인과관계와 상관관계 차이란? 상관관계가 인과관계를 의미하지 않는 이유 쉽게 이해하기

인과관계와 상관관계 차이란? 상관관계가 인과관계를 의미하지 않는 이유 쉽게 이해하기#

아이스크림이 많이 팔리는 날에는 익사 사고도 증가한다는 데이터를 발견했다고 생각해봅시다.

그렇다면 다음과 같이 결론 내려도 될까요?

아이스크림 판매 증가
↓
익사 사고 증가

따라서
아이스크림을 많이 먹으면
익사 사고가 증가한다?

물론 아닙니다.

아이스크림이 사람을 익사하게 만드는 것이 아니라 여름이라는 또 다른 요인이 두 현상에 동시에 영향을 줄 수 있기 때문입니다.

기온 상승·여름
├─ 아이스크림 판매량 증가
└─ 물놀이 인구 증가
      ↓
   익사 사고 증가 가능

아이스크림 판매량과 익사 사고는 함께 증가하는 상관관계를 보일 수 있지만, 아이스크림 판매가 익사 사고의 직접적인 원인이라고 말할 수는 없습니다.

이 차이가 바로 데이터 분석에서 매우 중요한 상관관계 Correlation와 인과관계 Causality의 차이입니다.

ADsP 시험에서도 두 개념을 구분하는 문제가 중요하지만, 실제 데이터 분석에서도 이 차이를 잘못 이해하면 완전히 잘못된 의사결정으로 이어질 수 있습니다.

1장 인과관계와 상관관계는 무엇이 다른가#

두 개념을 가장 간단하게 표현하면 다음과 같습니다.

인과관계
→ A 때문에 B가 발생한다.

상관관계
→ A와 B가 함께 변한다.

즉 인과관계에서는 원인과 결과가 중요하고, 상관관계에서는 두 변수의 변화가 서로 관련되어 있는가가 중요합니다.

구분	인과관계	상관관계
영어	Causality	Correlation
핵심	원인과 결과	두 변수의 관련성
기본 표현	A 때문에 B가 발생	A와 B가 함께 변화
원인 확인	필요	원인이 확인되지 않을 수 있음
대표 질문	왜 발생했는가	무엇과 함께 움직이는가

한 줄로 기억하면:

인과관계
=
원인 → 결과

상관관계
=
함께 변화

입니다.

2장 인과관계 Causality란 무엇인가#

인과관계는 어떤 사건이나 변화가 다른 사건이나 변화의 원인이 되는 관계를 의미합니다.

영어로는 Causality라고 합니다.

구조는 다음과 같습니다.

원인 A
↓
결과 B

즉:

A가 발생했기 때문에 B가 발생했다.

라고 설명할 수 있는 관계입니다.

가장 쉬운 인과관계 사례#

방에 있는 전등 Switch를 켠다고 생각해봅시다.

Switch를 켠다.
↓
전기회로가 연결된다.
↓
전등이 켜진다.
↓
방이 밝아진다.

여기에서는 Switch를 켠 행동이 전등이 켜지는 결과와 직접적으로 연결됩니다.

따라서:

Switch를 켰기 때문에
방이 밝아졌다.

라는 원인과 결과 관계를 설명할 수 있습니다.

인과관계의 핵심 표현#

다음 문장이 등장하면 인과관계를 생각해볼 수 있습니다.

A 때문에 B가 발생했다.

A가 B에 영향을 주었다.

A를 변화시키면 B가 변화한다.

ADsP 시험에서는 간단하게:

인과관계
→ 원인 → 결과

로 기억하면 됩니다.

3장 상관관계 Correlation이란 무엇인가#

상관관계는 두 변수의 값이 일정한 방식으로 함께 변하는 관계를 의미합니다.

영어로는 Correlation이라고 합니다.

예를 들어 날씨가 더워지면서 아이스크림 판매량이 증가한다고 생각해봅시다.

기온 ↑
아이스크림 판매량 ↑

두 변수가 함께 증가하는 경향이 있습니다.

이런 관계를 상관관계라고 할 수 있습니다.

하지만 여기에서 중요한 것이 있습니다.

함께 변한다
≠
한쪽이 다른 쪽의 원인이다

라는 점입니다.

두 변수가 함께 움직인다고 해서 반드시 하나가 다른 하나를 발생시킨다고 결론 내릴 수는 없습니다.

초보자가 기억할 핵심#

Correlation
=
두 변수가 함께 움직이는 Pattern

입니다.

4장 상관관계가 인과관계를 의미하지 않는다는 것은 무슨 뜻인가#

데이터 분석에서 가장 중요한 문장 가운데 하나입니다.

상관관계가 있다고 해서 인과관계가 존재하는 것은 아니다.

두 변수가 함께 증가하거나 감소하는 현상을 발견했다고 해서 즉시:

A가 B를 발생시킨다.

라고 결론 내리면 안 됩니다.

왜 그런지 아이스크림 사례를 이용해 살펴보겠습니다.

5장 아이스크림 판매량과 익사 사고 사례#

여름철 데이터를 조사했더니 다음 Pattern이 발견되었다고 생각해봅시다.

아이스크림 판매량 ↑

익사 사고 ↑

두 값이 함께 증가하고 있습니다.

따라서 데이터만 보면:

아이스크림 판매량
↔
익사 사고

사이에 상관관계가 나타날 수 있습니다.

하지만 여기서:

아이스크림을 많이 먹기 때문에 익사 사고가 증가한다.

라고 결론 내리면 문제가 생깁니다.

실제 구조는 다음과 같이 생각할 수 있습니다.

여름·기온 상승
├──────────────┐
↓              ↓
아이스크림      물놀이 인구
판매 증가       증가
                 ↓
              익사 사고 증가

두 현상에 동시에 영향을 주는 다른 요인이 존재합니다.

여기에서는 여름 또는 높은 기온이 중요한 요인이 됩니다.

즉:

아이스크림 판매 증가
→ 익사 사고 발생

이라는 직접적인 인과관계가 확인된 것이 아니라:

여름
→ 아이스크림 판매량 증가

여름
→ 물놀이 증가
→ 익사 사고 증가

라고 이해해야 합니다.

6장 제3의 변수란 무엇인가#

앞선 아이스크림 사례에서 중요한 역할을 하는 것이 제3의 변수입니다.

두 변수 A와 B가 함께 움직이는 것처럼 보이지만 실제로는 또 다른 변수 C가 두 변수에 영향을 줄 수 있습니다.

구조로 보면:

입니다.

A와 B만 보면:

A ↔ B

가 관련되어 있는 것처럼 보입니다.

하지만 실제로는:

C → A
C → B

일 수 있습니다.

아이스크림 사례#

C
여름·기온

A
아이스크림 판매량

B
익사 사고

로 놓으면 이해하기 쉽습니다.

기온 상승
├─ 아이스크림 판매 증가
└─ 물놀이 활동 증가 → 익사 사고 증가

상관관계를 해석할 때는 이런 숨겨진 요인이 존재하지 않는지 확인하는 과정이 중요합니다.

7장 다른 사례로 이해하는 상관관계와 인과관계#

선풍기 판매량과 전기 사용량#

여름이 되면서:

선풍기 판매량 ↑
전력 사용량 ↑

가 동시에 나타날 수 있습니다.

그렇다고:

선풍기 판매량이 증가했기 때문에
국가 전체 전력 소비가 증가했다.

라고 단정할 수는 없습니다.

높은 기온이:

기온 상승
├─ 선풍기 구매 증가
├─ 에어컨 사용 증가
└─ 냉방 전력 사용 증가

에 동시에 영향을 줄 수 있기 때문입니다.

우산 판매량과 교통사고#

어떤 데이터에서:

우산 판매량 ↑
교통사고 ↑

가 함께 나타났다고 생각해봅시다.

우산이 교통사고를 발생시키는 것은 아닙니다.

비
├─ 우산 판매 증가
└─ 도로 미끄러움·시야 저하
      ↓
   사고 위험 증가

와 같은 제3의 요인을 생각할 수 있습니다.

8장 양의 상관관계란 무엇인가#

상관관계는 두 변수가 어떤 방향으로 움직이는지에 따라 구분할 수 있습니다.

첫 번째는 양의 상관관계 Positive Correlation입니다.

한 변수가 증가할 때 다른 변수도 증가하는 경향을 보입니다.

A ↑
B ↑

또는:

A ↓
B ↓

처럼 같은 방향으로 움직입니다.

예를 들어:

공부시간 ↑
시험점수 ↑

와 같은 Pattern이 데이터에서 나타날 수 있습니다.

다만 실제로 이런 상관관계가 관찰되더라도 그것만으로 원인과 결과가 완전히 입증되었다고 해석해서는 안 됩니다.

9장 음의 상관관계란 무엇인가#

음의 상관관계 Negative Correlation에서는 두 변수가 반대 방향으로 움직이는 경향을 보입니다.

A ↑
B ↓

예를 들어 어떤 상황에서:

상품 가격 ↑
구매량 ↓

같은 Pattern이 나타날 수 있습니다.

한 변수가 증가할 때 다른 변수가 감소하므로 음의 상관관계라고 표현할 수 있습니다.

10장 상관관계가 없다는 것은 무엇인가#

두 변수 사이에 일관된 관계가 발견되지 않는다면 상관관계가 거의 없다고 볼 수 있습니다.

A ↑

B
↑↓↑↓↓↑

일정한 Pattern 없음

따라서 상관관계는 단순히:

있다
없다

만 보는 것이 아니라:

양의 관계

음의 관계

뚜렷한 관계 없음

으로 생각할 수 있습니다.

11장 상관관계의 방향과 인과관계의 방향은 다르다#

초보자가 특히 헷갈리기 쉬운 부분입니다.

상관관계에도:

양의 상관

음의 상관

처럼 통계적인 변화 방향이 존재합니다.

하지만 이것은:

A가 B의 원인이다.

라는 인과 방향과는 다른 의미입니다.

예를 들어:

기온 ↑
아이스크림 판매 ↑

이면 양의 상관관계를 생각할 수 있습니다.

그러나 이것만으로:

아이스크림 판매가
기온을 상승시킨다.

거나:

기온 상승의 유일한 결과가
아이스크림 판매 증가다.

라고 말할 수는 없습니다.

따라서 시험자료에서 말하는:

인과관계
→ 원인 → 결과 방향 존재

상관관계
→ 원인 방향이 확인되지 않음

은 인과적 방향성을 의미한다고 이해하는 것이 정확합니다.

12장 허위상관이란 무엇인가#

두 변수가 통계적으로 관련된 것처럼 보이지만 실제로는 직접적인 의미 있는 관계가 없는 경우가 있습니다.

이를 허위상관 Spurious Correlation이라고 부릅니다.

예를 들어 우연히 긴 기간의 데이터를 비교했더니:

A 증가
B 증가

가 비슷한 Pattern을 보였다고 하겠습니다.

하지만 실제로는:

A → B

도 아니고:

B → A

도 아닐 수 있습니다.

두 변수가 우연히 비슷한 추세를 보이거나 다른 변수의 영향을 동시에 받고 있을 수도 있습니다.

따라서 데이터에서 상관관계를 발견하면 다음 질문을 해야 합니다.

정말 A가 B에 영향을 주는가?

B가 A에 영향을 주는 것은 아닌가?

두 변수에 영향을 주는 C가 있는가?

우연히 함께 움직이는 것은 아닌가?

13장 역인과관계도 생각해야 한다#

두 변수의 관계를 발견했을 때 원인과 결과를 반대로 생각할 수도 있습니다.

예를 들어:

운동량
↔
건강상태

라는 관계가 발견됐다고 생각해봅시다.

단순하게:

운동을 많이 해서 건강하다.

라고 볼 수도 있지만:

건강하기 때문에
운동을 더 많이 할 수 있다.

라는 가능성도 생각할 수 있습니다.

즉 상관관계만으로는:

A → B

B → A

C → A와 B

가운데 어떤 구조인지 확실하게 알기 어렵습니다.

이것이 상관관계를 발견했다고 바로 인과관계를 선언하면 안 되는 이유입니다.

14장 인과관계를 확인하려면 무엇이 필요한가#

상관관계를 계산하는 것만으로 인과관계를 입증하기는 어렵습니다.

인과관계를 판단하려면 여러 조건과 추가적인 검증이 필요합니다.

초보자 관점에서는 최소한 다음 질문을 생각하면 됩니다.

원인이 결과보다 먼저 발생했는가?

두 변수 사이에 실제 관련성이 있는가?

다른 원인이 결과를 설명하는 것은 아닌가?

같은 조건에서도 결과가 반복되는가?

실제 연구에서는 실험 설계, 무작위 배정, 통제집단, 통계적 통제 등 다양한 방법을 이용해 인과관계를 확인하려고 합니다.

핵심은:

Correlation 발견
↓
바로 Causality 결론
X

추가 검증
↓
Causality 판단
O

입니다.

15장 실험이 인과관계 분석에 중요한 이유#

어떤 변수의 효과를 명확하게 확인하려면 다른 조건을 가능한 한 통제한 상태에서 비교하는 것이 유용합니다.

예를 들어 새로운 광고가 구매율을 높이는지 알고 싶다고 하겠습니다.

단순히:

광고 시작 후
매출 증가

했다고 해서 광고가 매출 증가의 원인이라고 바로 단정하기 어렵습니다.

같은 시기에:

할인 행사

계절적 수요

경쟁업체 가격 인상

신제품 출시

가 있었을 수도 있기 때문입니다.

그래서 적절하게 설계된 실험에서는 조건을 비교할 수 있도록 구성합니다.

그룹 A
→ 새로운 광고 노출

그룹 B
→ 기존 조건 유지

↓

결과 비교

이런 방식은 단순한 상관관계보다 원인과 결과를 판단할 수 있는 근거를 강화합니다.

16장 데이터 분석에서 상관관계를 먼저 찾는 이유#

그렇다면 상관관계가 인과관계를 증명하지 못한다면 상관관계 분석은 의미가 없을까요?

그렇지 않습니다.

상관관계는 데이터 안에서 어떤 변수들이 함께 움직이는지 빠르게 발견하는 매우 중요한 단서입니다.

예를 들어 수백 개의 변수 가운데:

구매금액

방문횟수

체류시간

검색횟수

장바구니 상품 수

회원가입 기간

가 있다고 하겠습니다.

먼저 이 변수들이 어떻게 함께 움직이는지 살펴보면 중요한 관계를 발견할 수 있습니다.

체류시간 ↑
구매금액 ↑

방문횟수 ↑
재구매율 ↑

이러한 Pattern은 이후:

왜 이런 관계가 발생하는가?

를 조사할 출발점이 됩니다.

즉:

Correlation
→ 관계 발견

Causality
→ 관계의 원인 규명

처럼 역할을 구분해볼 수 있습니다.

17장 빅데이터 시대에는 왜 상관관계가 강조되는가#

제공된 ADsP 학습자료에서는 빅데이터 시대의 특징을 설명하면서 Why보다 What, 인과관계보다 상관관계에 주목하는 접근을 강조합니다.

대규모 데이터를 분석하면 기존에는 발견하기 어려웠던 Pattern을 빠르게 찾아낼 수 있습니다.

예를 들어 수백만 고객의 행동 데이터를 분석해:

상품 A를 보는 고객은
상품 B도 자주 본다.

라는 Pattern을 발견했다고 생각해봅시다.

이 단계에서는 반드시:

왜 그런가?

를 완전히 설명하지 못하더라도:

A와 B 행동이 함께 나타난다.

라는 관계 자체가 추천이나 분석의 단서가 될 수 있습니다.

즉 빅데이터 활용에서는:

먼저 Pattern을 발견하고
↓
필요하면 원인을 추가 분석

하는 접근이 가능합니다.

다만 상관관계가 중요하다는 것이 인과관계가 필요 없다는 뜻은 아닙니다.

정책 결정, 의료 판단, 가격 변화의 효과처럼 왜 그런 결과가 발생했는지가 중요한 문제에서는 인과관계 분석이 매우 중요합니다.

18장 머신러닝에서도 상관관계와 인과관계는 다르다#

머신러닝 Model은 반드시 원인을 이해해야만 예측하는 것은 아닙니다.

예를 들어 고객 이탈을 예측하는 Model에서:

최근 접속 감소

고객센터 문의 증가

결제횟수 감소

같은 Pattern이 이탈과 강하게 연관되어 있다면 예측에 이용할 수 있습니다.

Model의 목적이:

누가 이탈할 가능성이 높은가?

를 예측하는 것이라면 유용할 수 있습니다.

하지만:

고객센터 문의가
고객 이탈의 직접적인 원인이다.

라고 결론 내리는 것은 별도의 문제입니다.

즉:

Prediction
→ 무엇이 일어날까?

Causal Analysis
→ 왜 일어났을까?

는 서로 다른 질문이 될 수 있습니다.

19장 비즈니스 사례로 이해하는 차이#

온라인 쇼핑몰에서 다음 관계를 발견했다고 생각해봅시다.

할인쿠폰 사용 고객
→ 구매금액 높음

이 데이터만 보면:

쿠폰을 지급하면 구매금액이 증가한다.

라고 생각하기 쉽습니다.

하지만 다른 가능성도 있습니다.

원래 구매를 많이 하는 VIP 고객에게
쿠폰이 더 많이 지급되었다.

면:

VIP 고객
├─ Coupon 많이 받음
└─ 원래 구매금액도 높음

이라는 구조일 수 있습니다.

따라서:

쿠폰 사용
↔
높은 구매금액

이라는 상관관계를 발견했다고 해서:

쿠폰 지급
→
구매금액 증가

라는 인과관계가 자동으로 증명되는 것은 아닙니다.

이 차이는 실제 마케팅 의사결정에서 매우 중요합니다.

20장 개발자도 인과관계와 상관관계를 알아야 하는 이유#

개발자 역시 Monitoring 데이터를 보면서 잘못된 인과관계를 만들 수 있습니다.

예를 들어:

CPU 사용률 증가
+
API Response Time 증가

가 동시에 발생했다고 하겠습니다.

두 값에는 강한 관계가 있어 보입니다.

하지만:

CPU 사용률 증가
→ API 지연

이라고 바로 결론 내리면 안 됩니다.

실제로는:

Traffic 급증
├─ CPU 사용량 증가
└─ DB Query 증가
      ↓
   API Response Time 증가

일 수도 있습니다.

또는:

DB Lock
→ Request 적체
→ CPU 부하 증가
→ Response Time 증가

일 수도 있습니다.

따라서 Monitoring에서:

같은 시간에 증가했다.

는 장애 원인을 조사할 단서이지 곧바로 원인 확정은 아닙니다.

21장 인과관계와 상관관계를 빠르게 구분하는 질문#

문제를 읽었을 때 다음 질문을 해봅니다.

첫 번째#

A와 B가 함께 움직인다는 말인가?

그렇다면 우선 상관관계를 생각합니다.

두 번째#

A 때문에 B가 발생한다고 말하는가?

그렇다면 인과관계를 생각합니다.

세 번째#

A와 B에 동시에 영향을 주는
다른 변수 C가 있을 수 있는가?

있다면 단순 상관관계를 인과관계로 오해하고 있지 않은지 확인합니다.

네 번째#

원인과 결과의 순서가 명확한가?

인과관계에서는 원인이 결과보다 앞서야 합니다.

22장 ADsP 시험에서는 어떻게 구분하면 되는가#

시험에서는 개념 자체를 복잡하게 확장하기보다 기본 정의를 정확하게 구분하는 것이 먼저입니다.

인과관계#

원인
↓
결과

A 때문에 B가 발생

상관관계#

A와 B가 함께 변화

하지만
원인은 확정할 수 없음

제공된 학습자료의 핵심 표현으로 정리하면:

인과관계
→ "~하기 때문에 ~한다."

상관관계
→ "~와 ~가 함께 변한다."

입니다.

23장 ADsP 대표 문제: 아이스크림과 익사 사고#

시험 대비 관점에서 이 사례는 반드시 이해해두는 것이 좋습니다.

관찰#

아이스크림 판매량 ↑
익사 사고 ↑

발견할 수 있는 것#

상관관계

입니다.

잘못된 판단#

아이스크림을 많이 먹으면
익사 사고가 증가한다.

가능한 설명#

여름·높은 기온
├─ 아이스크림 판매 증가
└─ 수영·물놀이 증가
      ↓
   익사 사고 증가

따라서 핵심은:

상관관계
O

아이스크림 → 익사 인과관계
X

입니다.

24장 시험에서 자주 헷갈리는 함정#

함정 1. 상관관계가 있으면 인과관계도 있다고 생각한다#

상관관계 존재
→ 인과관계 자동 성립
X

가장 중요한 함정입니다.

함정 2. 함께 증가하면 원인과 결과라고 생각한다#

A ↑
B ↑

라고 해서:

A → B

라고 단정할 수 없습니다.

함정 3. 제3의 변수를 무시한다#

C
├─ A
└─ B

구조가 숨어 있을 수 있습니다.

함정 4. 상관관계에 방향이 전혀 없다고 오해한다#

통계적인 상관관계에는:

양의 상관관계
음의 상관관계

가 존재할 수 있습니다.

시험자료에서 인과관계에는 방향성이 있고 상관관계에는 없다고 설명하는 부분은 A가 B의 원인이라는 인과적 방향이 확인되지 않는다는 의미로 이해하는 것이 좋습니다.

25장 인과관계와 상관관계 핵심 비교표#

구분	인과관계	상관관계
영어	Causality	Correlation
핵심	원인과 결과	변수 사이의 관련성
표현	A 때문에 B	A와 B가 함께 변화
원인 확인	원인을 설명해야 함	원인을 알지 못할 수 있음
제3변수	통제가 중요	관계의 원인일 수 있음
활용	원인 규명·정책·실험	Pattern 탐색·예측의 단서
대표 사례	Switch → 전등 켜짐	아이스크림 판매 ↔ 익사 사고

가장 간단한 구분은 다음입니다.

Correlation
→ 같이 움직인다.

Causality
→ 하나가 다른 하나를 발생시킨다.

26장 시험 직전 30초 암기#

인과관계
Causality

원인 → 결과

"A 때문에 B가 발생한다."

상관관계
Correlation

A와 B가 함께 변화

하지만
원인이라고 단정할 수 없음

대표 사례:

아이스크림 판매량 ↑
익사 사고 ↑

→ 상관관계

하지만:

아이스크림
→ 익사 사고

X

실제로 고려할 수 있는 변수:

여름·기온 상승
├─ 아이스크림 판매량 ↑
└─ 물놀이 ↑
      ↓
   익사 사고 ↑

한 줄 암기:

상관관계는
인과관계를 의미하지 않는다.

인과관계와 상관관계 FAQ#

인과관계란 무엇인가#

한 사건이나 변수의 변화가 다른 사건이나 변수의 변화에 원인으로 작용하는 관계입니다.

쉽게 말해:

A 때문에 B가 발생했다.

라고 설명할 수 있는 관계입니다.

상관관계란 무엇인가#

두 변수가 일정한 Pattern으로 함께 변화하는 관계입니다.

한 변수가 증가할 때 다른 변수도 증가하거나 감소하는 등의 관계가 관찰될 수 있습니다.

인과관계와 상관관계의 가장 큰 차이는 무엇인가#

인과관계에는 원인과 결과에 대한 설명이 필요합니다.

상관관계는 두 변수가 함께 움직인다는 사실을 나타낼 뿐 그것만으로 어느 변수가 원인인지 결정하지 못합니다.

상관관계가 있으면 인과관계도 있는가#

아닙니다.

상관관계가 있다고 해서 인과관계가 자동으로 성립하는 것은 아닙니다.

두 변수에 동시에 영향을 미치는 제3의 변수가 있을 수도 있고 우연한 관계일 수도 있습니다.

아이스크림 판매량과 익사 사고는 왜 대표적인 상관관계 사례인가#

여름에는 아이스크림 판매량과 물놀이 인구가 모두 증가할 수 있습니다.

따라서 아이스크림 판매량과 익사 사고가 함께 증가할 수 있지만 아이스크림 자체가 익사 사고의 직접적인 원인이라는 의미는 아닙니다.

제3의 변수란 무엇인가#

두 변수에 동시에 영향을 미쳐 두 변수 사이에 관계가 있는 것처럼 보이게 만드는 또 다른 변수입니다.

아이스크림과 익사 사고 사례에서는 여름이나 기온을 생각할 수 있습니다.

양의 상관관계란 무엇인가#

두 변수가 같은 방향으로 변화하는 관계입니다.

A ↑
B ↑

또는:

A ↓
B ↓

와 같은 Pattern입니다.

음의 상관관계란 무엇인가#

한 변수가 증가할 때 다른 변수가 감소하는 등 반대 방향으로 움직이는 관계입니다.

A ↑
B ↓

와 같은 Pattern입니다.

상관관계에도 방향이 있는가#

양의 상관과 음의 상관이라는 통계적 변화 방향은 존재합니다.

다만 이것은 A가 B의 원인이다와 같은 인과적 방향성과는 다른 개념입니다.

허위상관이란 무엇인가#

실제로 직접적인 의미 있는 관계가 없는데도 데이터에서는 두 변수가 관련되어 있는 것처럼 나타나는 현상을 말합니다.

우연이나 제3의 변수 때문에 발생할 수 있습니다.

빅데이터에서는 왜 상관관계를 중요하게 보는가#

대규모 데이터에서는 먼저 많은 변수 사이에서 Pattern과 연관성을 찾아낼 수 있기 때문입니다.

원인을 완전히 설명하지 못하더라도 예측이나 추가 분석을 위한 중요한 단서가 될 수 있습니다.

다만 중요한 의사결정에서 인과관계가 필요한 경우에는 추가적인 검증이 필요합니다.

자기 점검#

다음 질문에 바로 답할 수 있는지 확인해봅니다.

인과관계와 상관관계의 차이를 한 문장으로 설명할 수 있는가?
A 때문에 B가 발생했다가 어느 관계인지 알고 있는가?
A와 B가 함께 증가했다만으로 인과관계를 주장하면 안 되는 이유를 설명할 수 있는가?
아이스크림 판매량과 익사 사고 사례에서 제3의 변수를 설명할 수 있는가?
양의 상관관계와 음의 상관관계를 구분할 수 있는가?
상관관계의 방향과 인과적 방향이 다른 개념이라는 것을 이해했는가?
허위상관이 무엇인지 설명할 수 있는가?
데이터에서 상관관계를 발견했을 때 원인을 추가로 검토해야 하는 이유를 알고 있는가?
Prediction과 Causal Analysis의 질문 차이를 설명할 수 있는가?
상관관계는 인과관계를 의미하지 않는다는 문장을 사례와 함께 설명할 수 있는가?

이 글을 마치며#

인과관계와 상관관계를 구분하는 가장 쉬운 방법은 함께 움직이는 것과 원인이 되는 것을 분리해서 생각하는 것입니다.

상관관계는:

A가 변할 때
B도 일정한 Pattern으로 변한다.

는 사실을 알려줍니다.

인과관계는 한 단계 더 나아가:

A의 변화가
B의 변화를 일으킨다.

는 원인과 결과의 관계를 설명합니다.

따라서 데이터 분석에서는 다음 순서를 기억하면 좋습니다.

데이터를 관찰한다.
↓
함께 움직이는 Pattern을 찾는다.
↓
상관관계를 발견한다.
↓
다른 변수의 영향을 확인한다.
↓
필요하다면 추가 검증한다.
↓
인과관계를 판단한다.

ADsP 시험에서는 더 간단하게 기억할 수 있습니다.

인과관계
→ 원인 → 결과

상관관계
→ 함께 변화
→ 원인은 아직 확정할 수 없음

그리고 가장 중요한 한 문장은 이것입니다.

상관관계가 있다고 해서
인과관계가 성립하는 것은 아니다.

이 원칙을 이해하면 ADsP 시험 문제뿐 아니라 실제 통계, 데이터 분석, 머신러닝 결과를 해석할 때도 숫자가 함께 움직인다는 이유만으로 잘못된 원인을 만들어내는 실수를 줄일 수 있습니다.

인과관계와 상관관계 차이란? 상관관계가 인과관계를 의미하지 않는 이유 쉽게 이해하기