리커트 척도, 짝수냐 홀수냐가 문제가 아니다

리커트 척도, 짝수냐 홀수냐가 문제가 아니다

— 단극(Unipolar)과 양극(Bipolar)을 모르면, 척도 설계는 동전 던지기다

서베이 설계를 하다 보면 이런 논쟁을 반드시 만난다.

"5점으로 할까요, 4점으로 할까요?"

그리고 대부분 이렇게 결론 난다.

"중립 응답이 몰리니까 4점으로 합시다."

이 판단이 맞을 수도 있고, 치명적으로 틀릴 수도 있다. 그 갈림길은 "지금 이 척도가 단극인가, 양극인가"에 달려 있다. 그런데 놀랍게도 이 질문을 먼저 던지는 사람은 거의 없다.

양극 척도: 두 개의 극이 대칭을 이루는 구조

양극(bipolar) 척도는 의미적으로 반대되는 두 극 사이에 응답자를 위치시킨다. 가장 흔한 예는 이것이다.

① 매우 반대한다② 반대한다③ 보통이다④ 찬성한다⑤ 매우 찬성한다
←←←■ 중립→→→

여기서 핵심은 "보통이다"가 진짜 중립이라는 점이다. 찬성도 아니고 반대도 아닌, 의미 있는 제로 포인트(zero point)가 존재한다. 왼쪽으로 갈수록 반대의 강도가 올라가고, 오른쪽으로 갈수록 찬성의 강도가 올라간다. 두 방향이 거울처럼 대칭이다.

양극 척도의 특징:

  • 중립점이 개념적으로 자연스럽다
  • 두 방향 모두 "강도"를 가진다
  • 중립점을 기준으로 좌우가 대칭이다

단극 척도: 하나의 속성이 0에서 Max로 움직이는 구조

단극(unipolar) 척도는 하나의 속성이 없는 상태에서 최대 상태로 올라가는 구조다.

① 전혀 만족하지 않는다② 별로 만족하지 않는다③ 약간 만족한다④ 매우 만족한다
0LowMidHigh

여기서 "전혀 만족하지 않는다"는 불만족이 아니다. 만족이라는 속성이 제로(0)인 상태다. 반대편에 "불만족"이라는 별도의 극이 존재하지 않는다. 그저 만족의 양이 적은 것이다.

단극 척도의 특징:

  • 의미론적 중립이 존재하지 않는다 (0은 "없음"이지 "중간"이 아니다)
  • 방향이 하나뿐이다 — 낮음에서 높음으로
  • 개념적 제로 포인트가 한쪽 끝에 있다

그래서 척도수와 무슨 상관인가

여기가 핵심이다.

양극 척도와 홀수점의 궁합

양극 척도에는 중립점이 필수다. 찬성과 반대 사이에 "어느 쪽도 아닌" 지점이 개념적으로 자연스럽기 때문이다. 따라서 양극 척도에는 홀수점(5점, 7점)이 구조적으로 맞는다.

그런데 만약 양극 척도에 짝수점(4점)을 쓰면?

① 반대한다② 약간 반대한다③ 약간 찬성한다④ 찬성한다
←←→→

중립이 사라진다. 진심으로 "어느 쪽도 아닌" 응답자에게 어느 한쪽을 억지로 고르게 만드는 것이다. 이것을 강제 선택(forced choice)이라고 부른다.

강제 선택이 항상 나쁜 것은 아니다. 정치적 태도 조사에서 "찬성이야 반대야, 하나만 골라"라는 의도가 분명하다면 짝수점 양극 척도는 전략적 선택이 될 수 있다. 하지만 중요한 것은 이것이 의도적인 설계여야 한다는 것이다. "중립 응답이 많아서 짝수로 바꿨어요"라는 것과 "양극 구조에서 명확한 방향성을 확인하기 위해 강제 선택을 적용했습니다"는 설계 철학이 완전히 다르다.

단극 척도와 짝수점의 궁합

단극 척도에는 의미론적 중립이 원래 없다. 만족도가 0에서 Max로 올라가는 구조에서 "중간"이란 무엇인가? "반쯤 만족한다"일 뿐이지, "만족도 아니고 불만족도 아니다"가 아니다.

따라서 단극 척도에서는 짝수점이 오히려 자연스럽다.

반대로, 단극 척도에 5점을 쓰면서 가운데에 "보통이다"를 넣으면 어떻게 될까?

① 전혀 만족하지 않는다② 별로 만족하지 않는다③ 보통이다 (?)④ 약간 만족한다⑤ 매우 만족한다

③ "보통이다"가 여기서 대체 무슨 의미인가? 만족이 중간쯤 있다는 뜻인가, 만족도 불만족도 아니라는 뜻인가? 단극 척도에는 "어느 쪽도 아닌" 상태가 개념적으로 존재하지 않기 때문에, 이 중간점은 해석의 모호성을 만들 뿐이다.

실전에서 자주 보이는 혼동

사례 1: 만족도를 양극으로 설계

① 매우 불만족② 불만족③ 보통④ 만족⑤ 매우 만족

한국 서베이에서 가장 흔하게 보이는 만족도 척도다. 그런데 이 척도는 양극인가, 단극인가?

"불만족"과 "만족"을 반대 극으로 본다면 양극이다. 하지만 심리측정학적으로 보면 불만족과 만족이 정말로 하나의 연속선 위에 있는 반대 개념인지는 논쟁적이다. 허츠버그(Herzberg)의 2요인 이론처럼, 만족의 원인과 불만족의 원인이 다른 차원이라면 이 둘을 하나의 양극 척도에 올려놓는 것 자체가 타당하지 않을 수 있다.

실무적 판단은 이렇다:

  • "귀하의 삶에 얼마나 만족하십니까?" → 단극에 가깝다. 삶의 만족도라는 하나의 속성이 0에서 Max로 움직인다.
  • "이 정책에 대해 어떻게 생각하십니까?" → 양극에 가깝다. 지지와 반대라는 두 극이 존재한다.

같은 "만족"이라는 단어를 쓰더라도, 질문의 맥락에 따라 단극과 양극이 달라진다.

사례 2: 빈도를 양극으로 설계

① 전혀 하지 않는다② 거의 하지 않는다③ 보통 (?)④ 자주 한다⑤ 매우 자주 한다

빈도는 본질적으로 단극이다. 0회에서 N회까지 올라갈 뿐, "자주 하지 않는다"가 "자주 한다"의 반대 극이 되지 않는다. ③ "보통"은 아무런 의미가 없다. 빈도의 중간이 "보통"이라니, 그게 일주일에 몇 번인가?

올바른 설계:

① 전혀 하지 않는다② 거의 하지 않는다③ 가끔 한다④ 자주 한다

4점 단극. 방향이 하나고, 제로에서 시작한다. 깔끔하다.

사례 3: 동의 척도의 함정

① 전혀 동의하지 않는다② 동의하지 않는다③ 보통④ 동의한다⑤ 매우 동의한다

리커트가 원래 제안한 척도가 바로 이것이다. 이건 양극인가, 단극인가?

"동의하지 않는다"와 "동의한다"가 반대 극이므로 양극이라고 볼 수 있다. 하지만 DeVellis 같은 학자들은 동의 척도가 실제로는 단극적으로 작동한다고 주장한다. "동의하지 않는다"는 "동의한다"의 진정한 반대가 아니라, 동의라는 속성이 약한 상태일 뿐이라는 것이다.

이 논쟁은 여전히 열려 있다. 중요한 것은 설계자가 이 질문을 던졌느냐다.

정리: 척도수를 정하기 전에 물어야 할 질문

척도수(4점, 5점, 7점…)를 먼저 정하고 보기를 끼워 맞추는 것은 순서가 뒤집힌 것이다. 올바른 순서는 이렇다.

첫째, 이 문항이 측정하는 속성은 하나인가, 둘인가?

  • 하나의 속성이 없음에서 최대로 움직인다 → 단극
  • 두 개의 반대 속성 사이에서 위치를 잡는다 → 양극

둘째, 단극이라면 짝수점을 기본으로 고려한다.

  • 4점이 가장 흔하다
  • 중립점이 없어도 어색하지 않다
  • "보통"을 억지로 넣지 않는다

셋째, 양극이라면 홀수점을 기본으로 고려한다.

  • 5점 또는 7점이 일반적이다
  • 중립점이 개념적으로 의미가 있다
  • 강제 선택이 필요하면 짝수점을 의도적으로 사용한다

넷째, 척도수는 측정하려는 개념의 변별력에 맞춘다.

  • 응답자가 실제로 구분할 수 있는 수준 이상으로 세분화하면 노이즈만 늘어난다
  • 일반 대중 대상이면 4~5점이 적절하고, 전문가 패널이면 7점까지 가능하다

마지막 한마디

"5점으로 할까 4점으로 할까"는 결과여야지, 출발점이 되면 안 된다. 출발점은 항상 "이 문항은 단극인가 양극인가"다.

이걸 모르면 척도수를 아무리 고민해봐야 동전 던지기와 다를 바 없다. 그리고 동전 던지기로 설계한 척도에서 나온 데이터는, 아무리 정교한 통계 기법을 써도, 설계의 결함을 치유하지 못한다.

척도 설계는 통계 이전의 문제다. 개념의 문제다.

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