응답자 주도 표본추출 방법론의 현주소와 한계

본 논문은 응답자 주도 표본추출(Respondent‑Driven Sampling, RDS)의 통계적 타당성을 평가하기 위해 세 가지 핵심 가정—시드 선택 편향, 응답자 행동의 비통제성, 그리고 무교체 추출 구조—에 대한 민감도 분석을 수행한다. 먼저, RDS는 초기 시드가 편의표본(convenience sample)이라는 점을 인정하고, 다수의 파동을 통해 ‘혼합(mixing)’ 효과를 기대한다. 그러나 저자들은 실제 연구에서 흔히 사용되는 파동 수(보통 5~8회)가 네트워크의 군집화 정도에 따라 충분히 혼합되지 않을 수 있음을 시뮬레이션으로 입증한다. 고도로 군집화된 네트워크에서는 초기 시드가 가진 특성이 샘플 전반에 남아 평균 추정치에 지속적인 편향을 남긴다. 두 번째로, 응답자들의 쿠폰 전달 행동이 무작위가 아니라 특정 동료를 선호하는 ‘선호적 추천(preferential referral)’ 패턴을 보일 경우, 고연결도 노드가 과도하게 표집되고 주변부 노드가 소외된다. 이는 응답자가 보고하는 자신의 연락망 규모(‘degree’)와 실제 네트워크 차수가 불일치하게 만들며, V‑H 추정기가 의존하는 포함 확률 π_i 를 잘못 추정하게 만든다. 저자들은 이러한 행동이 추정치에 큰 편향을 초래함을 다양한 시뮬레이션 시나리오를 통해 보여준다. 세 번째로, 기존 RDS 이론은 표본이 ‘교체 추출(with‑replacement)’ 방식의 무작위 워크(walk)와 동일하다고 가정한다. 실제 현장에서는 표본이 무교체이며, 특히 전체 모집단의 10~30%를 표집할 경우 이 가정이 크게 위배된다. 무교체 효과는 포함 확률을 과소추정하게 만들고, 특히 브랜칭 구조—한 응답자가 여러 알터를 동시에 모집하는 경우—가 결합되면 표본 간 의존성이 증가해 분산이 급격히 확대된다. 논문은 이러한 세 가지 요인을 종합적으로 고려한 시뮬레이션 프레임워크를 구축하였다. 시드 선택 편향, 선호적 추천, 무교체 효과를 각각 혹은 동시에 변형시켜, Salganik‑Heckathorn(S‑H) 추정기와 Volz‑Heckathorn(V‑H) 추정기의 평균 편향(bias)과 평균 제곱오차(MSE)를 비교하였다. 결과는 다음과 같다. (1) 파동 수가 충분히 많지 않을 경우, 두 추정기 모두 초기 시드 편향을 완전히 제거하지 못한다. (2) 선호적 추천이 존재하면 V‑H 추정기가 S‑H 추정기보다 상대적으로 더 큰 편향을 보이지만, 전체적으로는 V‑H가 더 낮은 분산을 유지한다. (3) 무교체 비율이 20%를 초과하면 두 추정기의 편향이 급격히 증가하고, 특히 V‑H 추정기의 MSE가 크게 악화된다. 저자들은 이러한 결과를 바탕으로 현재 RDS 방법론이 ‘강력하고 영리하지만’ 현실적인 가정 위에 지나치게 의존하고 있음을 경고한다. 실무에서는 (a) 시드 선택을 무작위에 가깝게 설계하고, 파동 수를 충분히 늘려 네트워크 혼합을 촉진하며, (b) 응답자 행동을 직접 관찰하거나 로그 데이터를 수집해 선호적 추천을 모델링하고, (c) 무교체 효과를 보정할 수 있는 새로운 추정 모형—예를 들어, 무교체 마코프 체인 혹은 베이지안 사후 추정—을 개발해야 한다고 제언한다. 또한, 연구자는 RDS 설계 단계에서 네트워크 구조(군집화 정도, 평균 차수)와 목표 표본 비율을 사전에 평가해, 가정 위배 위험을 최소화하는 전략을 수립할 필요가 있다. 결론적으로, 본 논문은 RDS가 하드‑투‑리치(population) 연구에 제공하는 실용적 장점을 인정하면서도, 현재 통계적 추정이 의존하는 핵심 가정들의 현실적 타당성을 면밀히 검증하고 보완할 필요성을 강조한다. 향후 연구는 무교체와 브랜칭을 동시에 고려한 정확한 포함 확률 추정법 개발과, 실제 현장에서 응답자 행동을 정량화할 수 있는 데이터 수집 프로토콜 구축에 초점을 맞춰야 한다.