표본 1,000명으로 전체를 안다고 말할 수 있을까 — 추론통계학의 논리

전국 성인 5천만 명을 전부 설문할 수는 없다. 1,000명의 응답만으로 전체의 의견을 말할 수 있을까 — 추론통계학은 이 질문에 답하기 위해 만들어진 방법론이다.

표본에서 모집단으로

추론통계학(Inferential Statistics)은 표본 데이터를 기반으로 모집단에 대한 특성을 추론하는 통계적 방법론이다. 전체 모집단을 조사하는 것이 비현실적이거나 불가능한 상황에서 필수적인 접근법이며, 데이터 기반 의사결정의 핵심 도구로 비즈니스 인텔리전스와 데이터 분석 프로젝트 전반에서 광범위하게 활용된다. 수집된 데이터를 요약·정리하는 데 초점을 맞추는 기술통계학과 달리, 추론통계학은 표본을 통해 더 큰 모집단의 특성을 예측하고 일반화하는 데 중점을 둔다.

모집단(Population)은 연구자가 관심을 갖는 전체 대상 집합이다. 전국 성인 인구, 특정 회사의 모든 제품, 모든 웹사이트 사용자가 그 예다. 표본(Sample)은 모집단에서 추출된 일부 하위 집합으로, 설문조사에 응답한 1,000명의 성인이나 품질 검사를 위해 선택된 100개의 제품이 여기 해당한다.

표본을 뽑는 여러 가지 방법

⤢✕

확률적 표본추출(Probability Sampling)은 모든 모집단 요소가 표본에 포함될 확률이 알려진 방법이다. 모든 요소가 동일한 확률로 선택되는 단순 무작위 추출(Simple Random Sampling), 일정한 간격으로 요소를 선택하는 계통 추출(Systematic Sampling), 모집단을 서로 배타적인 그룹으로 나누고 각 그룹에서 표본을 뽑는 층화 추출(Stratified Sampling), 모집단을 군집으로 나누고 일부 군집을 통째로 선택하는 군집 추출(Cluster Sampling)이 여기 속한다.

비확률적 표본추출(Non-probability Sampling)은 선택 확률이 알려지지 않은 방법이다. 접근하기 쉬운 대상을 표본으로 삼는 편의 추출(Convenience Sampling), 연구자의 판단에 따라 표본을 선택하는 판단 추출(Judgmental Sampling), 특정 특성에 따라 할당량을 정하고 표본을 뽑는 할당 추출(Quota Sampling), 초기 참가자가 다른 참가자를 소개하는 방식인 눈덩이 추출(Snowball Sampling)이 있다.

모수를 추정하는 방식 — 점추정과 구간추정

점 추정(Point Estimation)은 모수에 대한 단일 값을 추정하는 방식으로, 표본 평균으로 모집단 평균을 추정하는 것이 대표적이다. 구간 추정(Interval Estimation)은 모수가 포함될 것으로 예상되는 범위를 추정하는 방식이며, 반복적인 표본 추출 시 특정 비율(예: 95%)로 모수를 포함하는 구간을 신뢰구간(Confidence Interval)이라 부른다.

주장을 검증하는 절차 — 가설검정

가설검정(Hypothesis Testing)은 귀무가설(H₀, 변화나 차이가 없다는 가정, 기본적으로 참으로 간주)과 대립가설(H₁, 귀무가설에 반하며 연구자가 입증하고자 하는 주장)을 세우고, 유의수준(α, 귀무가설이 참임에도 기각할 확률, 일반적으로 0.05)을 기준으로 p-값(귀무가설이 참이라는 가정 하에 관측된 결과 또는 더 극단적인 결과를 얻을 확률)을 계산해 판단하는 절차다. p-값이 α보다 작으면 귀무가설을 기각해 통계적으로 유의미한 결과로 보고, p-값이 α 이상이면 귀무가설을 채택해 유의미하지 않은 결과로 본다.

이 틀 안에서 실제로 쓰이는 검정 기법도 다양하다. 두 집단 간 평균 차이를 보는 t-검정(t-test)은 서로 다른 두 집단을 비교하는 독립표본 t-검정과 동일한 집단의 전후를 비교하는 대응표본 t-검정으로 나뉜다. 세 개 이상 집단 간 평균 차이를 보는 ANOVA(분산분석)는 한 요인에 따른 차이를 보는 일원배치와 두 요인에 따른 차이를 보는 이원배치로 나뉜다. 범주형 변수 간 관계를 분석하는 카이제곱 검정(Chi-Square Test)은 관측 빈도와 기대 빈도의 일치성을 보는 적합도 검정과 두 범주형 변수 간 독립성을 보는 독립성 검정으로 나뉜다. 변수 간 관계를 모델링하는 회귀분석(Regression Analysis)은 하나의 독립변수를 쓰는 단순 선형 회귀와 여러 독립변수를 쓰는 다중 회귀로 나뉜다.

표본이 만드는 분포, 그리고 판단이 갈리는 오류

동일한 모집단에서 추출한 여러 표본의 통계량(예: 평균)이 이루는 분포를 표본 분포(Sampling Distribution)라 한다. 중심극한정리(Central Limit Theorem)에 따르면 표본 크기가 충분히 크면 표본 평균의 분포는 정규분포에 근사하며, 표본 크기가 30 이상이면 일반적으로 충분히 큰 것으로 간주한다.

가설검정에는 두 종류의 오류가 따라온다. 제1종 오류(Type I Error, α)는 실제로는 참인 귀무가설을 기각하는 오류로, 실제로 효과가 없는데 효과가 있다고 결론 내리는 거짓 양성이 여기 해당한다. 제2종 오류(Type II Error, β)는 실제로는 거짓인 귀무가설을 채택하는 오류로, 실제로 효과가 있는데 효과가 없다고 결론 내리는 거짓 음성이다. 참인 대립가설을 정확히 채택할 확률을 통계적 검정력(Power, 1-β)이라 부른다.

A/B 테스트부터 VaR까지, 비즈니스가 추론통계를 쓰는 방식

이커머스 기업이 두 가지 웹사이트 디자인의 전환율을 비교한다고 하자. "두 디자인 간 전환율 차이가 없다"는 귀무가설과 "디자인 A가 디자인 B보다 전환율이 높다"는 대립가설을 세우고, 사용자를 무작위로 두 그룹에 나눠 각 디자인에 노출한 뒤 독립표본 t-검정 또는 비율 검정을 실시한다. p-값이 0.05보다 작으면 디자인 간 유의미한 차이가 있다고 결론짓는다.

제조업체가 불량품 비율을 모니터링할 때는 생산된 제품에서 무작위로 100개를 뽑아 표본의 불량품 비율을 계산하고, 95% 신뢰구간을 구성한다. 신뢰구간이 목표 불량률 범위를 벗어나면 공정 조정이 필요하다는 신호다.

투자 포트폴리오의 Value at Risk(VaR)를 추정할 때는 과거 수익률 데이터를 모아 수익률 분포를 모델링하고, 일정 신뢰수준(예: 95%)에서 최대 손실을 추정한다. "95% 신뢰수준에서 다음 거래일의 최대 손실은 X원을 초과하지 않을 것이다"라는 식으로 결과를 해석한다.

숫자가 유의미하다고 다 중요한 건 아니다

p-값이 α보다 작다는 통계적 유의성과, 발견된 차이가 실제로 중요한지를 뜻하는 실질적 유의성은 다른 문제다. 표본이 매우 크면 통계적으로는 유의미하지만 실질적으로는 무의미한 작은 차이도 감지될 수 있다.

여러 가설을 동시에 검정하면 우연히 유의미한 결과를 얻을 확률이 늘어나는 다중 검정 문제도 생긴다. 유의수준을 검정 횟수로 나누는 Bonferroni 교정이나, 다중 비교에서 거짓 발견 비율을 조절하는 False Discovery Rate(FDR) 제어로 대응할 수 있다.

모집단을 정확히 대표하지 않는 표본은 잘못된 추론으로 이어진다. 편향된 표본 추출 방법, 무응답 편향, 생존 편향 같은 문제를 인식하고 최소화해야 한다.

추론통계학은 제한된 데이터로 더 큰 모집단에 대한 결론을 끌어내는 방법론이라, 과학적 연구·비즈니스 의사결정·정책 수립 전반에서 필수 도구로 쓰인다. 빅데이터 시대에도 그 중요성은 줄지 않았고, 데이터 과학·머신러닝과 함께 데이터 기반 의사결정의 핵심 구성 요소로 기능한다.