설문 가중치와 회귀 모델링의 딜레마: 베일·코헨이 본 겔만 논평

베일과 코헨은 앤드류 겔만이 발표한 “설문 가중치와 회귀 모델링” 논문에 대한 논평을 통해, 복합 표본 설계 데이터를 이용한 회귀 분석에서 발생하는 근본적인 통계적 딜레마를 체계적으로 정리한다. 논문은 먼저 미국 연방 통계기관이 전통적으로 평균·비율·교차표와 같은 요약 통계량에 집중해 왔으며, 이 때문에 회귀와 같은 복잡 모델을 설계에 통합하는 연구가 상대적으로 부족했음을 지적한다. 최근 Pfeffermann·Sverchkova(1999), Graubard·Korn(2002), Little(2004) 등에서 제시된 이론적·실용적 진전이 있긴 하지만, 여전히 “가중치가 혼란스럽다”는 인식이 남아 있다. 베일·코헨은 설계‑기반과 모델‑기반 접근을 구분하고, 각각의 순수 전략을 세 가지로 요약한다. (1) 무가중 분석: 전체 모집단에 대한 모델이 정확하다고 가정하고, 표본을 그대로 사용한다. (2) 가중 분석: 표본 선택 확률의 역수를 가중치로 적용해 설계‑기반 추정량을 만든다. (3) 설계 변수를 예측변수로 포함: 설계 변수(예: 층화, 클러스터) 자체를 회귀식에 넣어 모델에 설계 정보를 반영한다. 겔만은 (2)와 (3)을 혼합한 베이지안 계층 회귀 모델을 제안했으며, 이는 설계 가중치를 내부적으로 활용한다는 점에서 두 전략을 연결한다. 논문은 구체적인 예로 “인종·성별 불균형이 있는 로그소득 회귀”를 들어, 무가중 회귀의 인종 계수 편향이 표본 남성 비율과 모집단 남성 비율 차이와 인종‑성별 교차효과의 곱에 비례함을 수학적으로 보여준다. 교차효과가 충분히 크면 가중치 적용이나 베이지안 계층 모델을 통한 교정이 편향을 크게 감소시키고 평균제곱오차(MSE)도 낮춘다. 반대로 교차효과가 작으면 교정 과정에서 추가되는 분산이 편향 감소 효과를 상쇄해 오히려 MSE가 증가한다. 따라서 교정 여부는 교차효과의 추정치와 그 불확실성을 비교해 판단해야 함을 강조한다. 실제 설문에서는 수십에서 수백 개의 층화 변수와 그 상호작용이 존재한다. 완전 교차표를 만들거나 모든 상호작용을 모델에 포함시키는 것은 계산량과 표본 크기 면에서 비현실적이다. 따라서 실무에서는 (a) 변수 선택·축소, (b) 셀 가중치 트리밍, (c) 레이킹(raking) 혹은 프롭엔시티 스코어 가중치와 같은 절충 방법을 사용한다. 베일·코헨은 “가중치는 결과 변수를 보지 않고도 만들 수 있지만, 가장 좋은 가중치는 실제 회귀 모델에 의해 형성된 것”이라며, 가중치 설계와 모델 설계가 서로 보완적임을 역설한다. 계층 베이지안 회귀의 장점으로는 풍부한 예측변수를 포함하면서 사전‑사후 수축을 통해 과적합을 방지하고, 교차효과를 자동으로 부분 추정해 편향 교정에 기여한다는 점을 들었다. 또한 BUGS, Stan 등 기존 소프트웨어를 그대로 활용할 수 있어 실무 적용이 용이하다. 반면 설계‑기반 가중치를 그대로 사용하면 (1) 기존 통계 소프트웨어와 바로 연동 가능, (2) 매번 복잡 모델을 적합할 필요가 없어 효율적, (3) 다양한 추정량에 대해 일관된 “거의 최적” 결과를 제공한다는 실용적 이점이 있다. 두 접근법을 비교하면서 저자는 “어떤 변수를 회귀식에 포함시킬지는 실제 결과를 예측하는 힘에 기반해야 한다”고 주장한다. 즉, 가중치를 만들 때는 결과 변수를 보지 않지만, 최적의 가중치는 결과와의 관계를 반영한 모델에 의해 도출되는 것이 바람직하다는 것이다. 마지막으로 베일·코헨은 향후 연구 과제로 (1) 복합 표본 설계 하에서 계층 베이지안 모델의 적합도 진단(잔차, 레버리지, 영향도) 방법 개발, (2) 로지스틱 회귀, 의사결정 나무, 부스팅 등 비선형·비파라메트릭 방법에 설계 가중치와 모델‑기반 접근을 어떻게 결합할지에 대한 연구를 제시한다. 연방 통계기관이 다양한 인구·지리별 추정치를 제공해야 하는 현실에서, “범용적이면서도 쉬운” 방법론이 필요함을 강조하며 논평을 마친다.