권세혁HOME
  • SDV(데이터 가치화)
  • 강의노트
    • 기초수학·수리통계·조사방법
    • 기초통계·회귀·다변량분석
    • 머신러닝·딥러닝
    • AI·감성분석
  • 통계챗봇
  • 오늘의 검색 트렌드
  • 통계, 다르게 읽기
  • 통계로 보는 세상(티스토리 e책방)
  • AI_플랫폼(주식 매수 점수)
  • 유튜브
  1. 📖 (비율과 백분율의 함정) 위험이 두 배 증가했다는 뉴스는 얼마나 위험한가?
  • 📋 전체 목록

  • 📖 (비율과 백분율의 함정) 인구 1만 명당 범죄율을 사용하는 이유
  • 📖 (비율과 백분율의 함정) 위험이 두 배 증가했다는 뉴스는 얼마나 위험한가?
  • 📖 (비율과 백분율의 함정) 지지율 3% 상승인가, 3%포인트 상승인가?
  • 📖 (비율과 백분율의 함정) 매출이 50% 늘었다는 말에 속지 않는 법
  • 📖 (숫자를 대표하는 방법) 같은 평균, 전혀 다른 세상
  • 📖 (숫자를 대표하는 방법) 연봉은 평균보다 중앙값으로 보아야 하는 이유
  • 📖 (숫자를 대표하는 방법) 우리 반 평균이 올랐는데 학생들은 왜 불만일까?
  • 📖 (숫자를 대표하는 방법) 별점 4.5점짜리 식당은 믿을 만한가?
  • 📖 (숫자를 대표하는 방법) 내 체온 36.5도는 정말 정상인가?
  • 📖 지각하는 사람들의 비밀
  • 📖 대기 시간의 비밀
  • 📖 평균의 함정
  • 📖 p-값은 왜 0.05인가?
  • 📖 카톡 답장 속도와 호감도의 통계학
  • 📖 (그래프는 어떻게 우리를 속이는가) 막대그래프의 축을 자르면 차이가 커진다
  • 📖 (그래프는 어떻게 우리를 속이는가) 두 개의 세로축이 만드는 가짜 상관관계
  • 📖 (그래프는 어떻게 우리를 속이는가) 누적그래프는 왜 항상 좋아 보일까?
  • 📖 (그래프는 어떻게 우리를 속이는가) 선형 눈금과 로그 눈금은 무엇이 다른가?
  • 📖 (그래프는 어떻게 우리를 속이는가) 좋은 그래프는 무엇을 숨기지 않는가?
  • 📖 (사람의 직관은 왜 통계와 충돌하는가) 농구에서 ’슛 감각이 올랐다’는 말은 사실일까?
  • 📖 (사람의 직관은 왜 통계와 충돌하는가) 동전이 다섯 번 앞면이면 다음은 뒷면일까?
  • 📖 (사람의 직관은 왜 통계와 충돌하는가) 성공한 사람만 보면 성공법이 보이지 않는다
  • 📖 (사람의 직관은 왜 통계와 충돌하는가) 시험을 망친 다음 점수가 오르는 이유
  • 📖 (사람의 직관은 왜 통계와 충돌하는가) 기억에 잘 남는 사건이 더 자주 일어난다고 느끼는 이유
  • 📖 (기록의 착시, 대표값의 재발견) 연승과 연패, 우연일까 실력일까
  • 📖 (기록의 착시, 대표값의 재발견) 작은 표본이 만드는 큰 착각 — 야구 타율 3할의 의미
  • 📖 (기록의 착시, 대표값의 재발견) 세대별 평균이 말해주는 진짜 의미 — 평균 키가 자라는 이유
  • 📖 (기록의 착시, 대표값의 재발견) 평균으로 설명되지 않는 데이터들 — 최빈값이 필요한 순간
  • 📖 (기록의 착시, 대표값의 재발견) 평균의 함정 총정리 — 평균 수심 1m 강물이 위험한 이유
  • 📖 (흩어짐과 역설) “보통”의 폭을 재는 법 — 표준편차란 무엇인가
  • 📖 (흩어짐과 역설) 재벌 총수가 낀 동네 평균 소득 — 이상치 하나가 바꾸는 평균
  • 📖 (흩어짐과 역설) 입시에서 표준점수를 쓰는 이유 — 편차값의 비밀
  • 📖 (흩어짐과 역설) 단위가 다른 두 집단을 견주는 법 — 변동계수로 비교하기
  • 📖 (흩어짐과 역설) 부분에서 이기고도 전체에서 지는 이유 — 심슨의 역설
  • 📖 (숫자로 사람을 줄 세우는 법) 숫자 하나로 사회를 요약하기 — 지니계수로 읽는 불평등
  • 📖 (숫자로 사람을 줄 세우는 법) 어느 쪽이 더 공정할까 — 상대평가 vs 절대평가
  • 📖 (숫자로 사람을 줄 세우는 법) 1점 차이가 갖는 진짜 무게 — 순위의 착시
  • 📖 (숫자로 사람을 줄 세우는 법) 5.0과 4.8 사이, 표본크기의 문제 — 별점 평균의 함정
  • 📖 (숫자로 사람을 줄 세우는 법) 별점 대신 순위를 매기는 이유 — 넷플릭스 평점 시스템
  • 📖 (공식 통계 숫자 읽는 법) 평균수명 60세 시대의 오해 — 기대수명이라는 숫자의 함정
  • 📖 (공식 통계 숫자 읽는 법) 나만의 장바구니 물가지수 — 체감 물가와 통계 물가
  • 📖 (공식 통계 숫자 읽는 법) 누구를 세고 누구를 빼는가 — 실업률의 숨은 정의
  • 📖 (공식 통계 숫자 읽는 법) 분모가 다르면 결론도 다르다 — 치명률 숫자 읽는 법
  • 📖 (공식 통계 숫자 읽는 법) 인과추론 감각을 기르는 법 — 미신적 상관관계 모음

목차

  • “위험이 18% 증가했다”는 보도
  • 상대위험(RR)과 절대위험, 같은 숫자 다른 이야기
  • 진짜 조심해야 할 경우: 원래 위험이 아주 작을 때
  • 결론: “몇 배”라는 말을 들으면 “원래 얼마인데?”

(비율과 백분율의 함정) 위험이 두 배 증가했다는 뉴스는 얼마나 위험한가?

통계기초
기술통계
’가공육을 매일 먹으면 대장암 위험이 18% 증가한다’는 보도, 실제로 몇 명에게 어떤 의미일까? 상대위험과 절대위험을 구분해서 읽는 법을 다룹니다.
Author

권세혁

Published

August 5, 2026

“위험이 18% 증가했다”는 보도

건강 관련 통계는 강의 중 가장 반응이 뜨거운 주제다. 몇 해 전, 세계보건기구(WHO) 산하 기관이 “가공육을 매일 일정량 이상 먹으면 대장암 위험이 18% 증가한다”고 발표했을 때도 그랬다. 한국에서도 다음 날 “소시지가 발암물질”이라는 자극적인 제목의 기사가 쏟아졌고, 한동안 대형마트 소시지 코너가 한산했다는 얘기까지 돌았다.

18%라는 숫자만 보면 상당히 위협적이다. 그런데 이 18%는 정확히 무엇의 18%일까?

상대위험(RR)과 절대위험, 같은 숫자 다른 이야기

역학·의학 통계에서는 이런 위험 비교를 상대위험도(Relative Risk, RR)라는 지표로 나타낸다.

\[\text{RR} = \frac{\text{노출군의 발생률}}{\text{비노출군의 발생률}}\]

“위험이 18% 증가했다”는 말은, 가공육을 먹는 집단의 대장암 발생률이 먹지 않는 집단보다 상대적으로 18% 더 높다는 뜻이다(RR ≈ 1.18). 이 계산 자체는 틀리지 않았다. 문제는, 이 숫자가 원래 발생률이 얼마였는지를 전혀 알려주지 않는다는 점이다.

절대위험이 함께 필요한 이유

건강 커뮤니케이션 전문가들이 실제로 설명에 사용하는 근사치에 따르면, 대장암의 평생 발생 위험은 대략 100명 중 6명(6%) 수준이다. 가공육을 매일 먹는 집단에서는 이 위험이 대략 100명 중 7명(7%) 정도로 올라가는 것으로 알려져 있다.

\[\frac{7}{6} \approx 1.17 \;(\text{약 } 17{\sim}18\% \text{ 증가})\]

상대적으로는 18% 증가가 맞지만, 절대적으로는 100명 중 1명이 늘어난 것이다.

100명 중 대장암에 걸리는 사람 수. 왼쪽(가공육을 먹지 않는 집단)은 6명, 오른쪽(매일 먹는 집단)은 7명. 상대적으로는 ’18% 증가’지만, 그림으로 보면 딱 1명의 차이다.

진짜 조심해야 할 경우: 원래 위험이 아주 작을 때

상대위험이 위험한 착시를 만드는 진짜 이유는 따로 있다. 원래 발생률이 아주 작은 사건일수록, 상대위험은 쉽게 몇 배씩 뛴다.

세 가지 사례 비교. 왼쪽은 상대위험(몇 배 증가), 오른쪽은 절대위험 증가폭(%p, 로그 눈금)이다. 방사능 노출 사례처럼 절대위험도 함께 큰 경우가 있는가 하면, 희귀질환처럼 상대위험은 커도 절대위험은 거의 0에 가까운 경우도 있다.

가운데 “방사능 노출” 사례는 비노출군 발생률 1%, 노출군 발생률 5%로 상대위험(RR)이 5배에 달한다. 이때는 절대위험도 4%포인트나 늘어나므로, 상대위험과 절대위험이 함께 심각하다. 반면 오른쪽 “희귀질환” 사례는 상대위험이 3배(200% 증가)로 커 보이지만, 절대위험은 0.01%에서 0.03%로 늘어난 것뿐이라 실제 영향은 미미하다. 상대위험 하나만 보고는 이 둘을 구분할 수 없다.

더 깊이: 상대위험도와 승산비(오즈비)

이 글에서 다룬 상대위험도(RR)는 통계학에서 역학 연구 지표로 정식으로 다뤄진다. 강의노트 〈기초통계 4. 교차표 검정 — 상대위험도와 승산비〉에서는 방사능 노출과 질병 발생 사례(\(\hat\pi_1=0.05,\ \hat\pi_2=0.01,\ RR=5\), 이 글의 두 번째 사례와 같은 예제다)를 통해 RR의 정의와 해석 기준, 그리고 사례-대조군 연구에서 대신 쓰이는 승산비(Odds Ratio)와의 차이까지 다룬다. 신문 기사의 “몇 배 위험” 뒤에 있는 정식 통계적 정의가 궁금하다면 참고할 만하다.

결론: “몇 배”라는 말을 들으면 “원래 얼마인데?”

위험 관련 보도를 읽는 법
  1. “위험이 N% 증가”라는 표현을 보면, 상대위험인지 절대위험인지부터 구분한다.
  2. 원래 발생률(기저 위험)이 얼마인지 함께 찾아본다. 기저 위험이 아주 작다면, 상대위험이 커 보여도 실제 영향은 작을 수 있다.
  3. 반대로 기저 위험이 이미 상당히 크다면, 작아 보이는 상대위험 증가도 무시하면 안 된다.
  4. “몇 배” “몇 퍼센트 증가”라는 말은 항상 비교 대상(기준값)과 함께 이해한다. 이는 지난 글의 %와 %p 구분과도 같은 원리다.

상대위험은 “위험요인이 있는지 없는지”를 알려주는 유용한 신호다. 그러나 “그래서 나에게 실제로 얼마나 위험한지”를 알려주는 것은 절대위험이다. 뉴스의 자극적인 배수(倍數)에 놀라기 전에, 그 뒤에 있는 원래 숫자부터 찾아보자.

건강 기사를 볼 때마다 나는 학생들에게 같은 순서를 권한다. 제목의 배수를 보고 놀라지 말고, 본문으로 내려가 “원래 발생률이 몇 퍼센트였는지”부터 찾으라고. 대개 그 답은 기사의 가장 마지막 문단, 가장 작은 글씨로 숨어 있다.

 
 

방문자 수 since 2026.08.08