Field Summary: 마을 어른들의 농언이 만드는 잘못된 결정
어느 농촌 마을에서나 흔히 듣는 농언이 있다. “3년 흉작이 들면 그 다음 해는 풍작이다”, “큰 풍작 뒤에는 큰 흉작이 따라온다”, “흉작이 길어지면 이제 곧 풀린다”는 식의 말들이다. 이 농언들은 수십 년의 마을 경험에서 우러난 것처럼 들리지만, 통계적으로 분석하면 그 근거가 매우 약하다. 농언이 가르치는 풍흉작의 균형은 자연이 의도적으로 보상하는 메커니즘이 아니라, 시간이 지나면서 단순히 평균값으로 수렴하는 통계적 경향을 잘못 해석한 결과다.
본 리포트는 농부의 풍흉작 미신이 왜 이렇게 끈질기게 살아남는지, 그 미신의 통계적 뿌리인 평균 회귀(Regression to the Mean) 현상은 어떻게 작동하는지, 그리고 농부가 이 미신을 인지적으로 통제하지 못할 때 어떤 잘못된 결정을 내리게 되는지를 정리한다. 농언이 농부의 직관을 안내하는 것은 자연스러운 일이지만, 그 직관 위에서 자기 농장의 자본을 걸 때는 농언이 통계와 어떻게 다른지를 먼저 알아야 한다.
평균 회귀의 통계적 본질
19세기 영국의 통계학자 프랜시스 골턴(Francis Galton)이 처음 정형화한 평균 회귀는 한 변수의 극단적 값이 관찰된 후 같은 변수의 다음 관찰값이 평균에 더 가까워지는 통계적 경향을 말한다. 골턴은 키 큰 부모의 자녀들이 부모만큼 크지 않다는 사실에서 이 현상을 발견했다. 한 부모가 매우 키가 컸다면 그 자녀도 평균보다 크지만 부모만큼 극단적이지는 않다는 패턴이 일관되게 관찰된다.
회귀가 발생하는 근본 이유
평균 회귀가 발생하는 근본적 이유는 한 관찰값이 두 가지 요소의 결합으로 만들어지기 때문이다. 하나는 그 대상의 진짜 평균값이고, 다른 하나는 그 시점의 무작위 변동이다. 한 관찰값이 극단적이라는 것은 진짜 평균이 극단에 있거나 그 시점의 무작위 변동이 한 방향으로 크게 작용했음을 의미한다. 다음 관찰에서 진짜 평균은 동일하게 유지되지만 무작위 변동은 평균 0으로 회귀하므로, 다음 관찰값은 평균에 더 가까워진다.
농지 수확량에서의 평균 회귀
한 밭의 수확량도 같은 구조를 가진다. 그 밭의 진짜 평균 생산력과 그 시즌의 무작위 환경 변동(기상, 병해, 토양 미생물 활성 등)이 결합되어 한 시즌의 수확량이 만들어진다. 한 시즌이 평균보다 극단적으로 좋았다면 그 밭의 평균이 평소보다 높아진 것이 아니라 무작위 변동이 좋은 방향으로 크게 작용한 것이다. 다음 시즌에는 무작위 변동이 평균 방향으로 회귀하므로 수확량도 평균에 더 가까워진다. 이 회귀가 농부에게는 “큰 풍작 뒤에는 흉작이 따라온다”는 농언으로 인식된다.
농언이 미신이 되는 지점
평균 회귀는 통계적 사실이지만 농언이 이 사실을 인식적 미신으로 변환하는 두 가지 함정이 있다. 첫째, 농언은 회귀의 정도와 방향을 과장한다. 큰 풍작 다음에 같은 크기의 흉작이 와야 균형이 맞는다고 농언이 가르치지만, 실제로 평균 회귀는 평균을 향한 부분적 이동일 뿐 정반대 극단으로의 이동이 아니다.
균형 맞추기 직관의 오류
“균형이 맞춰진다”는 농부의 직관은 자연이 의도적으로 정반대 결과를 만든다는 잘못된 모델에 기반한다. 자연은 균형을 맞추지 않는다. 단지 무작위 변동이 평균값 0으로 회귀하면서 결과가 평균 주변에 분포할 뿐이다. 두 해석의 실무적 차이는 크다. 균형 맞추기 모델을 믿는 농부는 풍작 직후 흉작에 대비해 보수적으로 운영하고, 흉작 직후 풍작을 기대해 공격적으로 운영한다. 평균 회귀 모델을 이해한 농부는 두 시점에서 모두 평균값을 기준으로 보수적인 운영을 유지한다.
회귀의 강도는 상관관계로 결정된다
평균 회귀의 강도는 두 관찰값 사이의 상관관계가 약할수록 크다. 두 관찰값이 완벽한 상관관계(r=1)를 가진다면 회귀가 전혀 발생하지 않고, 두 관찰값이 무상관(r=0)이라면 두 번째 관찰값은 단순히 전체 평균에 가까워진다. 농지에서 한 시즌의 수확량과 다음 시즌의 수확량의 상관관계는 0.4~0.7 정도가 일반적이며, 이 상관관계의 정도가 평균 회귀의 정도를 결정한다. 평균 회귀의 정식 정의는 이 상관관계와 회귀의 수학적 관계를 명확히 한다.
풍흉작 미신의 인지적 뿌리
인간의 인지 시스템이 풍흉작 미신에 잘 빠지는 이유는 진화적 환경에서 패턴 인식이 생존에 유리했기 때문이다. 강에서 물고기가 자주 잡히는 자리는 다음에도 자주 잡히고, 한 동물이 자주 다니는 길은 내일도 그 자리에 있을 가능성이 높다. 이런 환경에서 인간의 뇌는 반복 패턴에서 정보를 추출하는 능력을 발달시켰다. 그러나 풍흉작처럼 무작위 변동이 큰 비중을 차지하는 현상에서 이 능력은 오작동한다. 뇌가 존재하지 않는 패턴을 만들어내고, 그 가짜 패턴에 기반한 결정을 내린다.
핫핸드 변주: 풍작이 풍작을 부른다는 미신
같은 인지 편향이 정반대 방향으로 나타나기도 한다. 한 농부가 “이 밭이 3년 연속 풍작이니 다음 해도 풍작이 들 것이다”라고 믿으면 그것은 핫핸드 오류의 농학적 변주다. 균형 맞추기 미신과 핫핸드 미신은 외형이 반대지만 본질은 동일하다. 무작위 변동이 큰 현상에서 과거 결과가 미래에 정보를 제공한다고 믿는 잘못된 추론이다.
두 미신이 결합될 때의 위험
한 농부가 자기 풍작은 핫핸드 흐름으로 해석하고, 자기 흉작은 곧 보상될 일시적 편향으로 해석한다면, 그 농부는 두 시점 모두에서 평균보다 공격적으로 운영하게 된다. 풍작 직후에는 흐름이 계속될 것이라고 믿고 파종량을 늘리고, 흉작 직후에는 보상이 올 것이라고 믿고 다시 파종량을 늘린다. 두 미신이 결합되면 농부는 자기 농장을 항상 평균 이상의 위험에 노출시킨다. 30년 누적 수확 데이터의 평균 수렴을 이해한 농부만이 두 미신의 결합에서 벗어날 수 있다.
미신을 인지적으로 통제하는 절차
풍흉작 미신을 인지적으로 통제하는 가장 효과적인 방법은 매 시즌의 결정 근거를 사전에 기록하는 절차를 만드는 것이다. 한 농부가 다음 시즌의 파종량을 결정할 때 그 근거를 명시적으로 기록한다. “지난 3시즌이 흉작이었으므로 이번 시즌은 풍작 확률이 높다고 보고 파종량을 늘림”이라고 기록했다면, 1년 후 그 기록을 다시 볼 때 그 추론이 풍흉작 미신이었음이 명백해진다.
장기 데이터를 우선시하는 결정 규칙
또 다른 방법은 단기 데이터보다 장기 데이터의 우선순위를 높이는 규칙을 도입하는 것이다. 한 시즌이나 두 시즌의 결과는 무작위 변동의 영향이 크지만, 30시즌 누적 데이터는 그 영향이 평균화된 진짜 능력에 가깝다. 농부가 자기 결정을 단기 데이터가 아닌 장기 데이터에 기반하면 풍흉작 미신의 함정을 자연스럽게 피할 수 있다.
극단치를 신호가 아닌 잡음으로 처리하기
가장 중요한 절차는 극단적 결과를 새로운 정보의 신호가 아니라 일시적 잡음으로 처리하는 인지 습관이다. 한 농부가 매우 좋은 시즌이나 매우 나쁜 시즌 직후에 자기 운영 전략을 변경하려는 충동을 느낀다면, 그 충동 자체가 평균 회귀를 무시하는 신호다. 충동을 보류하고 다음 5~10시즌의 결과를 추가로 관찰한 후 결정해도 늦지 않다. 단기 진폭에 반응한 전략 변경은 평균 회귀의 정상적 흐름을 잘못된 인과로 해석한 결과인 경우가 대부분이다.
Closing Remark: 통계를 안 농부의 농언은 달라진다
평균 회귀를 인지하는 농부는 한 시즌의 풍작에 들뜨지 않고 한 시즌의 흉작에 좌절하지 않는다. 두 극단 모두 다음 시즌의 평균 회귀로 흡수될 일시적 변동이라는 사실을 알고 있기 때문이다. 농언이 가르치는 균형 맞추기는 자연의 의도가 아니라 단순한 평균화의 인지적 번역이며, 그 번역에 기반한 결정은 자기 농장의 자본을 평균보다 큰 위험에 노출시킨다.
Watermark Farm Labs는 풍흉작 미신을 농부가 자기 자본을 가장 쉽게 잃는 인지 경로로 정의한다. 자본 자체가 잘못된 결정으로 사라지는 것이 아니라, 잘못된 인지 위에서 결정이 내려졌기 때문에 자본이 사라진다. 인지가 먼저 무너지고 그 다음에 자본이 무너진다. 통계의 언어로 농언을 다시 해석하는 농부만이 자기 농장의 자본을 지킬 수 있다.