베이지안 설계 효과 비율을 통한 설문 민감 파라미터 진단

초록

본 논문은 복합표본 설문 데이터에 적용된 베이지안 계층모형에서 설계 가중치가 실제로 영향을 미치는 파라미터를 식별하기 위해 ‘설계 효과 비율(Design Effect Ratio, DER)’이라는 새로운 진단 지표를 제안한다. DER은 설계 보정 후 사후분산과 모델 기반 사후분산의 비율로 정의되며, 고정효과는 군내·군외 변동원천에, 랜덤효과는 계층적 수축(shrinkage) 정도에 따라 민감도가 달라짐을 이론적으로 분해한다. 시뮬레이션과 실제 NSECE 데이터 적용을 통해 DER 기반 선택적 보정이 전체 보정보다 신뢰구간 커버리지를 크게 개선함을 보여준다.

상세 분석

본 연구는 설계 가중치가 베이지안 계층모형의 사후분산에 미치는 영향을 정량화하는 DER이라는 지표를 도입함으로써 기존의 전역적 샌드위치·샤플리 변환 방식의 한계를 극복한다. DER은 design‑corrected posterior variance와 model‑based posterior variance의 비율로 정의되며, 이는 각 파라미터별로 설계 효과가 실제로 반영되는 정도를 직접적으로 측정한다. 고정효과에 대해서는 식별 변동이 군내(Within‑cluster)인지 군외(Between‑cluster)인지에 따라 DER이 달라진다. 군내 변동에 의해 식별되는 고정효과는 전통적인 설계 효과(DEFF)와 동일하게 DER = DEFF가 되며, 설계 보정이 반드시 필요하다. 반면, 군외 대비를 통해 식별되는 고정효과는 군내 변동이 억제되므로 DER이 1에 가깝게 축소되어 별도 보정이 불필요함을 의미한다. 랜덤효과에 대해서는 계층적 사전분포가 제공하는 수축(shrinkage) 효과가 핵심 메커니즘이다. 논문은 B = σ²_θ / (σ²_θ + σ²_e / n_j) 라는 수축 계수를 도입하고, DER이 B·DEFF·κ(J) (κ는 군 수에 의존하는 보정 상수) 형태로 전개된다는 정리를 제시한다. 즉, 수축 계수가 클수록(데이터가 충분하거나 군 간 변동이 작을수록) 랜덤효과는 설계 민감도가 크게 감소한다. 이러한 이론적 결과는 베이지안 소규모 영역 추정(small‑area estimation)과도 일맥상통한다.

실증적 검증을 위해 54가지 시나리오와 10,800번의 반복을 포함한 계층적 로지스틱 회귀 시뮬레이션을 수행하였다. 결과는 DER ≥ 1.2인 파라미터에만 샌드위치 보정을 적용했을 때, 설계 민감 파라미터는 87‑88%의 커버리지를 유지하면서, 기존 전역 보정이 20‑21%로 급격히 떨어지는 보호 파라미터는 거의 명목 수준(≈95%)에 가깝게 유지됨을 보여준다. 특히, 1.2라는 임계값은 거짓 양성(false positive)을 전혀 발생시키지 않으며, 민감 파라미터와 비민감 파라미터 간의 DER 비율이 약 4:1로 명확히 구분된다.

실제 데이터 적용에서는 2019년 전국 유아보육 설문(NSECE) 6,785명·51주 데이터를 사용하였다. DER 분석 결과 54개 추정치 중 오직 1개(주 내 보조금 효과)만이 DER = 2.643으로 설계 보정이 필요함을 식별했다. 전역 보정은 모든 54개 파라미터에 적용돼 최악의 신뢰구간 폭을 원래의 4.3%로 과도하게 축소시켰지만, DER 기반 선택적 보정은 해당 파라미터 하나만 조정함으로써 전체 추정치의 정확성을 유지하고 계산 비용을 크게 절감하였다. 전체 파이프라인은 MCMC 샘플링 후 0.03초 이내에 완료돼 실무 적용 가능성을 크게 높인다.

이 논문은 설계 효과와 계층적 수축이라는 두 핵심 요소를 정량적으로 연결함으로써, 베이지안 설문 분석에서 “언제, 어떤 파라미터에 설계 보정이 필요한가?”라는 실무적 질문에 명확한 답을 제공한다. 또한, 기존 도구와 달리 파라미터 수준의 해석 가능한 분해를 제공함으로써 설계 기반과 모델 기반 추론 사이의 통합을 촉진한다.