Decision Tree · 03 of 03—Portney & Watkins (3e) · 초보자용

어떻게 표본을 뽑아야 할까BEGINNER

누구를 어떻게 모집할지는 연구 결과가 누구에게까지 적용되는지를 결정합니다. 상황에 가장 잘 맞는 표집 방법을 예시와 함께 찾아가세요.

🧭

처음이라면 — 표집은 두 갈래로 나뉩니다: ① 확률 표집은 모두에게 뽑힐 확률을 부여하여 표본이 모집단을 잘 대표하게 만듭니다(일반화에 유리). ② 비확률 표집은 편의·판단·특성에 따라 뽑습니다(현실적이지만 대표성은 제한). 연구 질문과 현실적 제약을 함께 고려해 선택하세요. 대부분의 임상·재활 연구는 현실적으로 편의 표집 또는 의도적 표집을 쓰며, 이때는 그 한계를 논의(Discussion)에 반드시 명시합니다.

용어 사전 Glossary

1. 모집단과 표본의 기본

모집단 population: 연구 결과를 일반화하고 싶은 전체 대상. 예: "국내 모든 뇌졸중 환자".
접근가능 모집단 accessible population: 현실적으로 연구자가 접근 가능한 모집단의 부분. 예: "A대학병원 재활의학과 외래 뇌졸중 환자". 대부분의 연구는 이 수준에서 표집합니다.
표집 프레임 sampling frame: 실제로 표본을 뽑을 때 사용하는 대상자 명단·목록. 예: 환자 등록부, 주민등록 명부.
표본 sample: 실제로 연구에 참여한 사람들. 좋은 표본은 모집단의 축소판이 되어야 합니다.
대표성 representativeness: 표본이 모집단의 구성·특성을 얼마나 잘 반영하는가. 높을수록 일반화가 타당해집니다.

2. 확률 표집 개념

확률 표집 probability sampling: 모집단의 모든 구성원이 알려진 0 아닌 확률로 뽑힐 수 있는 표집. 표본의 대표성을 수학적으로 보장할 수 있어 통계적 일반화가 가능합니다.
무작위 추출 random selection: 명단에서 누가 뽑힐지 우연(난수)에 맡기는 것. 표집에서의 "무작위"는 무작위 배정(random assignment)과 다릅니다 — 배정은 이미 뽑힌 사람을 집단에 나누는 것입니다.
표집오차 sampling error: 표본으로부터의 추정치와 실제 모집단 값의 차이. 확률 표집에서는 이 오차의 크기를 수학적으로 계산할 수 있습니다(예: 95% 신뢰구간).
일반화 가능성 generalizability: 표본 결과를 더 넓은 모집단에 적용할 수 있는 정도. 확률 표집이 이를 가장 잘 보장합니다.

3. 층화·군집 개념

층 · 층화 stratum · stratified: 모집단을 특성별 하위집단(층)으로 먼저 나눈 뒤, 각 층에서 따로 표본을 뽑는 방식. 성별·연령·지역처럼 결과에 영향을 줄 만한 변수로 층을 짭니다. 정확도가 높아집니다.
비례 vs 불비례 층화 proportional vs disproportional: 비례: 각 층의 크기에 비례해 뽑음(모집단 비율 유지). 불비례: 작은 층을 일부러 더 많이 뽑음(소수집단을 정확히 추정하기 위해). 불비례에서는 분석 시 가중치를 적용해야 합니다.
군집 cluster: 지리적·조직적으로 자연스럽게 묶인 단위. 예: 학교, 병동, 동(洞). 개인 단위 명단이 없을 때 군집을 먼저 뽑은 뒤 그 안의 개인을 조사하면 현실적입니다.
군집내 상관 intracluster correlation (ICC): 같은 군집 안 사람들은 서로 비슷한 경향이 있어 독립적 정보량이 줄어드는 문제. 분석에서 설계효과(design effect)로 보정합니다.
단일·다단계 single-stage · multistage: 단일단계: 뽑힌 군집 내 전원을 조사. 다단계: 군집을 여러 단계로 뽑은 후(예: 시 → 학교 → 학급 → 학생) 마지막 단계에서 개인 뽑기.

4. 비확률 표집 개념

비확률 표집 non-probability sampling: 뽑힐 확률을 계산할 수 없는 표집. 편의성·실행 가능성·이론적 유용성에 초점. 통계적 일반화보다는 분석적 통찰을 추구할 때 쓰입니다.
편의 표집 convenience sampling: 가장 가까이 있는·접근하기 쉬운 사람을 뽑는 방식. 빠르고 저렴하지만 자원자 편향·선택 편향에 취약.
할당 표집 quota sampling: 성별·연령 등 주요 특성의 비율을 미리 정해두고 각 칸이 채워질 때까지 편의적으로 모집. 확률 표집은 아니지만 특정 인구 비율은 맞출 수 있습니다.
눈덩이 표집 snowball sampling: 참여자가 다른 참여자를 소개해 표본을 확장. 희귀 집단·숨겨진 집단(예: 마약 사용자, 희귀질환자) 연구에 유용.
의도적 표집 purposive sampling: 연구자가 특정 기준·특성을 가진 참여자를 의도적으로 선택. 질적 연구에서 가장 흔하며, "정보가 풍부한 사례"를 고르는 것이 핵심.
자원자 편향 · 선택 편향 volunteer · selection bias: 자원해서 온 사람들은 평균적으로 건강관심·동기가 높음 등 모집단과 체계적으로 다를 수 있음. 비확률 표집의 주요 약점.

5. 분석 보정

역확률 가중치 inverse-probability weighting: 각 표본에 뽑힐 확률의 역수를 가중치로 적용하여 복합표집·불비례 층화 자료를 모집단 수준에서 해석할 수 있게 보정.
설계효과 design effect: 단순 무작위 표집 대비 복합 설계가 분산을 얼마나 늘리는지를 나타내는 계수. 표본 크기 산정 시 반영합니다.
포화 saturation: 질적 연구에서 새로운 정보가 더 이상 나오지 않는 시점. 의도적 표집에서 표본 크기를 결정하는 기준이 됩니다.