‘대답하지 않을 자유’의 재해석

 

‘대답하지 않을 자유’의 재해석

- 결측값을 넘어 능동적 의사 표현으로서 ‘모름/무응답’의 가치 -

1. ‘모름/무응답(DK/NA)’을 바라보는 전통적 관점: 데이터의 결손

설문조사 연구에서 ‘모름/무응답(Don't Know/No Answer, 이하 DK/NA)’은 오랫동안 분석의 걸림돌이자 데이터의 불완전성을 드러내는 지표로 간주되어 왔다. 이러한 전통적 관점에서 DK/NA는 처리해야 할 ‘결측값(Missing Value)’, 즉 데이터의 결손(deficit)으로 취급된다. 연구자들이 DK/NA 비율을 줄이려는 주된 이유는 그것이 통계 분석에 야기하는 문제점 때문이다. DK/NA 응답이 특정 집단에 집중될 경우 표본의 대표성을 훼손하여 결과의 편향을 초래할 수 있으며, 결측값 처리를 위한 통계적 기법(예: 대체, 완전 제거)은 분석의 복잡성을 높이고 통계적 검정력을 약화시킨다.

이러한 관점에서 높은 DK/NA 비율은 종종 연구 설계의 실패, 즉 질문이 너무 어렵거나, 모호하거나, 응답자에게 부적절했음을 시사하는 지표로 해석된다. 따라서 연구의 무게중심은 자연스럽게 ‘어떻게 하면 DK/NA 응답을 최소화할 것인가’에 맞춰져 왔다.

2. ‘모름/무응답’의 다층적 의미: 무지, 양가감정, 그리고 저항

그러나 DK/NA를 단순히 ‘데이터의 결손’으로만 치부하는 것은, 그 안에 담긴 풍부하고 다층적인 의미를 간과하는 것이다. 응답자가 DK/NA를 선택하는 이유는 단순한 측정 실패를 넘어, 그 자체로 의미 있는 심리적 상태를 반영하는 경우가 많다.

  • 진정한 정보 부족(Genuine Lack of Information): 응답자가 해당 주제에 대해 전혀 알지 못하거나, 판단을 내릴 만큼의 충분한 정보를 갖고 있지 않은 경우이다. 이 경우, DK/NA는 응답자의 솔직한 상태를 나타내는 가장 정확한 응답이다.

  • 태도의 양가성(Attitudinal Ambivalence): 특정 사안에 대해 긍정적 측면과 부정적 측면을 모두 인식하여 하나의 입장으로 정리하기 어려운 복합적인 태도를 가진 경우이다. 이는 척도의 중간점을 선택하는 ‘중립’과는 질적으로 다른 상태이다.

  • 의견 형성의 유보(Withholding Opinion Formation): 사안을 인지하고 있으나 아직 안정적인 의견을 형성하지 못했거나, 의도적으로 판단을 유보하고 있는 상태를 표현하는 것일 수 있다.

  • 질문에 대한 저항(Resistance to the Question): 질문의 전제가 잘못되었다고 생각하거나, 제시된 보기들이 자신의 입장을 전혀 대변하지 못한다고 느낄 때, 혹은 질문 자체가 편향되거나 부적절하다고 판단하여 답변을 거부하는 능동적인 의사 표현일 수 있다.

  • 사생활 보호(Privacy Concerns): 소득, 건강 상태, 정치적 성향 등 민감한 정보에 대한 공개를 거부하는 방어적 수단으로 DK/NA를 선택하는 경우이다.

3. ‘강제 응답’의 함정: 무의미한 데이터의 양산

DK/NA를 원천적으로 차단하기 위해 모든 문항에 응답을 의무화하는 ‘강제 응답(Forced Response)’ 설계는 언뜻 효과적으로 보이지만, 실제로는 데이터 품질을 더욱 심각하게 훼손하는 함정을 내포하고 있다. 답변을 강요당한 응답자들은 다음과 같은 행태를 보일 수 있다.

첫째, **무작위 응답(Random Response)**이다. 정말로 의견이 없는 응답자는 다음 단계로 넘어가기 위해 임의의 보기를 선택하게 되고, 이는 데이터에 통계적 잡음(noise)을 주입하여 분석의 신뢰도를 떨어뜨린다.

둘째, **의미 없는 중간값 선택(Meaningless Midpoint Selection)**이다. ‘보통’이나 ‘중립’과 같은 중간 보기는, 진정한 중립적 태도보다는 강제 응답 상황에서 가장 손쉬운 ‘도피처’로 선택될 가능성이 높다.

셋째, 조사 이탈률(Dropout Rate) 증가이다. 자신의 의사에 반하여 답변을 강요당하는 불쾌한 경험은 응답자의 피로도를 높이고, 결국 설문을 중도에 포기하게 만드는 주요 원인이 된다. 이는 개별 문항의 결측을 막으려다 전체 응답 데이터를 잃게 되는 더 큰 손실로 이어진다.

4. ‘모름/무응답’을 해석하고 활용하는 방법론

따라서 연구의 패러다임은 DK/NA를 제거하는 것에서, 그것의 의미를 적극적으로 탐색하고 이해하는 방향으로 전환되어야 한다.

이를 위해, 응답자가 DK/NA를 선택했을 때 그 이유를 직접 묻는 **후속 질문(Follow-up Probes)**을 설계할 수 있다. (예: ①정보가 부족해서, ②아직 고민 중이어서, ③의견이 복합적이어서, ④답하고 싶지 않아서) 이는 DK/NA를 유형별로 분류하여 그 의미를 해석할 수 있는 귀중한 메타데이터(metadata)를 제공한다.

또한, 분석 단계에서는 DK/NA 응답 집단을 단순히 결측 처리하는 대신, 하나의 독립적인 분석 단위로 간주하고 그들의 인구통계학적, 심리적 특성을 다른 응답 집단과 비교 분석할 수 있다. 예를 들어, 특정 정책에 대한 DK/NA 응답이 특정 소득이나 연령 집단에 집중된다면, 이는 정책에 대한 정보가 특정 계층에 제대로 전달되지 않고 있음을 시사하는 중요한 발견이 될 수 있다.

5. 결론: ‘대답하지 않을 자유’를 존중하는 것의 가치

분석의 편의성을 위해 응답의 완전성을 강요하는 것은 측정의 타당성이라는 더 큰 가치를 훼손하는 행위다. 응답자에게 ‘대답하지 않을 자유’를 허용하고 존중하는 것은 단순한 윤리적 배려를 넘어, 더 진실하고 정확한 데이터를 얻기 위한 현명한 방법론적 선택이다. 이는 응답자가 잘 모르는 상태에서 억지로 만들어낸 ‘가짜 의견(non-attitudes)’이 데이터에 섞여드는 것을 방지하는 필터 역할을 한다.

궁극적으로 연구의 목표는 모든 칸이 채워진 데이터 테이블을 만드는 것이 아니라, 인간과 사회에 대한 더 깊고 정확한 이해에 도달하는 것이다. ‘모름/무응답’을 측정의 실패나 오류가 아닌, 그 자체로 의미를 담고 있는 하나의 정보로 바라볼 때, 우리는 비로소 응답자의 침묵 속에서도 중요한 목소리를 들을 수 있게 될 것이다. 때로는 침묵이 그 어떤 응답보다 더 많은 것을 말해준다.

댓글

댓글 쓰기

이 블로그의 인기 게시물

5점 척도 분석 시 (환산) 평균값이 최상일까?

이미지
 중간 보기가 없는 2점이나 4점의 경우는 긍정비율(찬성, 만족 등)을 가지고 주로 분석을 한다. 그러나 중간 보기가 있는 3점이나 (특히) 5점의 경우 긍정비율보다는 평균값(3점 or 5점 만점, 아니면 이를 100점으로 환산)을 많이 활용한다. 왜 일까? 아마도 중간 보기의 해석이 어려워서일거다.  그러나 최근에 통계청 2018 사회조사 결과를 보면서 5점 척도의 경우 평균값을 활용하지 않는다는 것을 알게 되었다. 심지어 평균값 자체를 산출하지 않는다고 했다. 척도 간 등간성이 확실하지 않은 상황에서 평균을 내는 것은 결과치를 왜곡할 수 있다는 이유에서였다. 물론 1점에서 5점 사이의 주관식 값으로 응답을 받은 거라면 평균을 낼 것이라고 했다. (이 기회에 저의 취재(?)를 응해주신 사회조사 담당 통계청 직원분께 감사의 말씀을...^^)  사실 10여년 간 5점 척도를 활용한 문항을 분석할 때 비율을 쓸지 평균을 쓸지 고민을 많이 했었다. 물론 선배 리서처들의 보고서에서 대부분 평균을 활용했길래 그걸 따라했었다. 그러나 오늘부터는 평균과 이별해야겠다.
자세한 내용 보기

이중차분법(DID)과 평행추세가정: 횡단 데이터로 정책 효과 측정하기

  서론: 시간의 흐름 속 ‘스냅샷’으로 정책 효과 측정하기, 횡단조사와 이중차분법(DID) 어떤 정책이 시행된 후, 그 효과를 과학적으로 측정하고 싶다고 가정해 봅시다. 가장 이상적인 방법은 정책의 영향을 받은 사람들과 받지 않은 사람들을 수년간 추적하는 종단조사(패널조사)를 실시하는 것입니다. 하지만 이는 막대한 비용과 시간이 소요되어 현실적으로 불가능한 경우가 많습니다. 그렇다면 우리에게 주어진 것이 특정 정책 시행 **‘전(before)’**과 **‘후(after)’**에 각각 실시된, 서로 다른 사람들을 대상으로 한 두 번의 횡단 웹서베이 데이터뿐이라면 어떨까요? 마치 특정 장소의 풍경을 다른 시간대에 찍은 두 장의 ‘스냅샷 사진’만 가지고 그곳에서 일어난 ‘변화의 원인’을 추론해야 하는 상황과 같습니다. 바로 이러한 제약 속에서 정책의 순수한 효과를 분리해내는 통계적 현미경이 바로 ‘이중차분법(DID)’입니다. 1. 분석을 위한 준비물: 필요한 데이터의 구조와 요건 횡단조사 데이터로 DID 분석을 수행하기 위해서는, 단순히 두 시점의 데이터가 있는 것만으로는 부족합니다. 다음과 같은 데이터 구조가 반드시 필요합니다. 두 개 이상의 횡단조사 데이터 : 정책 시행 전 과 후 , 최소 두 번의 조사가 필요합니다. 물론, 정책 시행 전 여러 시점의 데이터가 있다면 분석의 신뢰도는 훨씬 더 높아집니다. 동일한 표집틀과 모집단 : 각 시점의 조사는 동일한 모집단(예: 대한민국 성인)을 대상으로, 일관된 표집틀(예: 휴대전화 가상번호)을 사용하여 수행되어야 합니다. 처치집단(Treatment Group)과 통제집단(Control Group)의 구분 : 조사 데이터 내에, 정책의 영향을 받은 ‘처치집단’과 받지 않은 ‘통제집단’을 명확하게 구분할 수 있는 변수가 있어야 합니다. 예를 들어, ‘서울시’에만 특정 청년수당 정책이 도입되었다면, ‘거주 지역’ 변수를 통해 서울 거주자는 처치집단, 그 외 지역 거주자는 통제집단으로 나눌 수 있습니다. 일관된 결과변...
자세한 내용 보기

선거 여론조사 가중치 분석: 셀 가중 vs 림 가중, 무엇이 더 나은가?

  서론: 표본을 ‘유권자 전체’로 만드는 마법, 가중치와 두 가지 해법 선거여론조사는 보통 1,000여 명의 표본을 통해 수천만 명에 달하는 전체 유권자의 민심을 추정하는 작업입니다. 하지만 우리가 무작위로 추출한 1,000명의 인구통계학적 특성(성별, 연령, 지역 등)은 실제 유권자 전체의 구성비와 정확히 일치하지 않을 가능성이 높습니다. 예를 들어, 조사에 더 적극적인 60대 이상 응답자가 20대 응답자보다 더 많이 표집될 수 있습니다. 이때, 각 응답자에게 특정 ‘가중값’을 부여하여, 표본 내 각 그룹의 비율을 실제 유권자 비율과 동일하게 인위적으로 조정하는 과정을 **‘가중치 부여(Weighting)’**라고 합니다. 이는 마치 사진의 색감을 실제 풍경과 똑같이 맞추는 ‘색 보정’ 작업과 같습니다. 이 중요한 보정 작업을 수행하는 대표적인 두 가지 기법이 바로 셀 가중과 림 가중이며, 두 기법은 서로 다른 철학과 장단점을 가집니다. 1. 가장 직관적인 저울, 셀 가중(Cell Weighting)의 원리와 한계 셀 가중은 가장 이해하기 쉽고 직관적인 가중치 부여 방식입니다. 가중치를 부여하려는 모든 변수들을 동시에 교차시켜 다차원의 ‘셀(Cell)’을 만들고, 각 셀의 표본 비율을 모집단 비율과 일치시키는 방법입니다. 원리 : 한국 선거조사의 표준인 ‘성별-연령-지역’ 3가지 변수로 가중치를 준다고 가정해 봅시다. 셀 가중은 이 3가지 변수를 모두 결합한 ‘남자-20대-서울’, ‘여자-50대-경기/인천’과 같은 매우 구체적인 셀을 만듭니다. 그리고 각 셀마다 [실제 유권자 구성비(%)] / [표본 내 구성비(%)] 공식을 적용하여 가중값을 계산합니다. 예를 들어, 실제 ‘남자-20대-서울’ 유권자가 전체의 3%인데, 우리 표본에서는 2%만 차지했다면, 이 셀에 속한 모든 응답자에게는 3 / 2 = 1.5 의 가중치가 부여됩니다. 장점 : 원리가 명확하고, 각 셀의 인구 구성비를 정확히 알고 있으며, 셀마다 충분한 표본 수가 확보된다면 이론적으로...
자세한 내용 보기