과학적 불확실성 속 정책결정: 부분식별과 귀납적 위험의 통합적 접근

초록

이 논문은 경제계량학의 부분식별(parital identification) 이론을 활용해 과학적 이론의 불완전성(underdetermination)과 귀납적 위험(inductive risk)을 정량화하고, 정책결정에서 다중 가설을 동시에 고려하는 합리적 기준(예: 최소최대 후회)을 제시한다.

상세 분석

본 연구는 과학적 이론이 데이터와 가정의 조합에 의해 다수의 서로 다른 모델로 설명될 수 있다는 ‘이론의 과잉결정(underdetermination)’ 현상을 부분식별이라는 계량적 틀로 구체화한다. 부분식별은 정확한 점추정이 불가능할 때 가능한 값들의 구간(bounds)을 제공함으로써, 불확실성을 명시적으로 드러낸다. 저자는 이러한 구간이 귀납적 위험—즉, 가설을 채택하거나 기각할 때 발생할 오류 확률—과 직접 연결된다고 주장한다. 전통적인 통계적 가설검정이 제1종·제2종 오류 확률만을 고정하고 손실 규모를 무시하는 반면, 부분식별은 손실 함수와 결합해 최소최대 후회(minimax‑regret)와 같은 의사결정 기준을 적용할 수 있게 한다. 논문은 두 가지 실증 사례를 제시한다. 첫째, 의료 치료 선택에서 기존의 5%·10% 오류 기준을 넘어서 환자 복지 손실을 고려한 최소최대 후회 규칙을 도입한다. 둘째, 기후 정책 설계에서 다양한 기후 모델이 제시하는 온도 상승 구간을 그대로 정책입안에 반영함으로써 ‘불가능한 확신’에 의존하지 않는 의사결정을 가능하게 한다. 또한, 철학적 용어와 계량경제학·결정이론 용어 사이의 매핑을 체계화하여, ‘underdetermination’↔‘partial identification’, ‘inductive risk’↔‘type I/II error’ 및 ‘maximum regret’와 같은 대응 관계를 명확히 한다. 이러한 매핑은 철학자와 정책분석가 간의 소통을 촉진하고, 과학적 불확실성을 정량화·전달하는 새로운 프레임워크를 제공한다. 논문은 부분식별이 단순히 이론적 호기심이 아니라, 실제 정책결정에서 과학적 불확실성을 책임감 있게 다루는 실용적 도구임을 강조한다.