The Book of Why: The New Science of Cause and Effect
The Book of Why: The New Science of Cause and Effect
| Judea Pearl & Dana Mackenzie | Basic Books (2018) | 432쪽 |
30초 요약 (TL;DR)
이 책은 인과관계를 이해하는 새로운 과학적 방법론을 제시합니다. 튜링상 수상자 주디아 펄이 개발한 인과추론 이론은 상관관계를 넘어 ‘왜’라는 질문에 답할 수 있는 수학적 도구를 제공합니다. 통계학에서 100년 이상 금기시되었던 인과관계를 과학적으로 다룰 수 있게 만든 혁명적 작업입니다. 인공지능이 진정한 지능을 갖추려면 상관관계가 아닌 인과관계를 이해해야 한다는 저자의 주장은 AI 시대를 살아가는 우리에게 중요한 통찰을 제공합니다.
핵심 통찰: 인간은 “왜?”를 묻습니다. 기계는 “무엇이?”를 묻습니다. 펄은 기계에게 “왜?”를 가르칩니다.
한눈에 보는 구조
| 부분 | 초점 | 핵심 도구 |
|---|---|---|
| 1부: 기초 | 왜 인과관계가 무시되었나; 통계의 한계 | 상관관계 vs. 인과관계 |
| 2부: 증거에서 원인으로 | 인과 다이어그램과 백도어 기준 | 그래프 모델 |
| 3부: 인과 위계 | 인과 추론의 세 단계 | 인과관계의 사다리 |
| 4부: 인과 추론 | 데이터에서 인과 효과 식별하기 | do-미적분과 조정 세트 |
| 5부: 새로운 과학 | 응용: 의학, 경제학, AI | 실제 사례 연구 |
핵심 개념 (10가지)
1. 인과관계의 사다리 (Ladder of Causation)
인과추론은 세 단계로 나뉩니다. 1단계는 연관성 (Association)으로 관찰과 패턴 인식 수준입니다. 2단계는 개입 (Intervention)으로 ‘만약 내가 이렇게 행동하면 어떻게 될까’라는 질문에 답합니다. 3단계는 반사실 (Counterfactual)로 ‘만약 내가 다르게 행동했다면 어떻게 되었을까’라는 가상 시나리오를 다룹니다.
왜 중요한가: 현재 AI와 머신러닝 대부분은 1단계에 머물러 있습니다. 진정한 지능은 2단계와 3단계 추론 능력을 필요로 합니다. 이 구분은 상관관계와 인과관계를 구별하는 핵심 프레임워크입니다.
2. 인과 다이어그램 (Causal Diagrams)
변수들을 점으로 표시하고 인과관계를 화살표로 나타내는 시각적 도구입니다. 복잡한 인과 구조를 그림 한 장으로 표현할 수 있으며, 어떤 변수가 다른 변수에 영향을 주는지 명확히 보여줍니다. 베이지안 네트워크의 인과적 해석이라고 할 수 있습니다.
왜 중요한가: 인과 다이어그램은 연구자가 자신의 가정을 명시적으로 드러내게 만듭니다. 숨겨진 가정을 드러냄으로써 과학적 논쟁을 더 생산적으로 만들고, 올바른 통계 분석 방법을 선택하는 길잡이 역할을 합니다.
3. Do-Calculus (개입 계산법)
| 펄이 개발한 수학적 도구로, 관찰 데이터에서 개입 효과를 계산할 수 있게 해줍니다. do(X=x)는 ‘X를 x로 설정한다’는 의미로, 단순 관찰 P(Y | X=x)와는 다릅니다. 세 가지 규칙으로 구성되며, 인과 다이어그램에서 개입의 효과를 추론하는 공식적 방법을 제공합니다. |
왜 중요한가: 무작위 대조 실험이 불가능하거나 비윤리적인 상황에서도 인과 효과를 추정할 수 있게 만듭니다. 관찰 데이터만으로 개입 효과를 계산할 수 있는 조건을 명확히 제시합니다.
4. 교란변수 (Confounding)
원인과 결과 모두에 영향을 주는 숨겨진 변수를 말합니다. 예를 들어, 아이스크림 판매량과 익사 사고의 상관관계는 기온이라는 교란변수 때문입니다. 교란변수가 있으면 상관관계를 인과관계로 잘못 해석하게 됩니다.
왜 중요한가: 교란변수를 통제하지 않으면 잘못된 인과 결론에 도달합니다. 백도어 기준 (Backdoor Criterion)과 같은 도구는 어떤 변수를 통제해야 교란을 제거할 수 있는지 알려줍니다.
5. 백도어 기준 (Backdoor Criterion)
인과 효과를 올바르게 추정하기 위해 어떤 변수들을 통제해야 하는지 알려주는 그래픽 규칙입니다. 원인과 결과 사이의 ‘뒷문 경로’를 차단하여 거짓 상관관계를 제거합니다.
왜 중요한가: 무작위 실험 없이도 관찰 데이터에서 인과 효과를 추정할 수 있게 만듭니다. 잘못된 변수를 통제하면 오히려 편향이 생길 수 있는데, 백도어 기준은 정확히 어떤 변수를 통제해야 하는지 명확히 제시합니다.
6. 반사실적 추론 (Counterfactual Reasoning)
실제로 일어나지 않은 대안적 시나리오를 상상하는 능력입니다. ‘만약 내가 그때 다르게 행동했다면’이라는 질문에 답하는 것이죠. 과학에서는 오랫동안 금기시되었지만, 인간은 자연스럽게 이런 추론을 합니다.
왜 중요한가: 실수에서 배우고 책임을 판단하는 데 필수적입니다. AI가 진정한 지능을 갖추려면 반사실적 추론 능력이 필요합니다. 법적 책임, 의료 과실, 정책 평가 등에서 핵심 역할을 합니다.
7. 심슨의 역설 (Simpson’s Paradox)
전체 데이터에서 보이는 경향이 부분 집단으로 나누면 반대로 나타나는 현상입니다. 예를 들어, 전체적으로는 치료법 A가 더 효과적으로 보이지만, 남성과 여성 각각을 보면 치료법 B가 더 효과적일 수 있습니다.
왜 중요한가: 단순 통계만으로는 올바른 결론에 도달할 수 없음을 보여주는 극적인 사례입니다. 인과 다이어그램 없이는 어느 통계가 올바른지 판단할 수 없습니다.
8. 매개변수 (Mediator)
원인과 결과 사이의 메커니즘을 설명하는 중간 변수입니다. 예를 들어, 약물이 심장마비 위험을 낮춘다면, 콜레스테롤 수치가 매개변수일 수 있습니다. 약물 → 콜레스테롤 감소 → 심장마비 위험 감소의 경로를 따릅니다.
왜 중요한가: 왜 어떤 개입이 효과가 있는지 이해하는 데 중요합니다. 직접 효과와 간접 효과를 분리할 수 있으며, 개입의 메커니즘을 밝혀 더 효과적인 전략을 설계할 수 있습니다.
9. 무작위 대조 실험 (RCT)
참가자를 무작위로 치료군과 대조군에 배정하여 인과 효과를 측정하는 실험입니다. 무작위 배정은 모든 교란변수를 평균적으로 균등하게 만들어 인과 효과를 순수하게 측정할 수 있게 합니다.
왜 중요한가: 인과 추론의 골드 스탠다드로 여겨지지만, 비용이 많이 들고 때로는 비윤리적입니다. 펄의 이론은 RCT 없이도 관찰 데이터에서 인과 효과를 추론할 수 있는 조건을 제시합니다.
10. 식별가능성 (Identifiability)
주어진 인과 그래프와 관찰 데이터만으로 인과 효과를 계산할 수 있는지 여부를 말합니다. 어떤 인과 효과는 식별 가능하지만, 어떤 것은 실험적 개입이 필요합니다.
왜 중요한가: 관찰 연구의 한계를 명확히 알려줍니다. 데이터를 아무리 많이 모아도 특정 인과 효과는 추정할 수 없다는 것을 수학적으로 증명합니다.
챕터별 핵심 (11개 챕터)
서론: Mind over Data
핵심 질문: 데이터만으로는 왜 인과관계를 밝힐 수 없는가?
통계학은 100년 이상 인과관계를 금기시했습니다. ‘상관관계는 인과관계가 아니다’라는 경고만 반복했을 뿐, 어떻게 인과관계를 찾을 수 있는지는 말하지 않았습니다. 인과 추론은 데이터 외에 인과 모델이 필요합니다. 인과 다이어그램은 우리의 지식과 가정을 명시적으로 표현하는 도구입니다. 현대 빅데이터와 AI는 패턴 인식에는 탁월하지만 인과관계는 이해하지 못합니다.
인용구:
“Data are profoundly dumb about causal relationships.”
데이터만으로는 인과관계를 밝힐 수 없다는 핵심 주장을 담은 문장입니다. 아무리 많은 데이터를 모아도 인과 모델 없이는 인과 결론에 도달할 수 없습니다.
후속 질문: 빅데이터 시대에 인과 모델의 중요성은 더 커지는가, 아니면 줄어드는가?
1장: The Ladder of Causation
핵심 질문: 인과 추론의 세 단계는 어떻게 다르며, 왜 중요한가?
1단계 (연관성)는 ‘무엇을 보는가’의 수준입니다. 패턴과 상관관계를 발견하지만 개입이나 반사실을 다루지 못합니다. 2단계 (개입)는 ‘만약 내가 행동하면’의 수준입니다. 실험과 정책 개입의 효과를 예측할 수 있습니다. 3단계 (반사실)는 ‘만약 내가 다르게 행동했다면’의 수준입니다. 책임, 후회, 학습의 기초가 됩니다. 현재 머신러닝과 딥러닝은 대부분 1단계에 머물러 있습니다.
후속 질문: 현재 LLM들은 인과관계의 사다리 중 어느 단계까지 올라갈 수 있는가?
2장: From Buccaneers to Guinea Pigs
핵심 질문: 인과 추론은 어떻게 발전해왔는가?
18세기 제임스 린드의 괴혈병 실험은 최초의 임상 시험 중 하나입니다. 무작위 배정 개념은 없었지만 비교 그룹을 사용했습니다. 20세기 피셔는 무작위 대조 실험을 발전시켰지만, 동시에 인과관계를 통계학에서 추방했습니다. 인과 추론의 역사는 ‘어떻게 다른 조건이 같을 때 한 요인의 효과를 분리할 것인가’라는 문제와의 싸움이었습니다.
후속 질문: 왜 피셔는 무작위 실험을 강조하면서도 인과 언어를 거부했는가?
3장: From Evidence to Causes
핵심 질문: 베이즈 정리와 인과 추론은 어떤 관계인가?
| 베이즈 정리는 증거에서 원인을 역추론하는 도구입니다. 결과를 관찰하고 원인의 확률을 업데이트합니다. 그러나 베이즈 네트워크만으로는 개입을 다룰 수 없습니다. P(Y | X)와 P(Y | do(X))는 다릅니다. 인과 베이즈 네트워크는 화살표에 인과적 의미를 부여하여 개입 효과를 계산할 수 있게 만듭니다. |
후속 질문: 현대 확률론적 AI 시스템들은 베이즈적이지만 인과적인가?
4장: Confounding and Deconfounding
핵심 질문: 교란변수를 어떻게 통제할 것인가?
교란변수는 인과 추론의 가장 큰 적입니다. 상관관계를 인과관계로 착각하게 만듭니다. 백도어 기준은 어떤 변수를 통제해야 교란을 제거할 수 있는지 알려주는 그래픽 기준입니다. 무작위 실험이 효과적인 이유는 모든 백도어 경로를 자동으로 차단하기 때문입니다. 관찰 연구에서는 인과 다이어그램을 그리고 백도어 기준을 적용하여 교란을 제거합니다.
후속 질문: 백도어 기준을 만족하는 변수 세트가 여러 개라면 어떤 것을 선택해야 하는가?
5장: The Smoke-Filled Debate
핵심 질문: 흡연이 폐암을 유발한다는 것을 어떻게 증명할 수 있는가?
1950-60년대 흡연과 폐암 논쟁은 인과 추론 역사의 전환점입니다. 무작위 실험은 비윤리적이었습니다. 담배 업계는 ‘상관관계는 인과관계가 아니다’라는 주장으로 규제를 막았습니다. 유전적 요인이 교란변수일 수 있다고 주장했습니다. 힐의 인과 기준 (강도, 일관성, 특이성, 시간성 등)은 방향을 제시했지만 수학적으로 정확하지는 않았습니다. 펄의 이론은 관찰 데이터에서 인과 효과를 추정할 수 있는 조건을 명확히 했습니다.
후속 질문: 현대에도 비슷한 논쟁 (기후변화, 백신 등)에서 같은 전술이 사용되고 있는가?
6장: Paradoxes Galore!
핵심 질문: 심슨의 역설과 다른 통계적 역설들은 무엇을 말해주는가?
심슨의 역설은 전체 데이터와 부분 데이터가 반대 결론을 보여줄 수 있음을 증명합니다. 역설의 핵심은 어느 통계를 믿어야 하는가입니다. 인과 다이어그램 없이는 답할 수 없습니다. 몬티 홀 문제, 버클리 입학 차별 사건 등 유명한 역설들이 인과적 관점에서 해결됩니다. 이런 역설들은 직관이 얼마나 쉽게 속는지, 그리고 형식적 인과 이론이 왜 필요한지 보여줍니다.
후속 질문: AI 의사결정 시스템이 심슨의 역설에 빠질 위험은 없는가?
7장: Beyond Adjustment
핵심 질문: 백도어 조정이 불가능할 때는 어떻게 하는가?
프론트도어 기준은 측정되지 않은 교란변수가 있어도 인과 효과를 추정할 수 있는 방법입니다. 도구변수 방법은 경제학에서 발전했으며, 교란을 우회하는 또 다른 전략입니다. Do-calculus는 이 모든 방법을 통합하는 일반 이론입니다. 세 가지 규칙으로 개입 효과를 계산합니다. Do-calculus는 완전합니다. 즉, 식별 가능한 모든 인과 효과를 유도할 수 있습니다.
후속 질문: Do-calculus를 자동으로 적용하는 소프트웨어가 있는가?
8장: Counterfactuals
핵심 질문: 일어나지 않은 일에 대해 어떻게 추론할 수 있는가?
반사실은 인과관계의 가장 높은 단계입니다. ‘만약 X가 x’가 아니었다면 Y는 y’가 아니었을 것이다’라는 진술입니다. 법적 책임, 후회, 학습은 모두 반사실적 추론에 기반합니다. 구조적 인과 모델은 반사실을 계산하는 방법을 제공합니다. 관찰 데이터에서 모델을 업데이트하고, 개입을 시뮬레이션합니다. 반사실은 데이터만으로는 검증할 수 없는 경우가 많습니다. 모델 가정에 민감합니다.
후속 질문: AI가 반사실적 추론을 할 수 있다면 도덕적 책임도 질 수 있는가?
9장: Mediation
핵심 질문: 인과 효과가 어떤 메커니즘을 통해 작동하는가?
매개 분석은 직접 효과와 간접 효과를 분리합니다. 전체 효과 = 직접 효과 + 간접 효과. 직접 효과는 매개변수를 고정한 상태에서의 효과입니다. 반사실적 개념이 필요합니다. 사회과학에서 ‘왜’ 어떤 개입이 효과가 있는지 이해하는 데 핵심적입니다. 차별과 공정성 연구에서 매개 분석은 차별이 어떤 경로로 작동하는지 밝힙니다.
후속 질문: AI 시스템의 편향을 분석할 때 매개 분석을 어떻게 적용할 수 있는가?
10장: Big Data, Artificial Intelligence, and the Big Questions
핵심 질문: AI가 진정한 지능을 갖추려면 무엇이 필요한가?
현재 딥러닝은 커브 피팅에 불과합니다. 인과관계를 이해하지 못하면 진정한 지능이라 할 수 없습니다. 강AI를 향한 다음 단계는 인과 추론 능력을 포함하는 것입니다. 로봇이 자신의 행동이 결과에 미친 영향을 이해해야 합니다. 전이 학습, 설명 가능성, 공정성 모두 인과 개념을 필요로 합니다. 인간 수준 AI는 세 가지 질문에 답할 수 있어야 합니다: (1) 무슨 일이 일어났는가? (2) 만약 내가 개입하면? (3) 만약 내가 다르게 했다면?
인용구:
“All the impressive achievements of deep learning amount to just curve fitting.”
딥러닝의 성과를 인정하면서도 인과 추론 능력이 없다는 한계를 지적하는 도발적 주장입니다. AI 연구 방향에 대한 근본적 문제 제기입니다.
후속 질문: 2025년 현재 LLM들은 펄이 말한 인과 추론 능력을 갖추었는가?
저자의 주요 주장 (7가지)
1. 통계학은 100년간 인과관계를 금기시했고, 이것이 과학 발전을 저해했다
피셔는 무작위 실험을 발전시켰지만 인과 언어 사용을 거부했습니다. ‘상관관계는 인과관계가 아니다’라는 경고만 반복했을 뿐, 인과관계를 추론하는 방법은 제시하지 않았습니다.
함의: 인과 다이어그램과 do-calculus 같은 형식적 도구 없이는 관찰 연구에서 인과 결론을 내릴 수 없습니다. 이는 의학, 사회과학, 정책 연구에서 수십 년의 지체를 초래했습니다.
2. 데이터만으로는 인과관계를 밝힐 수 없다. 인과 모델이 필요하다
아무리 많은 데이터를 수집해도 흡연과 폐암의 관계가 인과적인지 판단할 수 없습니다. 유전적 요인이 둘 다에 영향을 준다는 대안 가설을 배제할 수 없습니다. 인과 다이어그램과 도메인 지식이 있어야 교란을 식별하고 통제할 수 있습니다.
함의: 빅데이터 시대에 역설적으로 인과 모델의 중요성은 더 커집니다. 데이터 양이 많다고 인과 결론의 정확성이 자동으로 높아지지 않습니다.
3. 인과 추론은 세 단계로 구분되며, 각 단계는 질적으로 다른 지능을 요구한다
1단계 (연관성)는 패턴 매칭으로 가능하지만, 2단계 (개입)는 ‘만약 내가 행동하면’을 이해해야 하고, 3단계 (반사실)는 관찰하지 못한 대안 세계를 상상해야 합니다. AlphaGo는 1단계와 2단계를 다루지만 3단계는 제한적입니다.
함의: 현재 대부분의 AI와 머신러닝은 1단계에 머물러 있습니다. 진정한 인간 수준 AI를 위해서는 2단계와 3단계 추론 능력이 필수적입니다.
4. 인과 다이어그램은 과학적 가정을 명시적으로 만들어 논쟁을 생산적으로 만든다
흡연-폐암 논쟁에서 논쟁자들은 서로 다른 인과 다이어그램을 가지고 있었습니다. 담배 업계는 유전 요인을 교란변수로 넣었고, 보건 전문가들은 제외했습니다. 다이어그램으로 표현하면 이 차이가 명확해지고, 어떤 데이터가 두 모델을 구별할 수 있는지 알 수 있습니다.
함의: 과학적 투명성과 재현성이 향상됩니다. 숨겨진 가정이 드러나고, 다른 연구자들이 비판하고 개선할 수 있습니다.
5. 무작위 실험이 불가능하거나 비윤리적인 경우에도 인과 효과를 추정할 수 있다
흡연을 무작위로 배정하는 실험은 비윤리적입니다. 그러나 적절한 교란변수를 통제하면 관찰 데이터에서 인과 효과를 추정할 수 있습니다. Do-calculus는 이것이 가능한 조건을 수학적으로 명확히 제시합니다.
함의: 윤리적 제약이나 실용적 이유로 실험이 불가능한 많은 분야 (역학, 경제학, 사회정책)에서 인과 추론이 가능해집니다.
6. 반사실적 추론은 인간 지능의 핵심이며, AI도 이 능력을 가져야 한다
인간은 실수에서 배웁니다. ‘만약 내가 다르게 행동했다면 더 좋은 결과를 얻었을 텐데’라고 생각하는 것이 학습의 기초입니다. 법적 책임도 ‘만약 피고가 다르게 행동했다면 피해가 발생하지 않았을 것이다’라는 반사실에 기반합니다.
함의: AI가 책임감 있게 행동하고 자율적으로 학습하려면 반사실적 추론 능력이 필요합니다. 단순 패턴 인식을 넘어서는 질적 도약이 요구됩니다.
7. 현재 딥러닝의 성과는 인상적이지만 커브 피팅에 불과하며, 인과 이해가 없다
이미지 분류에서 탁월한 성능을 보이는 딥러닝 모델도 교란변수에 속을 수 있습니다. 예를 들어, 눈 배경과 늑대를 혼동하거나, 특정 병원의 X-ray 기계 특성을 질병으로 오인할 수 있습니다.
함의: 전이 학습, 분포 외 일반화, 설명 가능성 문제를 해결하려면 인과적 이해가 필요합니다. 단순히 모델을 크게 만드는 것으로는 이 문제를 해결할 수 없습니다.
읽는 법 (3가지 경로)
경로 1: 빠른 이해 (12-15시간)
챕터: 서론, 1장, 4장, 10장
인과혁명의 핵심 아이디어를 빠르게 파악하고 싶다면 서론, 인과관계의 사다리, 교란변수 다루기, AI와의 연결을 읽으세요. 이 네 장으로 펄의 핵심 메시지를 이해할 수 있습니다.
추천 대상: 머신러닝 실무자, AI 연구자, 빠른 개요를 원하는 독자
경로 2: 표준 독서 (25-30시간)
챕터: 서론, 1-6장, 10장
역사적 맥락과 주요 응용 사례를 포함하여 읽으려면 1-6장과 마지막 장을 읽으세요. 흡연-폐암 논쟁과 심슨의 역설 같은 유명한 사례들을 통해 이론이 실제로 어떻게 적용되는지 볼 수 있습니다.
추천 대상: 통계학자, 데이터 과학자, 연구 방법론에 관심 있는 독자
경로 3: 완전한 이해 (40-50시간)
챕터: 전체 (서론 + 1-10장)
완전한 이해를 원한다면 전체를 읽으세요. Do-calculus의 기술적 세부사항, 반사실의 형식 이론, 매개 분석까지 모두 다룹니다.
추천 대상: 인과 추론 연구자, 박사과정 학생, 심화 학습을 원하는 전문가
연결 가능한 이전 지식
선수 지식
- 기초 확률론 (조건부 확률, 베이즈 정리)
- 통계학 기초 (회귀분석, 상관관계)
- 과학철학에 대한 관심
관련 프레임워크
- Rubin Causal Model (RCM): 잠재적 결과 프레임워크, 펄의 do-calculus와 상호보완적
- Potential Outcomes Framework: 실험 설계의 기초, 펄은 이를 관찰 데이터로 확장
- Bayesian Networks: 펄의 이전 연구, 인과 다이어그램의 기술적 기반
추천 후속 독서
- Causal Inference: The Mixtape (Scott Cunningham) - 경제학 응용 중심
- Elements of Causal Inference (Peters, Janzing, Schölkopf) - 수학적 깊이
- Causal Inference in Statistics: A Primer (Pearl, Glymour, Jewell) - 입문 교재
한글 분석
핵심 용어의 한국어 번역
| 영문 | 한국어 번역 | 설명 |
|---|---|---|
| Confounding | 교란, 혼동 변수 | 원인과 결과 모두에 영향을 주는 제3의 변수 |
| Backdoor Criterion | 백도어 기준, 뒷문 기준 | 교란 변수를 통한 거짓 경로를 차단하는 방법 |
| do-Calculus | do-미적분, 개입 계산법 | 개입 효과를 수학적으로 계산하는 방법 |
| Counterfactual | 반사실, 반사실적 추론 | “만약 다르게 했다면” 하는 가정적 상황 |
| Ladder of Causation | 인과 사다리, 인과관계의 계층 | 관찰 → 개입 → 반사실의 3단계 |
| Mediator | 매개변수, 중재 변수 | 원인과 결과 사이의 중간 메커니즘 |
한국 학계 수용도
높은 수용도 (실제로 많이 사용):
- 교란 변수, 혼동 변수 (confounding)
- 인과 관계, 인과 추론 (causal inference)
- 개입, 간섭 (intervention)
- 조정 변수 (adjustment set)
중간 수용도 (학자마다 다름):
- 반사실, 반사실적 (counterfactual) - “가정적 시나리오”가 더 직관적일 수 있음
- 백도어 기준 (backdoor criterion) - “교란 조정 기준”으로 풀어 쓰기도 함
낮은 수용도 (대부분 영문 그대로 사용):
- do-calculus → 거의 그대로 “do-calculus” 또는 “do-미적분”
- Markov blanket → “마르코프 블랭킷” (번역 거의 안 함)
실무 적용 시 고려사항
한국 데이터 과학 커뮤니티에서는 대부분 영문 용어를 그대로 사용하는 경향이 있습니다. 특히 기술 문서나 코드에서는 “do-operator”, “backdoor criterion” 같은 영문 용어가 표준입니다. 한글 번역은 교육이나 대중 설명 시에 주로 사용됩니다.
메타데이터
- 출처: 웹 종합 (tier2-web)
- 생성일: 2025-11-10 KST
- 상태: inbox (검토 대기)
- 다음 단계: 초기 검토 후 20@area/reading/으로 이동
| Inbox Status: Processing | Next Step: 초기 검토 후 20@area/reading/으로 이동 |