 제대로 활용해서 원인을 파악하기 위해 노력해야 할 것이다. 인과 구조를 이해하는 것은 이를 위한 접근에 분명 필수적인 도움이 될 것이다.</p><ul></ul></div></div>

인과 관계의 다양한 구조와 분석 방안

댓글