심슨의 역설(Simpson's Paradox) 집계 오류 시뮬레이터
소그룹별로는 A가 B보다 높은 성과를 내는데, 전체 데이터를 합산하면 B가 역전하는 통계 착시를 3초 만에 검증하고 시뮬레이션합니다.
통계학의 치명적 착시: 심슨의 역설(Simpson's Paradox)이란?
데이터를 세부 소그룹(Subgroup 1, Subgroup 2)으로 쪼개서 볼 때는 모든 그룹에서 A가 B보다 승률/성공률이 높지만, 가중치(시도 수) 불균형 및 교란변수로 인해 전체 합산 결과를 비교하면 오히려 B가 A보다 높은 성공률을 보이는 통계학적 왜곡 현상입니다.
전체 성공률 공식 (가중평균) = (그룹1 성공 + 그룹2 성공) / (그룹1 시도 + 그룹2 시도)
본 시뮬레이터는 3초 만에 데이터 가중치 조절을 통해 착시 현상이 나타나는 원인과 표준화율 해법을 정밀하게 제시합니다.
📌 [소그룹 1] 난이도 높음 / 고난도 조건
대안 A (신치료법 / A군)
78.0%
대안 B (구치료법 / B군)
71.4%
📌 [소그룹 2] 난이도 낮음 / 표준 조건
대안 A (신치료법 / A군)
93.3%
대안 B (구치료법 / B군)
87.0%
🔴 심슨의 역설 활성화
가중평균 왜곡 심각
전체 합산 단순 성공률 (대안 A vs 대안 B)
A: 80.7% vs B: 83.4%
소그룹은 A 승리 ➔ 전체 합산은 B 역전 승리!
📊 통계 착시 왜곡 지수 (Paradox Distortion Index)
위험 단계 (85점)
0 (정상 일치)
25 (약한 차이)
50 (경계)
100 (극심한 착시)
A는 고난도 그룹1에 시도(350건)가 몰렸고, B는 쉬운 그룹2에 시도(270건)가 몰렸습니다. 이로 인해 전체 단순 합산 시 가중치 왜곡이 발생하여, 세부 승자 A가 전체 패자로 둔갑했습니다.
소그룹 1 승자
대안 A (78.0%)
소그룹 2 승자
대안 A (93.3%)
전체 합산 승자
대안 B (83.4%)
직접 표준화율 (보정)
A: 85.7% vs B: 79.2%
소그룹 1
고난도 / 대형 결석
성공률 우세
A 승리 (+6.6%p)
소그룹 2
표준 / 소형 결석
성공률 우세
A 승리 (+6.3%p)
전체 합산
단순 가중합산 착시
단순 합산 결과
B 역전 (+2.7%p)
왜 이런 현상이 일어나는가? (원인 분석)
- 샘플 가중치 쏠림: 대안 A는 성공하기 힘든 소그룹 1(350건)에 시도가 82% 집중되었습니다.
- 쉬운 그룹 몰림: 대안 B는 성공하기 쉬운 소그룹 2(270건)에 시도가 77% 집중되었습니다.
- 가중평균의 함정: 소그룹별 실력이 뛰어난 A라도, 난이도가 높은 그룹에 대다수 시도가 몰리면 전체 합산 성공률이 깎입니다.
올바른 의사결정 해법 (표준화 기법)
- 직접 표준화율(Direct Standardization) 적용: 소그룹별 시도 비중을 50:50으로 통제하면 보정 성공률은 A(85.7%) > B(79.2%)로 본래 실력이 회복됩니다.
- 조건부 통계 확인: 전체 합산 수치에 속지 말고, 반드시 세부 조건별 승률을 나누어 판단해야 합니다.
📋 집계 데이터 상세 비교표 (A vs B)
| 구분 | A 성공/전체 | A 성공률 | B 성공/전체 | B 성공률 | 우세 대안 |
|---|---|---|---|---|---|
| 소그룹 1 (고난도) | 273 / 350 | 78.0% | 57 / 80 | 71.4% | 🟢 대안 A (+6.6%p) |
| 소그룹 2 (표준) | 70 / 75 | 93.3% | 235 / 270 | 87.0% | 🟢 대안 A (+6.3%p) |
| 전체 단순 합산 | 343 / 425 | 80.7% | 292 / 350 | 83.4% | 🚨 대안 B 역전 (+2.7%p) |
| 직접 표준화율 (보정) | - | 85.7% | - | 79.2% | 🟢 대안 A 보정 승리 |
💡 자주 묻는 질문 (FAQ)
Q 심슨의 역설(Simpson's Paradox)이란 무엇인가요?
각 세부 그룹(소그룹)별로 비교했을 때는 A의 성공률(승률)이 B보다 모두 높은데, 모든 그룹의 데이터를 단순 합산하여 전체 통계를 내면 오히려 B의 성공률이 더 높아지는 통계학적 착시 현상입니다.
Q 왜 이런 통계적 모순과 착시가 발생하나요?
그룹 간 샘플 가중치(시도 횟수의 가중 비율)와 교란변수(Confounding Variable) 때문입니다. 한 그룹이 성공률이 매우 낮거나 높은 난이도(Subgroup)에 훨씬 더 많은 샘플을 몰아서 배치했을 때, 가중평균 산출 과정에서 전체 합산 결과가 왜곡됩니다.
Q 심슨의 역설을 해결하고 정확한 통계를 보려면 어떻게 해야 하나요?
단순합산 데이터만 보고 결론을 내리지 말고, 가중치 불균형을 제거하는 직접 표준화율(Direct Standardization) 기법을 적용하거나 세부 세그먼트별 조건부 승률을 독립적으로 분석해야 합니다.
Q 유명한 실생활 심슨의 역설 사례는 무엇이 있나요?
1973년 UC 버클리 대학원의 입학 합격률 성차별 논란(학과별 합격률은 여성이 높거나 비슷했으나, 여성 지원자가 합격률이 낮은 난이도 학과에 몰려 전체 합격률이 낮게 측정됨)과 야구 선수 데릭 지터 및 데이비드 저스티스의 1995-1996 시즌 연속 타율 사례가 대표적입니다.