글로벌 대표성 지수 전체 변동 거리 기반 인구 적합도 측정

초록

본 논문은 설문 표본이 목표 모집단과 얼마나 일치하는지를 정량화하는 새로운 지표인 글로벌 대표성 지수(GRI)를 제안한다. GRI는 총 변동 거리(Total Variation Distance)를 1‑TV​D 형태로 변환해

상세 분석

이 논문은 설문 연구에서 “대표성”이라는 개념을 수학적으로 명확히 정의하고, 기존의 응답률·쿼터 방식이 측정하지 못하는 인구 분포의 전체적 일치를 평가하는 메트릭을 제시한다. 핵심은 총 변동 거리(TVD)를 이용해 표본 분포 p와 목표 모집단 분포 q 사이의 L1 차이를 절반으로 축소한 뒤, 1‑TV​D 형태로 변환해 GRI 점수를 산출한다. GRI는 0(전혀 일치하지 않음)에서 1(완전 일치)까지 연속적인 척도를 제공하며, 대칭성, 해석 용이성, 분해 가능성(각 층별 기여도 계산)이라는 장점을 가진다.

논문은 세 가지 인구 차원을 동시에 평가한다: (1) 국가 × 성별 × 연령, (2) 국가 × 종교, (3) 국가 × 도시/농촌. 이는 UN 세계 인구 전망, Pew 종교 지도, UN 도시화 전망 등 권위 있는 데이터베이스를 기반으로 하며, 각 차원마다 수천 개의 교차층(strata)이 존재한다. 이러한 고차원 교차층을 모두 포함하면 실제 표본 크기(N) 대비 가능한 최대 GRI가 제한적임을 Monte Carlo 시뮬레이션으로 보여준다. 예를 들어 N=1,000인 경우 국가 × 성별 × 연령 차원에서 이론적 최대 GRI는 약 0.79에 불과하다.

실증 분석에서는 Global Dialogues(N≈7,500), World Values Survey(N≈403,000), Afrobarometer(N≈53,000), Latinobarómetro(N≈19,000) 데이터를 사용했다. 모든 사례에서 “세밀한” 글로벌 차원에서 GRI는 0.220.36 수준에 머물렀으며, 이는 표본이 모집단의 4045% 정도만을 정확히 반영한다는 의미다. 특히 국가 커버리지가 제한된 경우(예: 라틴아메리카만) GRI가 더욱 낮아, 지역적 표본이 글로벌 대표성을 가질 수 없음을 강조한다.

또한 GRI와 설계 효과(design effect, d_eff)를 연결한다. 표본 비율 p_i와 모집단 비율 q_i의 차이가 클수록 가중치 w_i = q_i/p_i의 변동계수(CV)가 커지고, d_eff = 1 + CV²가 크게 증가한다. 이는 효과적 표본 크기 N_eff = N/d_eff가 급격히 감소함을 의미한다. 특히 p_i = 0인 빈층(stratum)은 가중치 보정이 불가능해, GRI가 낮을수록 N_eff 손실이 비대칭적으로 심각해진다. 논문은 GRI와 d_eff를 동시에 보고하도록 권고한다.

추가적으로 전략적 대표성 지수(SRI)를 제안한다. SRI는 목표 비율을 √q_i 형태의 제곱근 비례로 변환해, 소규모 층에 과도한 가중치가 부여되는 것을 완화한다. 이는 설계 단계에서 표본 할당을 최적화하는 데 활용될 수 있다.

마지막으로, 논문은 GRI를 오픈소스 파이썬 패키지(gri)로 구현하고, UN·Pew 기준 데이터를 포함시켜 연구자와 정책 입안자가 손쉽게 적용하도록 했다. 데이터 감사, AI 벤치마크, 머신러닝 데이터셋 검증 등 다양한 분야에 활용 가능하다.