비선형 설문 응답을 위한 새로운 순서형 프로빗 언폴딩 모델

초록

본 논문은 전통적인 순서형 응답 모델인 GRM이 가정하는 단조성 제한을 넘어, 비단조적 응답 함수를 허용하는 순서형 프로빗 언폴딩 모델(OPUM)을 제안한다. OPUM은 무작위 효용(framework) 기반으로 설계되었으며, 베이지안 추정과 MCMC 알고리즘을 통해 효율적으로 추정된다. 또한, 설문 항목의 긍정·부정 방향을 자동으로 학습하도록 혼합 구조를 도입해 스케일 방향성 문제를 해결한다. 미국 이민 태도 조사에 적용한 결과, 기존 GGUM 및 GRM 대비 더 나은 적합도와 해석 용이성을 보였다.

상세 분석

본 연구는 순서형 설문 데이터 분석에서 가장 널리 사용되는 Graded Response Model(GRM)의 핵심 가정인 “응답 함수가 잠재 특성에 대해 단조(monotonic)이다”는 전제가 실제 사회과학 조사에서는 과도하게 제한적일 수 있음을 지적한다. 정치학·마케팅 등에서는 응답자가 중도에 위치하거나 양극단에서 모두 강한 동의를 보이는 ‘이상점(ideal point)’ 현상이 빈번히 나타나며, 이는 단조성을 위배한다. 기존의 Generalized Graded Unfolding Model(GGUM)은 비단조성을 허용하지만, 응답 함수가 대칭적이고 극단값에서 1로 수렴하는 등 형태가 지나치게 제한적이며, 연속 잠재 변수 표현이 없어 베이지안 추정이 복잡하고 계산 비용이 높다.

이에 저자들은 McFadden(1973)의 무작위 효용(framework)을 차용한 Ordinal Probit Unfolding Model(OPUM)을 제안한다. 핵심 아이디어는 각 응답 카테고리를 ‘매력점(attraction point)’ ψ_{j,k}와 잠재 특성 β_i 사이의 거리 제곱에 음의 가중치를 부여한 효용 U(β_i,ψ_{j,k})=−(β_i−ψ_{j,k})²+ε_{i,j,k} 로 정의하고, 가장 큰 효용을 가진 카테고리를 선택하도록 하는 것이다. ε는 표준 정규분포를 가정해 프로빗 연결을 제공한다. 이 구조는 (2K_j+1) 차원의 다변량 정규 보조변수 z_{i,j}를 도입함으로써 잠재 변수 표현을 얻으며, 이는 Gibbs 샘플링 시 각 차원을 조건부 정규분포로 쉽게 업데이트할 수 있게 한다.

OPUM은 파라미터화에서 α_{j,k}=2(ψ_{j,k}−ψ_{j,0})와 μ_{j,k}=(ψ_{j,k}+ψ_{j,0})/2 를 사용해 ‘판단점’과 ‘난이도’를 직관적으로 해석한다. 이때 ψ_{j,0}는 가장 강한 불동의(또는 동의) 수준에 대응한다. 중요한 점은 ψ_{j,k}가 비대칭적으로 배치될 경우 응답 함수가 비대칭·비단조적 형태를 자유롭게 취할 수 있다는 점이다. 논문 Figure 2는 파라미터 설정에 따라 완전 단조형, U‑형, 역U‑형 등 다양한 곡선을 생성함을 시각적으로 보여준다.

스케일 방향성 문제(긍정·부정 문항 구분)도 OPUM에 혼합 구조를 도입해 해결한다. 각 항목 j에 대해 잠재 이진 변수 ζ_j∈{0,1}을 두고, ζ_j=0이면 기존 방향(0 = 최강 불동의), ζ_j=1이면 반대 방향(0 = 최강 동의)으로 해석한다. 사전은 ζ_j∼Bernoulli(½) 로 두어 데이터가 어느 방향이 더 적합한지 자동으로 학습한다. 이는 기존 GGUM이 항목 재표현 시 추정값이 변하는 문제를 근본적으로 해결한다.

베이지안 추정은 Gibbs 샘플링과 Metropolis‑Hastings를 결합한 MCMC 알고리즘으로 구현된다. 보조변수 z_{i,j}와 ζ_j를 조건부로 샘플링하고, ψ_{j,k}와 α_{j,k}는 정규 사전을, β_i는 표준 정규 사전으로 설정한다. 다변량 정규 보조변수 구조 덕분에 각 단계가 닫힌 형태의 분포를 갖으며, 튜닝 파라미터가 거의 필요하지 않아 실무자에게 친화적이다.

실증 분석에서는 미국 이민 태도 설문(5점 Likert) 1,200명·15문항 데이터를 사용한다. 모델 비교는 DIC, WAIC, LOO‑CV 등 정보 기준과 posterior predictive 체크를 통해 수행한다. OPUM은 GGUM과 GRM 모두보다 낮은 DIC/WAIC 값을 기록했으며, 특히 ‘이민자 재입국’·‘불법 체류’와 같이 양극단에서 의견이 양분되는 항목에서 비단조적 응답 곡선을 잘 포착했다. 또한, ζ_j 추정 결과는 몇몇 문항이 부정형(예: “불법 이민자를 추방해야 한다”)으로 제시됐음에도 응답자들이 반대 방향(동의)으로 응답하는 경향을 자동으로 반영했다.

결론적으로 OPUM은 (1) 단조성 가정 없이 다양한 응답 형태를 모델링, (2) 비대칭·비단조적 곡선을 자유롭게 생성, (3) 스케일 방향성을 자동 학습, (4) 베이지안 MCMC 구현이 간단하고 계산 효율적이라는 장점을 제공한다. 향후 연구에서는 다차원 잠재 공간 확장, 비정규 효용분포 도입, 그리고 대규모 온라인 설문에 대한 스케일링을 제안한다.