버크슨의 역설

버크슨의 원래 논증

버크슨(1946)은 병원 입원 환자 자료로 두 질환의 연관성을 분석하면 잘못된 결론이 나올 수 있다고 지적했어요. 어떤 질환이든 하나만 있어도 입원하게 되므로, 입원 환자 집단에서는 한 질환이 없는 사람일수록 다른 질환이 있을 가능성이 높아져요. 그 결과 일반 인구에서는 서로 독립인 두 질환이 병원 표본에서는 음의 상관을 보이게 돼요. 로버츠 등(1978)은 실제 지역사회 표본과 병원 표본을 비교해 이 편향을 경험적으로 확인했고, 새킷(1979)은 이를 연구 설계에서 생기는 편향 목록에 정리했어요.

충돌 변수와 인과 그래프

펄(2009)의 인과 그래프 틀에서는 이 현상을 충돌 변수에 대한 조건화로 설명해요. 두 원인이 공통으로 영향을 주는 변수, 즉 화살표가 부딪히는 변수를 고정하거나 그 값으로 표본을 고르면, 원래 독립이던 두 원인 사이에 가짜 연관이 생겨요. 그린랜드, 펄, 로빈스(1999)는 이 그래프 도구를 연구 설계에 도입했고, 에르난, 에르난데스디아스, 로빈스(2004)는 선택 편향 전반을 이 구조로 통합했어요. 엘워트와 윈십(2014)은 사회학 연구에서 내생적 선택 편향의 사례를 체계적으로 정리했어요. 경제학에서는 헤크먼(1979)이 임금이 관찰되는 취업자만으로 임금 방정식을 추정할 때의 표본 선택 편향을 정식화했는데, 이것도 같은 계열의 문제예요. 심슨의 역설이 집단을 나누거나 합칠 때 생기는 착시라면, 버크슨의 역설은 표본에 들어오는 방식이 만드는 착시예요.

일상과 데이터 과학의 사례

펄과 매켄지(2018)와 엘렌버그(2014)는 일상의 예로 이를 설명했어요. 예컨대 어떤 사람이 외모나 성격 중 하나라도 일정 수준 이상인 사람과만 데이트한다면, 그가 만난 사람들 사이에서는 외모가 뛰어날수록 성격은 덜 좋아 보이는 음의 상관이 나타날 수 있어요. 입시에서 성적과 다른 역량 중 하나로 선발된 학생 집단, 흥행작만 기억되는 영화 비평에서도 비슷한 패턴이 나타나요. 무나포 등(2018)은 대규모 바이오뱅크 자료처럼 참여 자체가 선택되는 데이터에서 이 편향이 연구 결론을 크게 바꿀 수 있다고 경고했고, 그리피스 등(2020)은 검사를 받은 사람만 분석한 감염병 연구에서 충돌 변수 편향이 위험 요인 추정을 왜곡할 수 있음을 보였어요. 생존자 편향과 함께 관찰 자료 분석에서 가장 흔한 함정 중 하나예요.

자주 묻는 질문

버크슨의 역설을 쉽게 설명하면?

원래 아무 관계가 없는 두 가지 특징이라도, 둘 중 하나가 있어야 뽑히는 집단만 보면 하나가 강할수록 다른 하나가 약해 보이는 착시가 생기는 현상이에요.

심슨의 역설과는 어떻게 다른가요?

심슨의 역설은 자료를 하위 집단으로 나눌 때와 합칠 때 관계의 방향이 바뀌는 현상이고, 버크슨의 역설은 표본이 선택되는 방식 때문에 없던 상관이 생겨나는 현상이에요.

출처 검토일: 2026-10-26

참고문헌

1. Berkson, J. (1946). Limitations of the application of fourfold table analysis to hospital data. Biometrics Bulletin, 2(3), 47–53.
2. Roberts, R. S., Spitzer, W. O., Delmore, T., & Sackett, D. L. (1978). An empirical demonstration of Berkson's bias. Journal of Chronic Diseases, 31(2), 119–128.
3. Sackett, D. L. (1979). Bias in analytic research. Journal of Chronic Diseases, 32(1–2), 51–63.
4. Pearl, J. (2009). Causality: Models, Reasoning, and Inference (2nd ed.). Cambridge: Cambridge University Press.
5. Pearl, J., & Mackenzie, D. (2018). The Book of Why: The New Science of Cause and Effect. New York: Basic Books.
6. Hernán, M. A., Hernández-Díaz, S., & Robins, J. M. (2004). A structural approach to selection bias. Epidemiology, 15(5), 615–625.
7. Greenland, S., Pearl, J., & Robins, J. M. (1999). Causal diagrams for epidemiologic research. Epidemiology, 10(1), 37–48.
8. Elwert, F., & Winship, C. (2014). Endogenous selection bias: The problem of conditioning on a collider variable. Annual Review of Sociology, 40, 31–53.
9. Heckman, J. J. (1979). Sample selection bias as a specification error. Econometrica, 47(1), 153–161.
10. Griffith, G. J., et al. (2020). Collider bias undermines our understanding of COVID-19 disease risk and severity. Nature Communications, 11, 5749.
11. Munafò, M. R., Tilling, K., Taylor, A. E., Evans, D. M., & Davey Smith, G. (2018). Collider scope: When selection bias can substantially influence observed associations. International Journal of Epidemiology, 47(1), 226–235.
12. Ellenberg, J. (2014). How Not to Be Wrong: The Power of Mathematical Thinking. New York: Penguin Press.
13. Snoep, J. D., Morabito, M., Bernardi, M., et al. (2014). Commentary: A structural approach to Berkson's fallacy and a guide to a history of opinions about it. International Journal of Epidemiology, 43(2), 515–521.