대통령 평가의 깊이: '잘함/못함'을 넘어 '가까움'을 묻다

 

대통령 평가의 깊이: '잘함/못함'을 넘어 '가까움'을 묻다

국정 평가의 한계: 왜 지지율은 요동치는가?

대부분의 여론조사에서 대통령의 지지율을 측정하는 표준 문항은 "국정 운영을 '잘하고 있다'고 평가하십니까, 아니면 '잘못하고 있다'고 평가하십니까?"입니다.

이 문항이 포착하는 것은 대통령의 '태도(Attitude)' 영역입니다. 태도는 단기적인 사건, 경제 상황, 최근 정책의 성공 여부 등 환경적 변화에 민감하게 반응합니다. 따라서 지지율은 일희일비(一喜一悲)하며 요동치는데, 이는 곧 국정 평가가 유권자의 일시적인 감정적/인지적 판단을 반영함을 의미합니다.

하지만 정치 현상을 깊이 이해하려면, 이 유동성 뒤에 숨겨진 유권자의 '정체성(Identity)' 요소를 포착해야 합니다. 유권자가 특정 정당에 갖는 정당 일체감(PID)처럼, 대통령에게도 가치관 기반의 견고한 유대감이 있을 수 있습니다.

개인 지도자에게 '정체성'을 묻는 방식

대통령 국정 평가에 영향을 미치는 가장 큰 정체성 요소는 '정당 일체감(PID)'입니다. 사람들은 자신이 지지하는 정당 소속 대통령을 긍정적으로, 반대 정당 대통령을 부정적으로 편향되게 평가합니다.

그러나 우리는 대통령 개인 및 행정부 자체에 대한 '가치 기반의 유대감'을 직접 측정하는 새로운 문항을 제안합니다. 이는 단순한 호불호를 넘어, "저 리더와 정부가 나의 근본적인 가치와 얼마나 정렬되어 있는가?"를 묻는 방식입니다.

제안 문항: 가치 기반의 심리적 거리 측정

"귀하는 본인 이념이나 평소 정책에 대한 선호 등을 고려했을 때, 이재명 대통령 혹은 이재명 정부와 어느 정도 '가깝다'고 느끼십니까?"

제안 문항이 포착하는 세 가지 깊이

이 문항은 표준적인 '잘함/못함' 질문과 달리 세 가지 측면에서 유권자의 정체성 지향적인 심리를 포착합니다.

1. 가치관을 통한 '태도' 안정화

문항에 "본인 이념이나 평소 정책에 대한 선호 등을 고려했을 때"라는 조건을 명시함으로써, 응답자가 일시적인 이슈가 아닌 장기간 형성된 자신의 가치관을 기준으로 평가하게 유도합니다. 이로 인해 응답의 안정성이 높아지며, 그 결과는 단기적인 태도보다 훨씬 정체성적 성향을 반영합니다.

2. '가깝다'는 심리적 유대감 측정

'잘한다(수행 평가)'가 아닌 '가깝다(유대감)'를 사용함으로써, 유권자에게 정서적인 애착과 심리적 거리감을 묻습니다. 이재명 대통령 개인뿐만 아니라 **'이재명 정부'**라는 조직 전체와의 유대감까지 묻기 때문에, 개인 지도자와 그가 이끄는 집단 모두에 대한 정렬(Alignment) 상태를 포괄적으로 측정할 수 있습니다.

3. 순수한 지지 기반 파악

이 문항을 통해 얻은 결과는 대통령의 일시적인 인기나 정책 성공에 기대지 않는, 유권자의 견고한 이념적 동의에 기반한 '순수 지지 기반'을 보여줍니다. 이 수치는 정부가 어려운 상황에 놓였을 때도 쉽게 이탈하지 않을 최소한의 충성도를 가늠하게 해줍니다.

결론: 분석의 차원을 높이다

대통령 국정 평가를 단지 '잘함/못함'의 이분법으로만 측정한다면, 우리는 매일 출렁이는 여론의 표면만을 볼 뿐입니다. 위 제안 문항처럼 '정체성 지향적'인 질문을 추가함으로써, 우리는 단기적인 태도(지지율)와 장기적인 정체성(가까움)을 모두 파악할 수 있게 됩니다.

이러한 다차원적 분석만이 한국 유권자의 복잡하고 심층적인 정치 심리를 이해하는 데 핵심적인 통찰을 제공할 것입니다.

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