명목척도 서열척도, 설문 코딩

명목척도와 서열척도는 무엇이 다른가요?

설문지의 숫자를 해석할 때는 숫자의 모양보다 무엇을 대신하는 값인지 살펴야 합니다. 거주 지역의 ‘1’은 범주를 구별하는 이름이고, 만족도의 ‘1’은 순서의 한쪽 끝입니다. 구매 금액 1만 원은 실제 크기와 차이를 나타냅니다. 같은 숫자 형식으로 저장됐더라도 허용되는 계산은 서로 다릅니다.

명목척도는 응답을 서로 다른 집단으로 구분할 뿐 범주 사이에 높고 낮은 순서를 두지 않습니다. 거주 지역, 결제 수단, 이용 상품 종류가 여기에 해당합니다. 서울을 1, 부산을 2로 코딩해도 부산이 서울보다 높거나 두 배라는 뜻은 아닙니다. 빈도, 비율, 최빈 범주는 계산할 수 있지만 코드의 평균과 차이는 해석할 수 없습니다.

서열척도는 범주의 구분과 순서를 함께 담습니다. ‘매우 불만족-불만족-보통-만족-매우 만족’에서는 어느 응답이 더 높은지 판단할 수 있습니다. 그러나 만족과 매우 만족의 간격이 불만족과 보통의 간격과 같다고 문항만으로 보장되지는 않습니다. 따라서 분포, 중앙값, 순위처럼 순서만으로 성립하는 요약이 기본입니다. 이러한 구분은 측정척도를 명목·서열·등간·비율 수준으로 설명한 Stevens의 고전적 분류에 근거합니다.

가상 설문 항목	자료 유형	기본 요약	피해야 할 계산
현재 거주 지역	명목척도	지역별 응답 수와 비율	지역 코드의 평균
전반적 만족도 5단계	서열척도	응답 분포와 중앙값	등간격 가정이 설명되지 않은 평균
지난달 구매 금액	양적 자료	평균·중앙값·사분위범위	극단값과 분포를 확인하지 않은 평균 해석
구매 금액 구간	서열 범주	구간별 비율과 중앙 범주	구간 번호를 실제 금액처럼 계산

숫자로 코딩하면 수치 자료가 되나요?

코딩은 문자 응답을 저장하고 집계하기 쉽게 숫자로 바꾸는 작업이지 자료의 성격을 바꾸는 작업이 아닙니다. 결제 수단을 카드 1, 현금 2, 계좌이체 3으로 입력해도 3에서 1을 뺀 결과에는 의미가 없습니다. 계산 프로그램이 평균을 출력할 수 있다는 사실과 그 결과를 해석할 수 있다는 사실은 구별해야 합니다.

서열형 응답은 실제 순서와 코드 방향을 일치시키는 편이 안전합니다. 만족도가 높을수록 큰 숫자를 부여했다면 표와 그래프를 읽기 쉽습니다. 부정 문항은 합산 전에 역코딩 여부를 확인해야 합니다. 문항 원문, 범주별 코드, 척도 유형, 코드 방향과 변환 규칙을 코드북에 남겨야 다른 분석자도 숫자의 뜻을 복원할 수 있습니다.

가상 자료표에서 거주 지역, 만족도, 구매 금액 세 열을 나란히 놓아 보면 차이가 선명합니다. 거주 지역 열에는 빈도와 비율, 만족도 열에는 응답 순서와 중앙값, 구매 금액 열에는 평균·중앙값·사분위범위를 표시합니다. 화면에는 모두 숫자가 보이지만 계산 가능 범위는 코드의 자릿수가 아니라 문항이 담은 정보에 의해 결정됩니다.

결측값은 어떻게 구분해야 하나요?

무응답, 응답 거절, 해당 없음은 관측된 범주가 아닙니다. 이를 만족도 0이나 구매 금액 0으로 저장하면 실제 응답과 결측이 섞입니다. 구매하지 않은 사람의 0원은 유효한 관측값이지만, 구매 금액을 적지 않은 사람은 값이 알려지지 않은 상태입니다. 둘을 같은 코드로 처리하면 평균과 구매자 비율이 함께 달라질 수 있습니다.

결측 사유는 별도 코드로 구분해 저장하고 분석 단계에서는 결측값으로 지정하는 것이 좋습니다. 보고서에는 전체 표본 수와 계산에 사용한 유효 응답 수를 함께 적습니다. 결측이 특정 연령대나 이용자 집단에 몰려 있다면 단순히 제외한 뒤 끝낼 일이 아닙니다. 남은 응답이 전체 조사 대상을 제대로 대표하는지 검토해야 합니다. 결측의 발생 과정과 처리 방식에 따라 추정이 달라질 수 있다는 점은 Little과 Rubin의 결측자료 연구에서도 체계적으로 다뤄집니다.

단일 리커트형 문항의 평균은 언제 쓸 수 있나요?

한 개의 5점 만족도 문항은 원칙적으로 순서가 있는 범주형 자료입니다. 범주 간 간격이 같다는 사실이 문항 자체에서 보장되지 않으므로 응답별 빈도와 비율, 중앙값을 우선 제시하는 편이 안전합니다. 평균을 함께 제시한다면 응답 단계를 실무상 등간격에 가깝다고 간주했다는 가정을 밝혀야 합니다. 평균만 남기지 않고 분포를 병기해야 같은 평균 뒤에 숨은 양극화도 확인할 수 있습니다.

여러 리커트형 문항을 더한 합산척도는 단일 문항과 구별해야 합니다. 합산 전에는 문항들이 같은 개념을 측정하도록 구성됐는지, 역문항의 방향이 바로잡혔는지, 결측 응답을 어떤 규칙으로 처리할지 확인해야 합니다. 문항 간 일관성을 나타내는 신뢰도와 측정하려는 개념을 제대로 반영하는지 보는 타당도도 검토 대상입니다. 모든 문항이 1점부터 5점까지라는 이유만으로 서로 다른 질문을 합칠 수는 없습니다.

Likert 문항과 여러 문항으로 구성한 척도를 구분하고, 분석 방법의 선택 근거를 밝히라는 실무적 설명은 Sullivan과 Artino의 동료평가 논문에서도 확인할 수 있습니다. 핵심은 평균을 무조건 금지하거나 허용하는 데 있지 않습니다. 어떤 가정을 적용했으며 분포와 척도 구성 근거를 함께 제시했는지가 판단의 중심입니다.

구매 금액을 구간으로 바꾸면 무엇을 잃나요?

정확한 구매 금액을 ‘5만 원 미만, 5만 원 이상 10만 원 미만, 10만 원 이상’으로 바꾸면 순서가 있는 범주가 됩니다. 표는 단순해지지만 같은 구간 안의 사람은 모두 동일하게 처리됩니다. 5만1000원과 9만9000원의 차이가 사라지고 원자료의 평균, 사분위수와 세밀한 분포도 복원할 수 없습니다.

범주화가 필요한 때도 있습니다. 응답자가 정확한 금액을 기억하기 어렵거나 공개를 부담스러워한다면 구간 문항이 응답률을 높일 수 있습니다. 다만 이미 정확한 금액을 수집했다면 원자료는 보존하고 분석 목적에 맞는 파생 구간 변수를 따로 만드는 편이 낫습니다. 구간 경계는 사후에 결과가 좋아 보이도록 정하지 말고 조사 목적이나 사전에 정한 기준에 따라 기록해야 합니다.

분석 전 코드북에서 무엇을 확인해야 하나요?

코드북은 변수명 목록이 아니라 설문 응답과 분석값을 연결하는 설명서입니다. 자료를 열었을 때 아래 항목에 답할 수 없다면 평균이나 순위 계산보다 정의를 복원하는 작업이 앞서야 합니다.

코드북 항목	기록할 내용	막을 수 있는 오류
문항과 변수명	설문 원문과 분석용 변수명	표현이 비슷한 문항의 혼동
응답 코드	각 숫자에 대응하는 범주와 순서	코드와 범주의 불일치
자료 유형	명목, 서열, 양적 자료의 구분	범주 코드의 부적절한 산술 계산
결측 규칙	무응답, 거절, 해당 없음의 코드와 제외 기준	결측값이 유효 응답에 섞이는 문제
변환 규칙	역코딩, 합산 방법, 구간 경계와 원자료 보존 여부	방향이 다른 점수의 합산과 정보 손실

판단 원칙은 단순합니다. 이름만 구별하는 자료에는 임의의 순서를 만들지 않고, 순서만 확인되는 자료에는 검토되지 않은 간격을 부여하지 않습니다. 통계는 공식을 적용하는 기술에 그치지 않습니다. 생활 속 숫자가 무엇을 말할 수 있고 어디부터 말할 수 없는지 경계를 지키는 도구입니다.

참고한 근거

척도 정의는 S. S. Stevens의 「On the Theory of Scales of Measurement」(Science, 1946, DOI)를 참고했습니다. 리커트형 단일 문항과 합산척도의 구분은 Sullivan과 Artino의 「Analyzing and Interpreting Data From Likert-Type Scales」(Journal of Graduate Medical Education, 2013, DOI)에 연결됩니다. 결측자료의 발생 과정과 처리 원칙은 Little과 Rubin의 『Statistical Analysis with Missing Data』 3판(Wiley, 2019, DOI)을 근거로 삼았습니다.