응답자주도표집 (Respondent-Driven Sampling)
쉽게 풀면
눈덩이표집은 참여자에게 다른 사람을 소개받아 표본을 불려나가지만, 소개는 결국 친한 사람들끼리 이루어지기 쉬워 표본이 특정 무리에 치우치는 문제가 있습니다. 응답자주도표집은 여기에 "쿠폰" 장치를 더합니다. 참여자에게 정해진 개수(보통 3장)의 추천 쿠폰을 주고, 몇 명에게 나눠줬는지, 그 사람의 사회적 관계망 크기(예: 아는 사람이 몇 명인지)는 어떤지를 함께 기록합니다. 이렇게 모은 네트워크 정보를 수학 공식에 넣어, "인맥이 넓어서 더 쉽게 뽑힌 사람"의 비중을 줄이는 방향으로 가중치를 계산하면, 명단이 없는 은둔 집단을 조사하면서도 마치 확률표집에 가까운 추정치를 얻을 수 있습니다.
왜 중요한가
응답자주도표집은 명단이나 표집틀이 존재하지 않는 은둔 집단·소수 집단을 대상으로도 통계적으로 방어 가능한 추정치를 얻을 수 있게 해주기 때문에, 보건역학과 공중보건 분야에서 특히 중요하게 다뤄집니다. 마약 사용자, 성 소수자, 이주노동자, 성노동자처럼 접근이 어려운 집단의 질병 유병률이나 행동 패턴을 조사하는 연구에서 이 방법이 자주 채택되며, 정책 수립을 위한 근거 자료를 생산하는 데에도 활용됩니다.
논문에서는 이렇게 쓰입니다
이 문장은 단순히 소개를 받아 표본을 늘리는 데서 그치지 않고, 누가 누구를 소개했는지의 네트워크 구조까지 분석에 반영해 더 신뢰할 수 있는 추정치를 얻었다는 뜻입니다.
감염병역학 분야의 예문으로, 표집이 특정 하위집단에 치우치지 않고 안정적인 상태에 도달했는지 확인하는 절차가 분석의 신뢰성 확보에 중요함을 보여줍니다.
노동사회학 분야의 예문으로, 접근이 어려운 이주민 집단을 조사할 때 표집 방법뿐 아니라 실행상의 세부 조정이 함께 이루어짐을 보여줍니다.
조금 더 깊게 보면
응답자주도표집의 가중치 계산은 각 참여자가 보고한 개인 관계망 크기(network size)의 역수를 반영해, 인맥이 넓어 표본에 뽑히기 쉬운 사람의 영향력을 줄이는 방식으로 이루어집니다. 이 방법이 통계적으로 타당하려면 표집 과정이 몇 차례의 파도(wave)를 거쳐 특정 하위집단에 치우치지 않는 평형 상태에 도달해야 하며, 연구자들은 이를 확인하기 위해 파도별 표본 구성의 변화를 점검합니다. 다만 실제 관계망 크기를 참여자가 정확히 보고하기 어렵다는 한계 때문에, 최근에는 이러한 가정을 완화한 대안적 추정 기법에 대한 논의도 이루어지고 있습니다.
주의할 점
응답자주도표집은 눈덩이표집의 편향 문제를 통계적으로 줄이려는 시도이지만, 가중치 계산 자체가 "참여자들이 자신의 관계망 크기를 정확히 알고 있다"는 가정에 의존합니다. 이 가정이 어긋나면 보정이 오히려 부정확한 추정치를 만들 수 있어, 네트워크 정보 수집 방식을 논문에 구체적으로 밝혀야 합니다.