병원에서 A 치료법이 환자 전체로는 B보다 낫다고 나왔는데, 경증·중증으로 나눠 보면 둘 다 B가 더 낫다면 어떤 치료를 고르시겠습니까? 숫자가 ‘합치면’ 뒤집히는 이 이상한 현상은 데이터 해석에서 반복해서 나타납니다. 그것이 바로 ‘심슨의 역설(Simpson’s Paradox)’입니다.

심슨의 역설이란 쉽게 말해 ‘여러 집단을 따로 보면 일정한 방향의 관계가 보이는데, 그 집단을 합치면 관계가 약해지거나 아예 반대 방향으로 뒤집히는 현상’을 의미합니다. 1951년 에드워드 심슨(Edward H. Simpson)이 정리했고, 그보다 앞선 1899년 칼 피어슨(Karl Pearson)과 1903년 우드니 율(Udny Yule)도 비슷한 사례를 언급했습니다.

본 자료에서는 심슨의 역설의 정의와 발생 원리부터 대표적인 실제 사례, 그리고 데이터를 읽을 때 빠지지 않기 위한 점검 포인트까지 쉽게 이해할 수 있도록 정리합니다.

심슨의 역설의 구조와 해석 원칙

심슨의 역설이란 무엇인가?

심슨의 역설은 단순한 계산 실수가 아닙니다. 각 집단 안에서는 A가 B보다 성공률이 높은데, 전체로 합치면 B의 성공률이 더 높게 나오는 식으로 ‘부분의 합’과 ‘전체’가 어긋날 때 성립합니다. 직관으로는 ‘각 조각에서 이기면 전체에서도 이겨야 한다’고 느끼기 쉬운데, 비율을 합치는 순간 그 직관이 깨질 수 있습니다.

왜 이런 일이 생길까요? 핵심은 집단마다 표본의 크기와 구성이 다르다는 점입니다. 예를 들어 A 치료는 중증 환자에게 많이 쓰이고, B 치료는 경증 환자에게 많이 쓰였다면, A의 전체 성공률은 중증 비율에 끌려 내려가고 B는 경증 비율에 끌려 올라갑니다. 집단별로는 A가 이겨도, 합치면 B가 이기는 그림이 됩니다.

• 부분 추세(Within-group trend): 각 하위 집단 안에서 보이는 관계의 방향입니다.
• 전체 추세(Aggregate trend): 하위 집단을 합친 뒤 보이는 관계의 방향입니다.
• 역설(Paradox): 두 방향이 서로 어긋나거나 반대가 되는 상태입니다.

왜 숫자가 뒤집히는가: 교란 변수의 역할

통계학에서는 이 현상의 배후에 ‘교란 변수(Confounding Variable)’ 또는 ‘잠복 변수(Lurking Variable)’가 있다고 봅니다. 관심 있는 두 변수 사이의 관계를, 제3의 변수가 동시에 흔들어 놓는 경우입니다.

(1) 집단 크기의 불균형
한 집단에 표본이 몰리면 그 집단의 결과가 전체에 과도하게 반영됩니다. 작은 집단에서 뚜렷한 효과가 있어도, 큰 집단의 반대 효과가 합계를 좌우할 수 있습니다.

(2) 처치와 조건의 동시 변화
치료가 어렵고 쉬운 환자에게 무작위로 배정되지 않으면, ‘치료법의 효과’와 ‘환자 상태’가 뒤섞입니다. 이때 합산 표만 보면 마치 치료법 자체가 나쁘거나 좋은 것처럼 오해하기 쉽습니다.

(3) 비율의 가중 평균
성공률은 단순 평균이 아니라 인원 수로 가중된 평균입니다. 가중치가 집단마다 다르면, 각 집단의 승패와 전체 승패가 달라질 수 있습니다.

쉽게 말해, 심슨의 역설은 ‘어떤 층으로 나누어 보느냐’가 결론을 바꿀 수 있음을 보여 주는 경고등입니다.

쉬운 사례로 보는 심슨의 역설

가장 자주 인용되는 사례 중 하나는 신장 결석 치료 비교입니다. 외과적 치료와 비외과적 치료를 전체로만 보면 한쪽이 우세해 보이지만, 결석이 작은 경우와 큰 경우로 나누면 우세 쪽이 뒤집히는 패턴이 보고되었습니다. ‘누구에게, 어떤 조건에서’를 빼면 치료 성적표가 왜곡됩니다.

야구 타율도 비슷한 구조로 설명됩니다. 선수 A가 전반기와 후반기 각각에서 선수 B보다 타율이 높았는데, 시즌 전체로 합치면 B의 타율이 더 높은 경우가 있습니다. 출전 이닝·타석 수가 시기마다 크게 다르기 때문입니다. 즉 ‘시기별 승자’와 ‘시즌 승자’가 달라질 수 있다는 뜻이며, 이는 성적표를 한 줄로만 읽을 때 생기는 착시를 잘 보여 줍니다.

대학교 입학 합격률 논쟁에서도 비슷한 논리가 쓰입니다. 전체 합격률만 보면 성별 격차가 커 보이지만, 학과별로 나누면 격차가 사라지거나 줄어드는 경우가 있습니다. 이때 핵심은 ‘차별이 없다’는 결론을 바로 내리는 것이 아니라, 어떤 층(학과·지원 규모·경쟁률)이 전체를 지배했는지 묻는 일입니다.

[사례 포인트]

• 합계 표만 믿지 말고, 의미 있는 하위 집단으로 다시 쪼갭니다.
• 하위 집단의 크기(가중치)를 함께 적습니다.
• ‘왜 그 집단에 사람이 몰렸는가’를 따로 설명합니다.

데이터를 읽을 때 빠지지 않는 4가지 습관

심슨의 역설을 완전히 ‘없애는’ 공식은 없습니다. 대신 해석 습관을 바꾸면 함정에 빠질 확률을 크게 줄일 수 있습니다.

(1) 먼저 층을 정합니다
성별, 연령, 중증도, 지역, 제품군처럼 결과에 영향을 줄 수 있는 변수를 미리 적어 두고, 합계와 층별 표를 나란히 봅니다.

(2) 비율과 인원을 함께 봅니다
성공률 80%라도 표본이 5명이면 의미가 다릅니다. 분모(시도 횟수·인원)를 숨긴 차트는 의심합니다.

(3) 인과와 상관을 분리합니다
합산 결과가 뒤집혔다고 해서 곧바로 ‘원인’을 단정하지 않습니다. 실험 설계나 무작위 배정이 있었는지부터 확인합니다.

(4) 결론의 단위를 밝힙니다
‘전체 환자 기준’인지 ‘중증 환자 기준’인지 문장에 명시합니다. 같은 데이터라도 기준 집단이 바뀌면 권고가 달라질 수 있습니다.

뉴스의 여론조사, 병원 성적표, 앱의 A/B 테스트, 학교 입시 통계처럼 비율이 등장하는 자리마다 심슨의 역설은 모습을 드러낼 수 있습니다. 합계가 편할수록, 한 번 더 쪼개 보는 태도가 필요합니다. 화려한 인포그래픽일수록 분모와 층이 숨겨져 있는 경우가 많으니, ‘이 숫자의 단위는 무엇인가’를 먼저 확인하는 습관이 도움이 됩니다.

합계 숫자 앞에서 멈추지 않고 ‘어떤 층이 이 숫자를 만들었는지’를 묻는 것, 그것이 통계적 사고의 첫걸음입니다.