연령·시기·코호트 분석의 새로운 통계적 접근에 대한 고찰

이 논문은 연령·시기·코호트(AGE‑PERIOD‑COHORT, APC) 분석이 선형 추세의 비식별성 때문에 수학적으로 완전한 해를 제공하지 못한다는 점을 정치학적 사례를 통해 설명한다. 저자는 2006년 미국 여론조사에서 40대가 가장 공화당에 가까운 결과를 보인 현상을, ‘코호트 효과’, ‘연령 효과’, ‘시기 효과’ 세 가지 관점에서 해석하려 시도한다. 코호트 효과라면 특정 세대가 특정 대통령 시기에 성년기를 맞아 정당 성향을 고정한다는 가설이며, 연령 효과라면 사람들은 인생 단계에 따라 정당 선호가 변한다는 가설, 시기 효과라면 전체적인 정치 분위기가 변함에 따라 일시적인 변동이 발생한다는 가설이다. 그러나 APC 모델은 선형 추세를 각각에 부여하면 동일한 관측값을 설명하는 무수히 많은 조합이 존재한다는 ‘리짓’ 문제에 봉착한다. 저자는 1948년부터 2004년까지의 선거연구 데이터를 이용해 그래프를 그리거나 모델을 적합하는 과정을 제안했지만, 실제로는 데이터 정리와 모델 구현에 상당한 실무적 노력이 필요함을 강조한다. 논문의 핵심은 ‘합리적인 제약’ 없이 APC 모델을 적용하면 정치적 의미가 모호한 결과가 도출될 수 있다는 점이다. 예를 들어, 전체 민주당 지지율이 연도당 1% 상승하고, 연령이 증가함에 따라 공화당 지지율이 1% 상승하며, 동시에 코호트가 1년 앞선 경우에도 공화당 지지율이 1% 상승한다면, 세 추세가 서로 상쇄되어 실제 데이터에는 변화가 나타나지 않는다. 이는 통계적 추정이 어떤 선형 추세를 선택하느냐에 따라 전혀 다른 정치적 해석을 낳을 수 있음을 보여준다. 따라서 저자는 연구자가 이론적·실증적 근거에 기반해 ‘기간 효과는 거의 없거나 약간 보수적’이라는 식의 제약을 두는 것이 더 타당하다고 주장한다. 또한 베이지안 접근법을 통해 사전분포를 활용한 제약이 가능함을 제시한다. 베이지안에서는 파라미터 재표현이 사전분포와 결합해 사후분포에 영향을 미치므로, 사전분포 설계 자체가 식별성을 확보하는 도구가 될 수 있다. 결론적으로, APC 분석은 데이터만으로는 고유한 해를 찾을 수 없으며, 연구자가 사전 지식이나 이론적 근거에 기반한 제약을 명시적으로 도입해야 한다는 점을 재확인한다. 새로운 통계적 절차가 실용적 가치를 갖기 위해서는 이러한 제약을 유연하면서도 직관적으로 적용할 수 있는 프레임워크가 필요하다는 것이 저자의 최종 메시지이다.