생태학적 오류¶

생태학적 오류는 집단 수준(집계) 자료로부터 개인 수준의 관계를 추론하는 잘못이다. 집단 수준에서 관측된 상관이나 연관이 개인 수준에서 반드시 성립하지는 않기 때문에 생긴다.

집단 수준 자료는 집단 간 변동만 반영하지만 개인의 행동에는 집단 간 변동과 집단 내 변동이 모두 관여한다. 집단 내 관계는 집단 간 관계와 크기가 다를 수도, 방향까지 다를 수도 있다.

예: 평균 초콜릿 소비가 많은 나라일수록 인구당 노벨상 수상자가 많다(생태학적 상관). 초콜릿을 더 먹는 개인이 노벨상을 탈 가능성이 높다고 결론짓는 것이 생태학적 오류이다. 국가 수준의 연관은 부(富)에 이끌린 것일 수 있다(부유한 나라는 초콜릿도 더 소비하고 연구에도 더 많이 투자한다).

두 집단을 생각하자:

• 집단 A(부유한 도시): 개인들의 \(X\) 평균 80, \(Y\) 평균 90. 집단 안에서 \(X\)가 클수록 \(Y\)가 작다(개인 수준 \(r = -0.5\)).
• 집단 B(가난한 도시): 개인들의 \(X\) 평균 20, \(Y\) 평균 30. 집단 안에서도 \(X\)가 클수록 \(Y\)가 작다(개인 수준 \(r = -0.5\)).

집단 수준에서는 집단 A가 \(\bar{X}\)도 크고(80 대 20) \(\bar{Y}\)도 크다(90 대 30). 집단 평균 사이의 생태학적 상관은 \(r = +1\)이다.

이는 Simpson의 역설과 같은 구조이다. 각 집단 안에서는 관계가 음수이지만, 두 변수 모두에서 집단이 체계적으로 다르기 때문에 집단 간 추세는 양수이다. 집단 수준 자료만 분석하면 부호가 틀린 결론을 얻는다.

주 수준의 집계 자료에 근거해 개인의 소득이 높아지면 범죄를 저지를 가능성이 낮아진다고 추론하는 것이 생태학적 오류이다. 주 수준의 상관은 여러 기제를 뒤섞는다:

• 평균 소득이 높은 주는 치안, 교육, 사회복지가 더 나을 수 있다(제도적 요인).
• 개인 소득과 개인의 범죄 사이 관계는 주 수준 패턴과 다를 수 있다.
• 고소득 주는 소득 불평등도 클 수 있고, 평균이 높아도 불평등이 범죄를 늘릴 수 있다.

더 나은 분석: 개인 소득과 범죄 행동을 연결한 개인 수준 자료를 쓰고 학력, 나이, 거주지 특성, 고용 상태 같은 교란요인을 통제한다. 패널 자료(개인을 시간에 걸쳐 추적)나 자연실험(예: 복권 당첨자)이 더 강한 인과적 증거를 준다.

수정 가능한 공간 단위 문제(MAUP)는 집계된 공간 자료에 기반한 통계 결과가 지리 단위를 어떻게 정의하느냐에 달려 있다는 관찰이다. 두 요소가 있다:

1. 축척 효과: 집계 수준을 바꾸면(예: 인구조사 구역 대 카운티 대 주) 상관이 달라진다. 단위가 클수록 개인 수준 변동이 더 많이 평균되어 사라지므로 생태학적 상관이 강해진다.

2. 구획 효과: 같은 축척에서도 경계를 어떻게 긋느냐에 따라 결과가 달라진다. 게리맨더링이 극단적인 예이다.

MAUP는 집계로 인한 정보 손실이라는 점에서 생태학적 오류와 관련된다. 생태학적 오류는 집계 결과를 개인 수준의 진실로 다루는 해석상의 잘못이다. MAUP는 집계 결과 자체도 안정적이지 않으며 분석 단위에 대한 임의적 선택에 좌우된다는 점을 보여준다. 둘을 합쳐 보면 집계 자료가 개인 수준 추론에 근본적으로 한계가 있음을 알 수 있다.

개별주의 오류는 개인 수준 관계를 집단 수준으로 그대로 옮기는 것이다. 생태학적 오류와 정확히 반대 방향이다.

개별주의 오류의 전형이 집단면역이다. 개인 수준 백신 효과가 \(80\%\)라 해도, 접종률을 올리면 미접종자까지 보호받으므로 집단 수준 효과가 \(80\%\)보다 크다. 개인 자료만으로는 이 간접 효과를 볼 수 없다.

개인 자료로 답할 수 없는 질문들.

• 전염·확산. 한 사람의 행동이 다른 사람의 위험을 바꾼다(간섭). 개인 수준 무작위화의 전제(SUTVA)가 깨진다.
• 일반균형 효과. "이 사람이 대학을 가면 임금이 오른다"와 "모두가 대학을 가면 임금이 오른다"는 다르다. 후자는 노동시장 전체가 바뀐다.
• 규범과 맥락. 금연 정책의 효과는 주변에 흡연자가 얼마나 있는지에 달려 있다.
• 혼잡·희소성. 한 사람이 도로를 이용하는 효과와 모두가 이용하는 효과가 다르다.

이것을 맥락 효과 또는 간섭이라 한다. 개인 수준 인과추론의 표준 가정인 SUTVA(한 개인의 처치가 다른 개인의 결과에 영향을 주지 않음)가 성립하지 않는 상황이다.

그래서 두 수준이 모두 필요하다.

군집 무작위 시험이 이 문제의 설계적 해답이다. 마을 단위로 처치를 배정하면 간섭이 군집 안에 갇히므로 집단 수준 효과를 추정할 수 있다. 백신·공중보건·교육 정책 연구에서 표준적으로 쓰인다.

결론은 "수준을 넘지 말라"가 양방향이라는 것이다. 집단에서 개인으로도, 개인에서 집단으로도 자동으로 옮겨 갈 수 없다.

집단 평균은 함께 오르고 집단 내부는 내려가게 배치한다.

import numpy as np

x = np.array([1,2,3,4, 5,6,7,8])
y = np.array([4,3,2,1, 8,7,6,5])
g = np.array([0]*4 + [1]*4)
print(f"  전체(개인) r = {np.corrcoef(x, y)[0,1]:+.4f}")
for i in (0, 1):
    print(f"    집단 {'AB'[i]} 내부 r = {np.corrcoef(x[g==i], y[g==i])[0,1]:+.4f}")
gx = [x[g==i].mean() for i in (0,1)]; gy = [y[g==i].mean() for i in (0,1)]
print(f"  집계(집단평균): A=({gx[0]}, {gy[0]}), B=({gx[1]}, {gy[1]})"
      f"  -> 기울기 {(gy[1]-gy[0])/(gx[1]-gx[0]):+.4f}")

출력:

  전체(개인) r = +0.5238
    집단 A 내부 r = -1.0000
    집단 B 내부 r = -1.0000
  집계(집단평균): A=(2.5, 2.5), B=(6.5, 6.5)  -> 기울기 +1.0000

두 집단 모두 내부 상관이 정확히 \(-1\)인데 집계 기울기는 \(+1\)이다.

손으로 확인할 수 있다. A집단의 평균은 \((2.5,\ 2.5)\), B집단은 \((6.5,\ 6.5)\)이므로 두 점을 잇는 기울기가 \(+1\)이다. 그런데 각 집단 안에서는 \(x\)가 \(1\) 늘면 \(y\)가 \(1\) 줄어든다.

집단이 둘뿐이면 집계 상관이 언제나 \(\pm1\)이다. 두 점을 지나는 직선은 완벽히 맞기 때문이다. 이것 자체가 집계 자료의 \(n\)이 작을 때의 함정이며, "집계 상관 \(0.99\)"가 집단 수가 셋뿐이면 아무 의미가 없다.

작은 예의 가치. 이런 표는 강의나 보고서에서 생태학적 오류를 설명할 때 유용하다. 모의실험보다 훨씬 설득력이 있는데, 독자가 직접 손으로 확인할 수 있기 때문이다.

원문. "평균 소득이 높은 주일수록 범죄율이 낮다. 소득이 높아지면 범죄가 줄어든다는 증거이다."

두 가지 오류가 겹쳐 있다.

정당하게 말할 수 있는 것.

"미국 50개 주에서 평균 소득과 범죄율은 음의 상관을 보였다
 (r = -0.XX, n = 50)."

말할 수 없는 것.

• "소득이 높은 사람이 범죄를 덜 저지른다" — 수준을 넘었다.
• "소득을 높이면 범죄가 줄어든다" — 인과를 주장했다.
• "소득이 범죄를 설명한다" — 교란 가능성을 배제하지 않았다.

고쳐 쓴 보도.

"주별 자료에서 평균 소득이 높은 주일수록 범죄율이 낮았다(r=-0.XX).
 다만 이는 주 단위의 연관이며, 소득이 높은 개인이 범죄를 덜
 저지른다는 뜻은 아니다. 또한 교육·도시화·연령 구성 등 여러
 요인이 두 지표 모두와 관련되어 있어, 소득 증가가 범죄를 줄인다는
 인과적 결론을 내릴 수는 없다."

더 나은 분석 제안.

• 개인 수준 자료로 소득과 범죄 이력의 관계를 본다.
• 다수준 모형으로 개인 효과와 지역 효과를 분리한다.
• 정책 변화를 이용한 자연실험(최저임금 인상, 세액공제 확대)으로 인과를 노린다.
• 최소한 교란 후보를 통제한 다중회귀를 제시한다.

핵심은 겸손한 서술이다. 자료가 허용하는 범위를 넘지 않으면서도 유용한 정보를 전달하는 것이 좋은 보고다.

고전적 사례 — 로빈슨(1950)의 문맹률 연구.

1930년 미국 인구조사에서 주 수준으로 집계하면 외국 출생자 비율과 문맹률이 양의 상관(\(r \approx +0.53\))이었다. "이민자가 문맹을 늘린다"는 해석이 당시 이민 제한 논의에 쓰였다.

개인 수준 자료를 보면 상관이 음수(\(r \approx -0.11\))였다. 외국 출생자가 오히려 문해율이 높았다.

왜 뒤집혔는가. 이민자는 산업화된 북부 도시에 몰렸고, 그 지역은 원래 교육 수준이 높았다. 반면 문맹률이 높은 남부 농촌에는 이민자가 적었다. 지역이 두 변수 모두의 원인인 전형적인 교란이다.

어떤 자료가 있었다면 막을 수 있었나.

첫 줄이 중요하다. 개인 수준 자료가 이미 존재했는데 집계 자료로 분석한 것이 문제였다. 집계가 계산이 쉽고 표가 작아서였다.

현대의 유사 사례.

• 지역별 백신 접종률과 자폐 진단율. 진단 인프라가 좋은 지역이 둘 다 높아 양의 상관이 나온다. 개인 수준 대규모 코호트 연구가 관계 없음을 보였다.
• 국가별 초콜릿 소비와 노벨상 수상. 부유한 나라가 둘 다 높다. 명백한 농담이지만 구조는 같다.
• 지역별 원격근무 비율과 생산성. 산업 구성이 교란한다.

교훈 셋.

• 집계 자료는 편의의 산물이지 설계의 산물이 아닌 경우가 많다. 왜 그 수준인지 물어야 한다.
• 정책 결정에 쓰일 분석일수록 수준을 명시해야 한다. 결론이 개인에 적용될 것이라면 개인 자료가 필요하다.
• 뒤집힌 사례가 알려져 있다는 사실 자체가 경고다. 로빈슨의 예는 \(70\)년이 넘었는데도 같은 실수가 반복된다.

핵심 기법은 집단 평균을 빼고 따로 넣는 것이다(집단 평균 중심화).

• \(\beta_W\): 같은 집단 안에서 \(x\)가 \(1\) 늘 때 \(y\)의 변화 — 개인 수준 효과
• \(\beta_B\): 집단 평균 \(x\)가 \(1\) 높을 때 \(y\)의 변화 — 집단 수준(맥락) 효과

import numpy as np
import pandas as pd
import statsmodels.formula.api as smf

rng = np.random.default_rng(6)
G, m = 60, 30
bw, bb = -0.5, 1.5                       # 개인 내 음, 집단 간 양
a = rng.normal(0, 1, G)
rows = []
for g in range(G):
    xg = a[g] + rng.normal(0, 1, m)
    yg = bw*(xg - xg.mean()) + bb*a[g] + rng.normal(0, 0.5, m)
    rows += [(g, xg[i], yg[i]) for i in range(m)]
df = pd.DataFrame(rows, columns=['g', 'x', 'y'])
df['xbar'] = df.groupby('g').x.transform('mean')
df['xdev'] = df.x - df.xbar

naive = smf.ols('y ~ x', df).fit()
ml = smf.mixedlm('y ~ xdev + xbar', df, groups=df.g).fit()
print(f"  단순회귀(수준 혼합) 기울기 = {naive.params['x']:+.4f}")
print(f"  다수준: beta_W = {ml.params['xdev']:+.4f}  (참 {bw})")
print(f"          beta_B = {ml.params['xbar']:+.4f}  (참 {bb})")

출력:

  단순회귀(수준 혼합) 기울기 = +0.4728
  다수준: beta_W = -0.5005  (참 -0.5)
          beta_B = +1.4639  (참 1.5)

단순회귀는 \(+0.47\)이라는 어느 쪽도 아닌 값을 준다. 두 수준의 효과가 섞여 평균된 것이다.

다수준 모형은 둘을 정확히 분리한다. \(\beta_W = -0.501\), \(\beta_B = +1.464\)로 참값을 되찾는다.

\(\beta_W \ne \beta_B\)이면 두 수준의 효과가 다르다는 뜻이고, 그것 자체가 중요한 발견이다. 이 차이를 맥락 효과라 부른다.

주의: 다수준 모형도 만능이 아니다.

• 개인 수준 자료가 있어야 한다. 집계 자료만으로는 \(\beta_W\)를 추정할 수 없다.
• \(u_g\)가 \(x\)와 무관하다는 가정이 필요하다(랜덤효과 가정). 의심되면 고정효과를 쓴다.
• 집단 수가 적으면 \(\beta_B\)의 추정이 불안정하다.

그래도 이것이 표준 도구다. 교육·보건·조직 연구에서 개인과 맥락을 함께 다루는 표준적인 틀이며, 13장 회귀의 확장으로 볼 수 있다.

읽을 때 던질 다섯 질문.

1. 분석 단위가 무엇인가?
     국가/주/학교/병원  -> 집단 수준
     사람/환자/학생      -> 개인 수준
2. 결론의 대상이 분석 단위와 같은가?
     다르면 -> 생태학적 오류(또는 개별주의 오류) 의심
3. n 이 몇인가?
     집계 자료는 n 이 작다. "r=0.9, n=12" 는 약한 증거다.
4. 집단이 어떻게 정의되었는가?
     행정구역이면 MAUP 민감성 확인
5. 개인 수준 자료가 존재하는데 쓰지 않았는가?
     존재한다면 왜 집계했는지 물어야 한다

경고 신호 넷.

좋은 논문이 하는 것.

• 분석 단위를 제목이나 초록에서 밝힌다.
• 개인 수준 결론을 명시적으로 유보한다.
• 가능하면 개인 수준 자료로 보완하거나, 왜 불가능한지 적는다.
• 구획·가중을 바꾼 민감도 분석을 싣는다.

마지막으로, 생태학적 자료가 쓸모없다는 뜻이 아니다. 12.3절에서 본 대로 집단이 관심 단위이면 오히려 옳은 자료이고, 가설을 세우는 단계에서도 유용하다. 문제는 자료가 아니라 결론이 자료를 넘어설 때 생긴다. \(\square\)