제26장 계량경제학의 기초

지금까지 스물다섯 개 장은 모두 「이런 원리로 이렇게 될 것이다」라는 이론이었다. 이제 마지막 질문이 남았다 — 그 이론이 정말 맞는가? 계량경제학의 본질은 단순하다: 「숫자로 세상을 확인하는 법」이다. 특히 「상관은 인과가 아니다」라는, 데이터 시대를 사는 모든 사람이 반드시 알아야 할 통찰이 이 장의 심장이다.

학습 목표

이론을 데이터로 검증하는 계량의 역할을 설명할 수 있다.
상관관계의 뜻과 한계를 설명할 수 있다.
「상관≠인과」의 세 원인(교란·역인과·우연)을 구분할 수 있다.
회귀 결과표(계수·유의성)를 읽고 해석할 수 있다.
자연실험 등 인과추론 설계의 타당성을 판단할 수 있다.

이 장의 지도

26.1

왜 계량인가 — 이론에서 검증으로

교재 381 – 382쪽

경제학은 이론과 실증, 두 다리로 걷는다.

정리

제2장에서 실증경제학(~이다)과 규범경제학(~해야 한다)을 구분했다. 계량경제학은 바로 이 실증 영역의 최전선이다. 왜 검증이 필요할까 — 그럴듯한 이론이 데이터 앞에서 틀리는 일이 많기 때문이다. 예를 들어 「최저임금을 올리면 고용이 준다」는 것은 수요·공급 이론(제3장)의 자연스러운 예측이지만, 뒤에서 볼 실제 연구는 이 예측이 늘 성립하지는 않음을 보여 준다.

이론은 「어떻게 될지」를 말한다
계량은 데이터로 「정말 그런지 · 얼마나 그런지」를 답한다

용어

계량경제학計量經濟學 econometrics경제 이론의 주장을 실제 데이터로 검증하고 관계의 크기를 측정하는 학문. 실증경제학의 핵심 도구

데이터資料 data세상에서 관찰해 숫자로 기록한 것 — 소득·매출·GDP·물가·실업률 등

더 보기 — ★ 이 학문에 이름을 붙인 사람들 — 프리슈와 하벨모

경제학이 데이터를 다룬 역사는 길지만, 그것이 하나의 학문으로 이름을 얻은 것은 백 년이 채 되지 않았습니다.

누구	무엇을
라그나르 프리슈 1895~1973 · 노르웨이	1926년 경제학·통계학·수학을 한데 묶은 연구를 가리켜 「계량경제학(econometrics)」이라는 말을 만들어 썼다. 1933년에는 학술지 『Econometrica』를 창간해 흩어져 있던 연구자들을 한자리에 모았다. 1969년 노벨경제학상이 처음 만들어졌을 때 첫 수상자(얀 틴베르헌과 공동)
트뤼그베 하벨모 1911~1999 · 프리슈의 제자	초기 계량경제학에는 큰 고민이 하나 있었다 — 경제 데이터는 실험실에서 얻은 것이 아니고 같은 조건을 다시 만들어 확인할 수도 없는데, 그런 자료로 얻은 숫자를 어떻게 믿느냐는 물음이었다. 1944년 그는 경제 데이터를 「확률적으로 흔들리는 값」으로 다루자고 제안했다 — 관측된 숫자를 정답으로 여기지 말고, 참값 주변에서 흔들리는 하나의 표본으로 보자는 것. 1989년 노벨경제학상

누구

무엇을

라그나르 프리슈
1895~1973 · 노르웨이

1926년 경제학·통계학·수학을 한데 묶은 연구를 가리켜 「계량경제학(econometrics)」이라는 말을 만들어 썼다. 1933년에는 학술지 『Econometrica』를 창간해 흩어져 있던 연구자들을 한자리에 모았다. 1969년 노벨경제학상이 처음 만들어졌을 때 첫 수상자(얀 틴베르헌과 공동)

트뤼그베 하벨모
1911~1999 · 프리슈의 제자

초기 계량경제학에는 큰 고민이 하나 있었다 — 경제 데이터는 실험실에서 얻은 것이 아니고 같은 조건을 다시 만들어 확인할 수도 없는데, 그런 자료로 얻은 숫자를 어떻게 믿느냐는 물음이었다.

1944년 그는 경제 데이터를 「확률적으로 흔들리는 값」으로 다루자고 제안했다 — 관측된 숫자를 정답으로 여기지 말고, 참값 주변에서 흔들리는 하나의 표본으로 보자는 것. 1989년 노벨경제학상

이 발상 덕분에 계량경제학은 「얼마인가」만이 아니라 「얼마나 믿을 만한가」까지 말할 수 있게 되었습니다 — 앞으로 우리가 볼 표준오차와 p값이 모두 그의 제안 위에 서 있습니다.

자가진단

계량경제학이 답하는 것은?

26.2

상관관계 — 함께 움직이는가

교재 382 – 383쪽

두 변수가 함께 움직이는 정도를 −1에서 +1 사이의 한 숫자로 요약한다.

정리

상관의 세 모습	점들이	예
양(+)의 상관	오른쪽 위로 올라간다 — 한쪽이 늘면 다른 쪽도 는다	공부 시간과 성적
음(−)의 상관	오른쪽 아래로 내려간다 — 하나가 늘면 다른 하나는 준다	가격과 판매량(제3장 수요곡선)
상관 없음	아무 방향 없이 흩어져 있다

눈으로 확인하는 가장 좋은 방법이 산점도 — 두 변수를 가로·세로축에 놓고 점을 찍는 그림이다.

상관계수 — −1 ~ +1
+1에 가까울수록 강한 양의 상관 · −1에 가까울수록 강한 음의 상관 · 0에 가까울수록 약한 관계
예: 상관계수 0.9는 「거의 나란히 함께 움직인다」

용어

상관관계相關關係 correlation두 변수가 함께 움직이는 경향

상관계수相關係數 correlation coefficient두 변수가 함께 움직이는 방향과 세기를 −1~+1의 한 숫자로 요약한 값

산점도散點圖 scatter plot두 변수를 가로·세로축에 놓고 관측치를 점으로 찍은 그림

**[그림 26-1]** 상관의 세 모습. 점들이 오른쪽 위로 올라가면 양(+)의 상관, 오른쪽 아래로 내려가면 음(−)의 상관, 아무 방향이 없으면 상관 없음이다.

자가진단

상관계수가 −0.9라는 것은?

26.3

상관 ≠ 인과 — 데이터가 놓는 가장 큰 함정

교재 383 – 384쪽

이 장의 심장이다. 함께 움직인다고 원인인 것은 결코 아니다.

정리

여름이면 아이스크림이 많이 팔리고, 동시에 물놀이 사고도 늘어난다. 데이터만 보면 둘은 뚜렷한 양의 상관을 보인다. 그렇다고 「아이스크림을 먹으면 익사한다」고 결론 내리면 큰일이다 — 진짜 원인은 「여름 더위」다. 더우니 아이스크림도 팔리고, 더우니 물놀이도 많아져 사고도 는다. 이렇게 두 변수 뒤에 숨어 둘 다에 영향을 주는 제3의 변수를 「교란변수」, 이런 가짜 관계를 「허위상관」이라 한다.

★ 함께 움직여도 원인이 아닌 세 경우	무엇	예
① 교란변수(숨은 제3의 원인)	둘 다에 영향을 주는 숨은 원인이 따로 있어 겉보기에만 함께 움직인다	아이스크림·익사 ← 여름 더위
② 역인과(원인과 결과가 거꾸로)	화살표의 방향이 뒤집힌 경우	「경찰이 많은 동네에 범죄가 많다」 → 경찰이 범죄를 부르는 게 아니라, 범죄가 많으니 경찰을 배치한 것
③ 우연(아무 관계없이 겹침)	데이터를 많이 뒤지다 보면 우연히 나란히 움직이는 짝이 반드시 나온다	「어떤 배우의 출연 영화 편수」와 「수영장 익사자 수」가 몇 년간 거의 똑같이 움직인 통계도 있다

세 경우 모두 겉으로는 똑같이 「상관」으로 보이지만, 어느 것도 「A가 B의 원인」은 아니다.

숨은 제3의 원인은 없나?교란

방향이 거꾸로는 아닌가?역인과

그냥 우연은 아닌가?우연

이 세 관문을 통과해야 비로소 인과를 의심해 볼 수 있다. 왜 그토록 중요할까 — 상관을 인과로 착각하면 잘못된 결정을 내리기 때문이다. 기업이 「광고를 늘린 달에 매출이 올랐다」며 광고를 늘렸다가 사실은 명절 특수(교란변수) 때문이었다면 돈만 날린다. 이 눈은 전공자의 전문 기술이라기보다, 광고와 기사와 정책 발표를 날마다 마주하는 사람이라면 누구에게나 필요한 방어 수단에 가깝다.

용어

교란변수攪亂變數 confounding variable두 변수 뒤에 숨어 둘 다에 영향을 주는 제3의 변수

허위상관虛僞相關 spurious correlation실제로는 인과가 아닌데 겉보기에만 나타나는 상관

역인과逆因果 reverse causality원인과 결과의 방향이 실제와 반대인 경우

**[그림 26-2]** 교란변수의 함정. 아이스크림 판매와 익사 사고는 함께 늘지만(겉보기 상관), 서로 원인이 아니다. 둘 다 「여름 더위(기온)」라는 숨은 제3의 변수가 끌어올린 것이다. 기온을 통제하면 둘의 상관은 사라진다.

**[그림 26-3]** 허위상관. 서로 아무 관계가 없는 두 변수라도 우연이나 공통된 시간 추세(둘 다 세월과 함께 그냥 늘어남) 때문에 그래프에서는 거의 똑같이 움직이는 것처럼 보일 수 있다.

자가진단

「경찰이 많은 동네에 범죄가 많다」는 데이터의 함정은?

26.4

회귀분석 — 관계를 하나의 선으로

교재 385 – 386쪽

흩어진 점들을 가장 잘 지나가는 직선 하나를 긋는 것 — 아이디어는 놀랍도록 단순하다.

정리

상관관계가 「함께 움직이는가」를 봤다면, 회귀분석은 한 걸음 나아가 「얼마나, 어떻게 움직이는가」를 잰다.

회귀분석의 요소	무엇
회귀선	점들을 관통하는 직선 — 두 변수의 관계를 가장 잘 요약한 선
잔차	각 점에서 직선까지의 세로 거리
최소제곱법	잔차(를 제곱한 값)의 합이 가장 작아지는 선을 고르는 방법 — 쉽게 말해 「점들에서 벗어난 정도가 전체적으로 가장 적은 선」
기울기 ★	「X가 1만큼 늘 때 Y가 평균적으로 얼마나 변하는가」. 공부 시간과 성적의 기울기가 5라면 「1시간 더 하면 평균 5점 오른다」

관계의 방향뿐 아니라 「크기」를 구체적인 숫자로 알려 주기 때문에, 경제학·경영학·사회과학 전반에서 가장 널리 쓰이는 분석 도구다.

★ 현실의 결과는 원인 하나로만 정해지지 않는다. 성적은 공부 시간뿐 아니라 수면·환경·재능 등 여러 요인에 좌우된다. 그래서 실제 연구는 여러 원인을 동시에 넣는 다중회귀분석을 쓴다. 큰 장점은 다른 요인들을 「고정해 놓고」 관심 있는 한 변수의 순수한 효과를 떼어 볼 수 있다는 것 — 앞 절에서 본 교란변수를 통제하는 한 방법이다.

용어

회귀분석回歸分析 regression여러 데이터 점을 가장 잘 대표하는 직선을 찾아 두 변수의 관계를 수량화하는 방법

잔차殘差 residual실제 관측치와 회귀선 사이의 세로 거리

최소제곱법最小自乘法 least squares잔차의 제곱합을 최소화해 회귀선을 정하는 방법

다중회귀분석多重回歸分析 multiple regression여러 원인 변수를 동시에 넣어, 다른 요인을 고정한 채 한 변수의 순수 효과를 재는 방법

**[그림 26-4]** 회귀분석. 파란 점 하나하나가 실제 관측치이고, 이를 관통하는 붉은 직선이 회귀선이다. 점과 선의 세로 거리가 잔차이며, 이 잔차(를 제곱한 값)의 합이 가장 작아지는 선이 「가장 잘 맞는」 회귀선이다. 기울기가 곧 「교육 1년의 효과」다.

자가진단

회귀선의 기울기가 5라는 것은?

26.5

회귀 결과표 읽기 — 계량 보고서의 언어

교재 386 – 391쪽

표는 사실 「문장을 압축해 놓은 것」이다. 압축을 푸는 방법만 알면 된다.

정리

우리가 만들 문장은 이것이다 — 「다른 조건이 같을 때 학교를 1년 더 다니면 시간당 임금이 평균 8.2% 높다. 이것이 우연일 가능성은 0.1%도 되지 않는다.」 이 한 문장이 표의 어느 칸에서 나오는지 따라가 보자.

표를 문장으로 — 다섯 걸음	어디를 보나	무엇을 얻나
① 무엇을 설명하나	표 맨 위 「종속변수 = ln(시간당 임금)」	이름에 ln이 붙어 있는 것은 나중에 중요하게 쓰일 신호
② 얼마나	교육연수 줄의 첫 숫자 0.082 = 계수	「원인이 1 늘 때 결과가 평균 얼마나 변하는가」. 부호가 플러스이니 방향은 「올린다」
③ 단위는	아까 기억해 둔 ln	종속변수에 로그가 씌워져 있으면 계수는 금액이 아니라 퍼센트로 읽는다 → 0.082 = 8.2%
④ 「다른 조건이 같을 때」는 어디서	표에 경력·성별이 함께 들어 있다	회귀는 여러 원인을 한꺼번에 넣고 나머지를 붙들어 둔 채 하나씩의 몫을 갈라낸다 — 0.082는 「경력이 같은 사람들끼리 비교했을 때 교육 1년의 값」
⑤ 믿어도 되나	표준오차 0.011 → t값 7.5 → 별표 ***	「우연일 확률이 0.1%도 되지 않는다」

이렇게 해서 문장이 완성된다.

★ 다 잊어도 이 세 걸음만	무엇을 묻나	어디를 보나	어떻게 판단하나
1	믿을 수 있는 숫자인가	p값과 별표	별이 붙은 줄만 골라 해석한다
2	어느 쪽으로 얼마나	계수	부호가 방향, 숫자가 크기. ln이 붙었으면 ×100으로 퍼센트, 더미면 두 집단의 차이
3	이 모형을 얼마나 믿나	R²와 N	설명력과 표본 크기. R²가 높다고 인과인 것은 아니다

★ 순서가 뒤바뀌었다는 점이 눈여겨볼 대목이다 — 우리는 계수부터 시작했지만 실전에서는 별표를 먼저 본다. 믿을 수 없는 숫자를 붙들고 해석하느라 시간을 쓸 이유가 없기 때문이다.

★ 다만 한 가지만 조심하라. 별이 없는 줄을 「효과가 없다」로 읽으면 안 된다. 정확히는 「이 자료만으로는 효과가 있다고 말하기 어렵다」이다 — 표본이 작거나 측정이 거칠어서 신호가 묻혔을 수도 있다. 「없다는 증거」와 「있다는 증거가 없다」는 것은 다른 이야기다.

용어

계수係數 coefficient변수 하나의 효과 크기(회귀선의 기울기). 원인이 1 늘 때 결과가 평균 얼마나 변하는가

표준오차標準誤差 standard error같은 조사를 다시 하면 그 값이 얼마나 흔들릴지의 폭

t값— t-statistic계수 ÷ 표준오차. 「신호 대 잡음비」에 해당하며 보통 2를 넘으면 믿을 만하다고 본다

p값— p-value효과가 없는데도 우연히 이 정도 결과가 나올 확률. 작을수록 통계적으로 유의

더미변수— dummy variable남녀처럼 숫자로 잴 수 없는 것을 0과 1로 바꿔 넣은 변수. 계수는 두 집단의 차이로 읽는다

R²(결정계수)決定係數 R-squared원인들이 결과의 변동을 몇 %나 설명하는지를 0~1로 나타낸 값

고정효과(FE)固定效果 fixed effect특정 요인(기업·연도·직급 등)을 붙들어 두고 비교했다는 표시

**[그림 26-5]** 회귀 결과표 해부. 종속변수는 ln(시간당 임금)이다. 각 행은 원인 변수(교육·경력·여성 여부), 각 열은 계수·표준오차·t값·p값이다. 교육연수의 계수 0.082는 「다른 조건이 같을 때 교육 1년이 늘면 임금이 약 8.2% 높다」는 뜻이다.

더 보기 — ★ 왜 금액이 아니라 퍼센트인가

연봉 3천만 원인 사람과 3억 원인 사람에게 똑같이 300만 원씩 올려 준다고 해 봅시다.

금액은 같지만 한 사람에게는 10%이고 다른 사람에게는 1%입니다. 같은 300만 원이 전혀 다른 이야기가 되지요.

임금·소득·GDP·주가처럼 크기가 제각각인 값을 다룰 때는 「얼마 늘었나」보다 「몇 % 늘었나」가 훨씬 공정한 잣대입니다. 그래서 경제학은 이런 변수에 로그를 씌우고, 그 덕분에 계수가 자동으로 퍼센트가 됩니다.

보고서에서 변수 이름에 ln이나 log가 보이면 「아, 퍼센트로 읽으라는 뜻이구나」 하면 됩니다.

더 보기 — ★ t값이 왜 하필 2인가 — 그리고 p값이 유독 헷갈리는 이유

효과는 8.2%인데 흔들림(표준오차)은 1.1%p입니다. 이 비교를 숫자 하나로 만든 것이 t값 = 계수 ÷ 표준오차 = 0.082 ÷ 0.011 ≈ 7.5입니다.

소리에 비유하면 「신호 대 잡음비」입니다. 잡음이 섞여 있어도 신호가 그 7.5배로 크다면 우리가 들은 것이 잡음이었을 리는 없습니다.

왜 하필 2일까요? 추정값은 참값 주변에서 종 모양으로 흩어지는데, 그 흩어짐의 약 95%가 「참값 ± 2 표준오차」 안에 들어옵니다. 뒤집어 보면 진짜 효과가 0인데도 우리가 잰 값이 0에서 2 표준오차보다 멀리 나오는 일은 스무 번에 한 번도 일어나지 않는다는 뜻입니다 — 「t가 2를 넘는다」와 「우연일 확률이 5%도 안 된다」는 결국 같은 말이지요.

그 확률을 아예 계산해 적어 둔 것이 p값이고, 별표는 그것을 한눈에 보이게 한 표시입니다 — 5% 미만이면 *, 1% 미만이면 **, 0.1% 미만이면 ***.

★ p값은 여러 번 들어도 자꾸 미끄러지는 개념입니다. 어려워서가 아니라 우리가 알고 싶은 것과 방향이 반대이기 때문입니다.

우리가 궁금한 것은 「내 주장이 맞을 확률」인데, p값이 답하는 것은 정반대 — 「내 주장이 틀렸다고 치면, 이런 데이터가 우연히 나올 확률」입니다.

법정을 떠올리면 쉽습니다. 재판은 무죄 추정에서 출발합니다(효과가 없다고 가정). 검사가 증거를 내밀 때 따지는 것은 「정말 무죄라면 이런 증거가 우연히 나올 확률」이고, 그 확률이 지극히 낮으면 처음의 전제를 버립니다. 그 확률이 바로 p값입니다.

한 문장으로 — p값은 「내 주장이 맞을 확률」이 아니라 「아무 일도 없었다면 이런 결과가 나올 확률」입니다.

더 보기 — ★ 실전 — 한국은행 보고서의 4.3%가 0.6%로 떨어진 이유

한국은행이 2025년 12월에 낸 「AI 전문인력 현황과 수급 불균형」이슈노트입니다. 링크드인 프로필에서 2010~2024년 국내 근로자 약 110만 명의 이력을 모아, AI 기술을 가진 사람이 임금을 더 받는지 따져 본 연구입니다.

	(1) log(임금)	(2) log(임금)
AI 기술 보유 여부	0.043*** (0.001)	0.006*** (0.001)
관측치 수	6,577,252	6,577,252
기업 FE · 연도 FE	O · O	O · O
직급 FE	X	O

(1)번을 3단계로 읽으면 — 별이 셋이니 믿을 만하고(1단계), 계수 0.043이니 AI 기술자는 임금을 4.3% 더 받으며(2단계), 관측치가 657만 건이니 표본은 넉넉합니다(3단계). 계산해 보면 t값이 43이니 잡음 걱정은 접어도 됩니다.

★ 문제는 옆 칸입니다. 같은 자료, 같은 사람들인데 계수가 0.043에서 0.006으로 떨어졌습니다 — 일곱 배가 넘게. 두 열의 차이는 표 아래 딱 한 줄뿐입니다 — 직급 FE가 X에서 O로 바뀌었습니다.

(1)번은 같은 회사, 같은 해까지만 맞추고 비교했고, (2)번은 거기에 직급까지 맞췄습니다.

그러니 이렇게 읽어야 합니다 — AI 기술자가 남들보다 4.3% 더 받는 것은 사실이지만, 그 대부분은 「AI 기술 자체의 값」이 아니라 「그들이 더 높은 자리에 앉아 있기 때문」입니다. 직급까지 같게 놓고 나면 남는 몫은 0.6%뿐입니다.

「다른 조건이 같을 때」가 얼마나 무거운 말인지 드러나는 대목입니다 — 무엇까지를 「다른 조건」에 넣느냐에 따라 같은 자료에서 4.3%도 나오고 0.6%도 나옵니다. 보고서를 읽을 때 표 아래쪽의 O와 X를 반드시 확인해야 하는 이유입니다.

덤으로 두 가지 — ① 별표의 기준은 논문마다 다릅니다. 이 보고서는 「***p<0.01, **p<0.05, *p<0.1」이라고 밝혀 두었습니다 — 별 개수를 보기 전에 그 기준부터 확인하는 습관이 필요합니다. ② 0.6%라는 작은 값에도 별이 셋 붙었습니다 — 표본이 657만 건이나 되기 때문이지요. 표본이 크면 아주 작은 차이도 유의해집니다. 한국은행 BOK 이슈노트 제2025-36호(2025.12.5)

더 보기 — ★ 별표를 발견했을 때 거기서 멈추면 안 된다

별표가 말하는 것은 딱 하나 — 「우연이 아닐 가능성이 높다」는 것입니다.
효과가 크다는 뜻도, 원인과 결과라는 뜻도 아닙니다.

표본이 아주 크면 하찮은 차이에도 별표가 붙고, 별이 셋이어도 그 관계가 인과라는 보장은 어디에도 없습니다.

그러니 별표를 봤다면 두 가지를 더 물어야 합니다.

물음	왜
① 계수의 크기가 현실에서 의미 있는 크기인가	유의한 것과 큰 것은 다른 이야기
② 이 관계를 왜 인과라고 부를 수 있는가	유의한 것과 인과인 것은 다른 이야기

이 둘까지 물었을 때 비로소 「표를 읽었다」고 할 수 있습니다.

더 보기 — R²가 낮다고 나쁜 연구는 아니다

표 맨 아래에는 대개 두 숫자가 더 붙어 있습니다 — R²(결정계수)는 원인들이 결과의 변동을 몇 %나 설명하는지, N은 표본 크기입니다.

사람의 임금이 교육과 경력만으로 정해질 리 없으니, 그 둘로 34%를 설명했다면 오히려 괜찮은 편입니다.

자연과학이라면 0.9를 기대하겠지만, 사람을 다루는 학문에서는 0.3도 충분히 의미가 있습니다.

자가진단

종속변수가 ln(임금)이고 계수가 0.082일 때 올바른 해석은?

자가진단

p값이 뜻하는 것은?

26.6

인과를 찾아서 — 자연실험의 지혜

교재 391 – 395쪽

경제는 실험실에 넣을 수 없다. 그래서 경제학자들은 기발한 우회로를 찾아냈다.

정리

무작위 통제실험(RCT)

이상적인 방법

사람들을 무작위로 처치집단과 통제집단으로 나눠 결과를 비교한다. 무작위로 나눴으니 두 집단은 평균적으로 비슷하고, 결과의 차이는 오직 그 정책 때문이다.

<b>교란변수 문제를 원천적으로 없앤다.</b> 그러나 <b>나라 정책을 이렇게 실험할 수는 없다</b>

자연실험

현실에서 찾은 우회로

현실에서 마치 실험처럼 두 집단이 우연히 갈린 상황을 찾아, 그것을 실험 대신 활용한다.

카드·크루거의 최저임금 연구(1994)가 가장 유명한 예

★ 카드·크루거의 자연실험 — 왜 「옆 동네」가 필요한가
무슨 일이	1992년 뉴저지가 최저임금을 시간당 4.25 → 5.05달러로 올렸고, 바로 옆 펜실베이니아는 올리지 않았다
결과	두 주 패스트푸드점(약 410곳)의 고용을 비교하니 — 이론의 예측과 달리 최저임금을 올린 뉴저지의 고용이 줄지 않았다
★ 뉴저지만 봐서는 안 되는 이유	설령 고용이 그대로였어도 그것이 「최저임금 인상 때문」인지 알 수 없다. 마침 그해 경기가 좋아 원래 늘어날 고용이 최저임금 탓에 안 늘고 상쇄된 것일 수도 있다. 「최저임금을 안 올렸다면 뉴저지 고용이 어떻게 됐을까」라는 가상의 상황(반사실)은 우리가 결코 볼 수 없다
옆 동네가 메워 주는 것	펜실베이니아는 같은 시기·같은 경기·같은 계절의 영향을 받으면서도 최저임금만은 올리지 않았다 — 그러니 펜실베이니아의 고용 변화가 곧 「최저임금을 안 올렸다면 뉴저지도 겪었을 변화」의 대역이다
이중차분	두 주에 공통으로 작용한 요인(경기·계절)은 서로 상쇄되고, 오직 「최저임금 인상」이라는 차이만 남는다 — 「변화(전후)의 차이(두 집단)」를 두 번 뺀다는 뜻

이 접근이 경제학을 바꿨다 — 「그럴듯한 이론」이 아니라 「설득력 있는 데이터」로 인과를 논하는 이른바 「신뢰성 혁명」. 이 공로로 카드·앵그리스트·임벤스가 2021년 노벨경제학상을 받았다.

① 시간 선후원인이 결과보다 먼저 왔는가

② 교란 배제숨은 제3변수를 걸러냈는가

③ 메커니즘왜 그런지 설명되는가

이 세 관문을 통과해야 비로소 인과라 말할 수 있다. 역사적으로 흡연이 폐암의 원인임이 확립된 것도 이 관문들을 하나씩 통과했기 때문이다 — 흡연자의 폐암 사망률이 비흡연자의 아홉 배가 넘는 강한 상관, 여러 나라·여러 연구에서 반복된 일관성, 흡연이 먼저이고 암이 나중이라는 시간 선후, 담배 연기의 발암물질이라는 생물학적 메커니즘 — 이 증거들이 쌓여 실험 없이도 인과가 인정되었다(브래드퍼드 힐 기준, 1965).

용어

무작위 통제실험(RCT)無作爲統制實驗 randomized controlled trial대상자를 무작위로 처치·통제 집단에 나눠 결과의 차이를 정책의 순수 효과로 보는 방법

자연실험自然實驗 natural experiment현실에서 우연히 갈린 비슷한 두 집단을 실험 대신 활용하는 방법

이중차분법二重差分法 difference-in-differences (DID)정책을 받은 집단과 받지 않은 집단의 「전후 변화」를 다시 한 번 빼서 정책 효과만 남기는 방법

반사실反事實 counterfactual「그 정책이 없었다면 어떻게 됐을까」라는 가상의 상황. 우리가 결코 관측할 수 없는 것

도구변수(IV)道具變數 instrumental variable원인 변수와는 이어져 있으나 결과에는 다른 경로로 영향을 주지 않는 제3의 변수. 이것을 지렛대 삼아 뒤엉킨 인과를 갈라낸다

회귀단절 설계(RDD)回歸斷絶設計 regression discontinuity점수나 나이처럼 정해진 기준선 바로 위와 아래를 비교해 효과를 재는 방법

**[그림 26-6]** 인과를 찾는 두 방법. (왼쪽) 무작위 통제실험(RCT)은 대상자를 무작위로 처치·통제 집단에 나눠 결과의 차이를 정책의 순수 효과로 본다. (오른쪽) 자연실험은 현실에서 우연히 갈린 비슷한 두 집단을 실험 대신 활용한다.

**[그림 26-7]** 카드·크루거의 자연실험(이중차분). 1992년 뉴저지가 최저임금을 시간당 4.25달러에서 5.05달러로 올렸고, 바로 옆 펜실베이니아는 올리지 않았다. 두 주 패스트푸드점의 고용 「변화의 차이」를 비교하니, 이론의 예측과 달리 최저임금을 올린 뉴저지의 고용이 줄지 않았다.

**[그림 26-8]** 인과추론 도구상자. RCT·자연실험(이중차분)에 더해, 도구변수(IV)·회귀단절(RDD)·패널 고정효과가 자주 쓰인다. 이름은 달라도 공통 목표는 하나 — 교란변수를 없애 상관을 인과로 끌어올리는 것이다.

**[그림 26-9]** 상관에서 인과로 가는 세 관문. 두 변수가 상관을 보여도 ①원인이 결과보다 먼저 왔는지(시간 선후) ②숨은 제3변수를 걸러냈는지(교란 배제) ③왜 그런지 설명되는지(메커니즘)를 통과해야 비로소 인과라 말할 수 있다.

**[그림 26-10]** 계량 보고서를 5분에 읽는 지도. ①연구질문 → ②데이터·표본 → ③식별전략 → ④결과표 읽기 → ⑤한계·일반화의 순서로 훑는다. 가장 중요한 관문은 ③ 식별전략 — 「이 관계가 왜 인과인가」를 저자가 어떻게 정당화했는지다.

더 보기 — 보고서에서 만나는 인과추론 도구상자

자연실험·이중차분은 시작일 뿐입니다. 실제 계량 보고서를 읽다 보면 몇 가지 식별전략(상관을 인과로 확보하는 방법)이 이름표처럼 등장합니다.

도구	직관	언제 쓰나
도구변수(IV)	원인은 흔들되 결과에는 직접 영향이 없는 「지렛대」 변수를 이용해 순수한 인과 효과를 떼어낸다	교란·역인과가 의심될 때(예: 군 복무의 소득 효과를 「추첨 번호」로 추정)
회귀단절(RDD)	합격선·소득 기준선처럼 딱 갈리는 경계 바로 위·아래를 비교한다	경계 근처의 사람들은 거의 같으므로, 경계로 갈린 결과 차이를 정책 효과로 본다
패널·고정효과	같은 대상(사람·기업·나라)을 여러 시점에 반복 관측해 변하지 않는 개체 고유 특성을 통째로 제거한다	눈에 안 보이는 교란을 상당 부분 걸러낸다

이름은 달라도 공통 목표는 하나 — 교란변수를 없애 상관을 인과로 끌어올리는 것입니다.

더 보기 — ★ 계량 보고서를 5분에 읽는 지도

순서	무엇을 보나
① 연구질문	무엇(원인 X)이 무엇(결과 Y)에 미치는 효과를 묻는가? 한 문장으로 요약
② 데이터·표본	누구를, 언제, 몇 명(N) 관측했나? 표본이 크고 대표성이 있는지
③ 식별전략 ★	어떻게 「인과」를 확보했나? RCT·이중차분·도구변수·회귀단절 중 무엇으로 교란변수를 처리했는지 — 여기가 가장 중요하다
④ 결과표 읽기	계수·유의성·R²·N. 별표만이 아니라 계수의 크기(실질적 의미)를 함께
⑤ 한계·일반화	이 결과를 어디까지 믿고 어디에 적용할 수 있나? 표본 밖·다른 상황·다른 시기에도 성립할지

카드·크루거 연구를 이 지도로 읽으면 — ① 최저임금 인상이 고용에 미치는 효과를 묻고, ② 뉴저지·펜실베이니아 패스트푸드점 약 410곳(1992)을 관측했으며, ③ 자연실험·이중차분으로 교란을 처리했고, ④ 고용 변화의 차이가 사실상 0(줄지 않음)이라는 결과를 얻었으며, ⑤ 이 결론은 패스트푸드·해당 시기·해당 인상폭에 한정되므로 다른 업종·큰 인상폭에는 신중히 적용해야 합니다.

「좋은 독자는 결과(별표)부터 보지 않는다. 「저자는 이 관계가 왜 인과라고 주장하는가(식별전략)」를 먼저 찾는다.」

자가진단

카드·크루거가 뉴저지만 보지 않고 펜실베이니아를 함께 본 이유는?

26.7

사슬을 한눈에 — 숫자로 진실을 가리는 법

교재 396 – 400쪽

데이터는 말을 한다 — 그러나 「함께 움직인다」와 「원인이다」를 구별할 줄 아는 사람에게만 진실을 말한다.

정리

상관관계

correlation

함께 움직이는가.

상관 ≠ 인과

not causation

이 장의 심장 — 세 가지 함정.

회귀분석

regression

흩어진 점을 하나의 선으로.

인과 추론

causal inference

실험 없이 인과를 찾는 지혜.

누가	무엇을 보고	무엇을 하나
기업	「광고를 늘린 달에 매출이 올랐다」	교란변수(명절 특수 등)를 의심한다. 상관을 인과로 속단해 예산을 낭비하지 않는다 — 비교집단·시점을 함께 본다
정부	정책의 효과 평가	자연실험·이중차분·RCT를 설계한다. 「느낌」이 아니라 비교집단으로 정책의 순수 효과를 잰다
투자자	「이 지표가 오르면 주가가 오른다」	역인과·우연·표본을 점검한다. 겉보기 상관에 올라타기 전에 인과의 관문을 통과했는지 따진다
시민	뉴스·광고의 통계와 그래프	「상관인가 인과인가, 교란은 없나」를 묻는다. 데이터에 속지 않는 문해력

「세상은 수많은 숫자로 우리에게 말을 건다. 그 말이 진실인지 착각인지 가리는 것이, 경제학이 마지막으로 가르치는 지혜다.」

★ 일상의 데이터 읽기. 「커피를 마시는 사람이 더 오래 산다」, 「아침을 먹는 학생이 성적이 좋다」 같은 뉴스는 대개 상관을 보여 줄 뿐이다. 커피를 마실 여유가 있는 사람은 대체로 소득·건강관리가 낫고(교란변수), 아침을 챙기는 집은 대체로 생활이 규칙적이다(교란변수). 이런 기사를 볼 때마다 「이건 상관인가 인과인가, 숨은 제3의 변수는 없는가」를 묻는 습관이 곧 데이터 시대의 문해력이다.

다음 장은 데이터 문해력이다. 계량의 눈을 얻었으니 이제 그 눈을 실전으로 — 데이터를 모으고 읽고 통계의 함정을 피하는 세계로 간다.

함께 풀기

교재 제26장 끝의 네 계단 문항입니다. 강의실에서 함께 풉니다. 「진행 힌트」는 교수용이니 눌러야 열립니다.

1단계 · 대입

아래 상관 관계들이 교란·역인과·우연 중 무엇인지 판정하고, 숨은 제3의 변수가 있다면 무엇인지 적으라.

상관	어떤 함정	숨은 변수는	판정 근거
아이스크림 판매 ↑ · 익사 사고 ↑
경찰 수 ↑ · 범죄 ↑
커피 마시는 사람이 오래 산다
아침 먹는 학생이 성적이 좋다

뒤의 두 개가 이 활동의 핵심입니다 — 학생들이 실제로 뉴스에서 본 것들이기 때문입니다. 커피를 마실 여유가 있는 사람은 대체로 소득·건강관리가 낫고, 아침을 챙기는 집은 생활이 규칙적입니다. 「그럼 커피가 몸에 나쁘다는 건가요?」가 나오면 — 「좋다고도 나쁘다고도 말할 수 없다」가 정답입니다. 「없다는 증거」와 「있다는 증거가 없다」는 다르다는 것도 여기서 짚어 주십시오.

2단계 · 해부

회귀 결과표를 한 문장으로 옮겨라. 종속변수가 ln(임금)이고, 교육연수 계수 0.082·표준오차 0.011·별표 ***일 때 t값을 계산하고 완성된 문장을 적으라.

단계	무엇을 읽나	값	문장의 어느 부분
① 종속변수
② 계수
③ 단위(ln?)
④ 다른 변수들
⑤ 표준오차·t값·별표

t값 = 0.082 ÷ 0.011 ≈ 7.5입니다. 완성 문장은 「다른 조건이 같을 때 학교를 1년 더 다니면 시간당 임금이 평균 8.2% 높다. 이것이 우연일 가능성은 0.1%도 되지 않는다.」

③에서 「왜 퍼센트인가」를 반드시 물으십시오 — 연봉 3천만 원과 3억 원에게 똑같이 300만 원을 주면 10%와 1%로 전혀 다른 이야기가 됩니다. ④에서는 「경력이 같은 사람들끼리 비교했을 때」라는 뜻임을 짚어 주십시오.

3단계 · 전망

한국은행 AI 보고서에서 계수가 4.3%에서 0.6%로 떨어진 이유를 설명하라. 그리고 「AI 기술의 임금 프리미엄은 얼마인가?」라는 질문에 어떻게 답해야 하는지 적으라.

	(1) 열	(2) 열	차이는
계수
통제한 것
해석
올바른 답변

두 열의 차이는 「직급 FE」 한 줄뿐입니다. 「AI 기술자가 4.3% 더 받는 것은 사실이지만, 그 대부분은 기술 자체의 값이 아니라 더 높은 자리에 앉아 있기 때문」입니다.

마지막 칸이 이 활동의 목적입니다 — 「무엇을 통제했느냐에 따라 답이 달라지므로 숫자 하나만 인용하면 안 된다」는 것. 「표 아래의 O와 X를 보지 않고 계수만 읽으면 같은 자료에서 아무 숫자나 인용하게 된다」는 문장을 남겨 주십시오.

4단계 · 토론

「최저임금을 올려도 고용이 줄지 않았다」는 카드·크루거의 결과는 수요·공급 이론(제3장)과 충돌한다. 이론이 틀린 것인가, 연구가 틀린 것인가? 그리고 이 결과를 한국의 최저임금 정책에 그대로 적용해도 될까?

첫 물음에는 「둘 다 아닐 수 있다」는 답이 가장 좋습니다. 노동시장이 완전경쟁이 아니라면(제10장 수요독점) 이론의 예측이 달라집니다. 「이론은 조건부로 옳다」는 것을 배우는 자리입니다.

두 번째가 이 장의 마지막 단계(⑤ 한계·일반화)입니다. 이 연구는 패스트푸드·1992년·0.8달러 인상폭에 한정됩니다. 「업종이 다르면? 인상폭이 훨씬 크면? 나라가 다르면?」을 물어야 합니다. 「좋은 연구도 그 결과가 통하는 범위가 있다」가 결론입니다.

이번 주 뉴스

교재의 사례는 실린 시점의 것입니다. 그때와 지금이 어떻게 달라졌는지가 오늘의 첫 질문입니다.

불러오는 중

news.json 을 읽고 있습니다.

핵심 용어

시험 전에 이 목록만 훑어도 됩니다. 막히면 옆의 쪽수로 돌아가십시오.

계량경제학計量經濟學 econometrics경제 이론의 주장을 실제 데이터로 검증하고 관계의 크기를 측정하는 학문. 실증경제학의 핵심 도구381 – 382쪽

데이터資料 data세상에서 관찰해 숫자로 기록한 것 — 소득·매출·GDP·물가·실업률 등381 – 382쪽

상관관계相關關係 correlation두 변수가 함께 움직이는 경향382 – 383쪽

상관계수相關係數 correlation coefficient두 변수가 함께 움직이는 방향과 세기를 −1~+1의 한 숫자로 요약한 값382 – 383쪽

산점도散點圖 scatter plot두 변수를 가로·세로축에 놓고 관측치를 점으로 찍은 그림382 – 383쪽

교란변수攪亂變數 confounding variable두 변수 뒤에 숨어 둘 다에 영향을 주는 제3의 변수383 – 384쪽

허위상관虛僞相關 spurious correlation실제로는 인과가 아닌데 겉보기에만 나타나는 상관383 – 384쪽

역인과逆因果 reverse causality원인과 결과의 방향이 실제와 반대인 경우383 – 384쪽

회귀분석回歸分析 regression여러 데이터 점을 가장 잘 대표하는 직선을 찾아 두 변수의 관계를 수량화하는 방법385 – 386쪽

잔차殘差 residual실제 관측치와 회귀선 사이의 세로 거리385 – 386쪽

최소제곱법最小自乘法 least squares잔차의 제곱합을 최소화해 회귀선을 정하는 방법385 – 386쪽

다중회귀분석多重回歸分析 multiple regression여러 원인 변수를 동시에 넣어, 다른 요인을 고정한 채 한 변수의 순수 효과를 재는 방법385 – 386쪽

계수係數 coefficient변수 하나의 효과 크기(회귀선의 기울기). 원인이 1 늘 때 결과가 평균 얼마나 변하는가386 – 391쪽

표준오차標準誤差 standard error같은 조사를 다시 하면 그 값이 얼마나 흔들릴지의 폭386 – 391쪽

t값— t-statistic계수 ÷ 표준오차. 「신호 대 잡음비」에 해당하며 보통 2를 넘으면 믿을 만하다고 본다386 – 391쪽

p값— p-value효과가 없는데도 우연히 이 정도 결과가 나올 확률. 작을수록 통계적으로 유의386 – 391쪽

더미변수— dummy variable남녀처럼 숫자로 잴 수 없는 것을 0과 1로 바꿔 넣은 변수. 계수는 두 집단의 차이로 읽는다386 – 391쪽

R²(결정계수)決定係數 R-squared원인들이 결과의 변동을 몇 %나 설명하는지를 0~1로 나타낸 값386 – 391쪽

고정효과(FE)固定效果 fixed effect특정 요인(기업·연도·직급 등)을 붙들어 두고 비교했다는 표시386 – 391쪽

무작위 통제실험(RCT)無作爲統制實驗 randomized controlled trial대상자를 무작위로 처치·통제 집단에 나눠 결과의 차이를 정책의 순수 효과로 보는 방법391 – 395쪽

자연실험自然實驗 natural experiment현실에서 우연히 갈린 비슷한 두 집단을 실험 대신 활용하는 방법391 – 395쪽

이중차분법二重差分法 difference-in-differences (DID)정책을 받은 집단과 받지 않은 집단의 「전후 변화」를 다시 한 번 빼서 정책 효과만 남기는 방법391 – 395쪽

반사실反事實 counterfactual「그 정책이 없었다면 어떻게 됐을까」라는 가상의 상황. 우리가 결코 관측할 수 없는 것391 – 395쪽

도구변수(IV)道具變數 instrumental variable원인 변수와는 이어져 있으나 결과에는 다른 경로로 영향을 주지 않는 제3의 변수. 이것을 지렛대 삼아 뒤엉킨 인과를 갈라낸다391 – 395쪽

회귀단절 설계(RDD)回歸斷絶設計 regression discontinuity점수나 나이처럼 정해진 기준선 바로 위와 아래를 비교해 효과를 재는 방법391 – 395쪽

참고자료 · 출처

모든 수치는 발표 시점을 함께 적었습니다. 시간이 지난 뒤 인용할 때는 최신 자료로 확인하십시오.

한국은행, BOK 이슈노트 제2025-36호 「AI 전문인력 현황과 수급 불균형: 규모, 임금, 이동성 분석」(2025.12.5)링크드인 프로필 기반 2010~2024년 국내 근로자 약 110만 명. AI 기술 보유의 임금 프리미엄 — 기업·연도 고정효과만 통제 시 4.3%, 직급까지 통제하면 0.6%(관측치 657만 건). 유의수준 표기는 ***p<0.01, **p<0.05, *p<0.1
Card, D. & Krueger, A., American Economic Review, 84(4), 772–793 (1994)“Minimum Wages and Employment: A Case Study of the Fast-Food Industry in New Jersey and Pennsylvania” — 1992년 뉴저지 최저임금 4.25→5.05달러 인상. 두 주 패스트푸드점 약 410곳을 이중차분으로 비교한 결과 고용이 줄지 않았다
노벨위원회, 2021년 노벨경제학상데이비드 카드(실증 노동경제학) · 조슈아 앵그리스트와 휘도 임벤스(인과 분석 방법론). 경제학이 「그럴듯한 이론」에서 「신뢰성 있는 증거」로 무게중심을 옮긴 「신뢰성 혁명」을 상징
Frisch, R., Econometrica 창간(1933)1926년 「계량경제학(econometrics)」이라는 말을 만들어 씀. 1969년 첫 노벨경제학상 수상(얀 틴베르헌과 공동)
Haavelmo, T., Econometrica, 12 (Supplement) (1944)“The Probability Approach in Econometrics” — 경제 데이터를 확률적으로 흔들리는 표본으로 다루자는 제안. 표준오차와 p값의 토대. 1989년 노벨경제학상
Doll, R. & Hill, A. B., British Medical Journal (1950 · 1956)흡연자의 폐암 사망률이 비흡연자의 아홉 배 이상이라는 역학연구
Hill, A. B., Proceedings of the Royal Society of Medicine, 58(5), 295–300 (1965)“The Environment and Disease: Association or Causation?” — 상관을 인과로 끌어올리는 브래드퍼드 힐 기준(강도·일관성·시간 선후·생물학적 개연성 등)
Angrist, J. & Pischke, J.-S., Mostly Harmless Econometrics (2009)도구변수·회귀단절·이중차분 등 식별전략의 표준 교과서