자료를 다 모은 뒤 연령의 교란을 걸러내려는 연구자가 분석 단계에서 쓸 방법은?

연령군별로 층을 나눠 각각의 연관성을 구한 뒤 통합하는 층화 분석은 분석 단계의 교란 통제법이다.

연령은 역학 연구에서 가장 흔하면서도 강력한 교란 변수(confounder)입니다. 노출과 질병 양쪽에 모두 영향을 주면서, 노출과 질병 사이의 연관성을 왜곡할 수 있기 때문입니다. 예를 들어 특정 약물 노출과 골절 발생의 관계를 볼 때, 나이가 많을수록 약물을 쓸 일도 많고 골절 위험도 높다면, 연령이 두 변수 사이에 끼어들어 실제보다 더 강한 연관성이 있는 것처럼 보이게 만들 수 있습니다.

이 문제는 연구 설계 단계가 아니라 분석 단계에서 연령의 교란 효과를 통제하는 방법을 묻고 있습니다. 보기 1(짝짓기)과 보기 2(제한)는 모두 자료를 수집하기 전, 즉 설계 단계에서 교란을 막는 전략입니다. 보기 4는 연령별 표본 수를 같게 하는 것인데, 이는 무작위 배정과 결합된 층화(stratification)의 일부처럼 보일 수 있으나, 분석 단계에서 연령의 영향을 평가하거나 보정하는 방법으로는 적절하지 않습니다.

분석 단계에서 교란 변수를 통제하는 대표적인 방법은 층화 분석(stratified analysis)과 다변량 분석(multivariable analysis)입니다. 보기 5는 층화 분석을 설명하고 있습니다. 연령군별로 나누어 각 층에서 노출과 질병의 관련성(예: 오즈비, 상대위험도)을 따로 구한 뒤, 이를 종합하여 하나의 보정된 추정치를 얻는 방식입니다. 이를 통해 연령 분포의 차이가 결과에 미치는 영향을 제거할 수 있습니다.

층화 분석은 연령군 내에서는 연령이 일정하게 유지되므로, 각 층에서 구한 연관성은 연령의 영향을 받지 않은 순수한 효과에 가까워집니다. 이후 각 층의 효과 크기가 비슷하다고 판단되면 Mantel-Haenszel 방법 등을 이용해 공통 효과 추정치로 합치게 됩니다. 만약 층마다 효과 크기가 크게 다르다면, 이는 교란을 넘어 효과 수정(effect modification)을 시사하는 소견으로 해석해야 합니다.

제시된 근거 자료 중 ^[4]는 음성 기반 파킨슨병 선별 모델에서 연령이 주요 교란 요인임을 직접적으로 보여줍니다. 이 연구는 음성은 나이에 따라 크게 변하기 때문에, 환자군과 대조군의 연령 불균형만으로도 질병과 무관하게 높은 분류 성능이 나올 수 있다고 지적합니다. 즉, 연령을 통제하지 않으면 모델이 질병의 음성 신호가 아니라 노화에 따른 음성 변화를 학습하게 된다는 뜻입니다. 이는 분석 단계에서 연령을 층화하거나 보정하지 않으면 결과 해석이 완전히 달라질 수 있음을 보여주는 사례입니다.

혼동 주의! 층화 분석과 짝짓기(matching)를 혼동하지 않아야 합니다. 짝짓기는 연구 설계 단계에서 환자군과 대조군을 연령이 같도록 뽑는 방법이고, 층화 분석은 이미 수집된 자료를 연령군으로 나누어 분석하는 방법입니다. 또한 핵심! 층화 분석은 한 번에 하나의 교란 변수만 통제하기 어렵고, 층이 많아지면 각 층의 표본 수가 줄어들어 통계적 검정력이 떨어질 수 있습니다. 교란 변수가 여러 개이거나 연속형 변수인 경우에는 로지스틱 회귀분석이나 콕스 비례위험모형 같은 다변량 분석이 더 적합합니다.