온라인 BDSM 설문 한 편은 698명이 시작했지만, 최종 분석에서는 185명이 빠졌습니다. 전체의 약 26.5%예요. 130명은 설문의 20% 미만만 작성했고, 나머지는 연구진이 정한 자료 품질·연령·응답 기준에 따라 제외됐습니다. 이 숫자는 연구가 잘못됐다는 증거가 아니라, 처음 들어온 사람과 결론을 만드는 사람이 얼마나 다를 수 있는지 보여 줍니다.
설문에서 빈칸은 흔합니다. 문제는 빈칸의 개수만이 아니에요. 누가, 어떤 문항에서, 왜 빠졌는지가 연구 결론과 관련돼 있다면 남은 응답만으로 계산한 결과가 달라질 수 있습니다. 이 글은 BDSM 관련 관찰연구를 읽을 때 결측치, 중도 이탈, 제외 기준, 대치와 민감도 분석을 구분하는 법을 설명합니다. 개인의 성향이나 건강 상태를 판단하는 기준은 아닙니다.
1950년 미국 인구조사 천공카드 입력 · U.S. Census Bureau · 퍼블릭 도메인 · 원본과 이용조건
‘응답이 빠졌다’는 말부터 네 가지로 나눈다
논문에서 missing data, attrition, exclusion, complete case가 한 문단에 섞이면 같은 뜻처럼 보이기 쉽습니다. 그러나 빠진 시점과 단위가 다릅니다.
| 표현 | 무엇이 빠졌나 | 독자가 확인할 것 |
|---|---|---|
| 항목 결측 | 참여자는 남아 있지만 일부 문항이 비어 있음 | 문항별 응답자 수, 민감한 질문의 무응답 집중 여부 |
| 중도 이탈 | 설문이나 추적조사를 끝까지 마치지 않음 | 시작 인원·완료 인원·이탈 시점·이유 |
| 사후 제외 | 응답은 제출됐지만 분석 기준에서 빠짐 | 제외 기준이 사전에 정해졌는지, 각 이유별 인원 |
| 완전 사례 분석 | 필요한 변수에 빈칸이 없는 사람만 계산 | 원표본과 분석표본의 차이, 빠진 사람의 특성 |
같은 논문 안에서도 분석마다 표본 수가 달라질 수 있습니다. 예를 들어 인구통계 표는 500명, 상관분석은 463명, 회귀분석은 421명일 수 있어요. “총 500명”이라는 초록의 숫자만 보고 모든 결과가 500명에게서 나왔다고 읽으면 안 됩니다. 표와 그림의 각 분모를 따로 확인해야 합니다.
빈칸이 무작위가 아닐 때 결론이 기울 수 있다
생각 실험을 해볼게요. 긴 온라인 설문에서 시간 여유가 적거나 연구 주제와 관련된 불편을 크게 느낀 사람이 중간에 더 자주 나갔다고 가정합시다. 남은 응답자는 처음 모집된 사람 전체보다 설문을 견디기 쉽고 해당 질문에 답하기 편한 집단일 수 있습니다. 완료자끼리의 평균이 정확해도, 처음 모집된 집단 전체의 평균과는 다를 수 있어요.
통계 교재는 결측 메커니즘을 완전 무작위(MCAR), 관측된 정보로 설명 가능한 무작위(MAR), 관측되지 않은 값 자체와 관련된 비무작위(MNAR)로 나눕니다. 이름만 외울 필요는 없습니다. 독자에게 더 쓸모 있는 질문은 다음 세 가지예요.
- 빠질 가능성이 연구 결과와 무관하다고 볼 근거가 있는가?
- 빠진 사람과 남은 사람의 관측 가능한 특성을 비교했는가?
- 결측에 관한 다른 가정을 넣어도 결론이 유지되는가?
결측 메커니즘은 자료만 보고 완전히 증명하기 어렵습니다. 그래서 “대치했으니 해결됐다”보다 어떤 가정으로 처리했고 다른 가정에서도 결과가 버티는지를 보는 편이 안전합니다.
698명에서 513명으로 줄어든 사례가 알려 주는 것
2023년의 한 탐색적 온라인 BDSM 설문은 698명 가운데 185명을 제외해 513명을 분석했습니다. 논문은 설문의 20% 미만을 작성한 130명, 극단값·자료 품질·연령 등 여러 이유와 인원을 방법 절에 밝혔습니다. 공개된 숫자 덕분에 독자는 분석표본이 만들어지는 과정을 추적할 수 있습니다.
여기서 26.5%라는 제외 비율만으로 연구의 신뢰도를 판정하면 곤란합니다. 완료 기준 20%가 연구 질문에 적절했는지, 부분 응답자가 완료자와 어떻게 달랐는지, 제외 기준을 바꾸면 결과가 달라지는지를 함께 봐야 해요. 논문이 이유별 수를 공개한 것은 출발점이고, 독자가 원하는 다음 정보는 제외 전후의 비교와 대안 분석입니다.
이 사례의 주제 자체를 일반화할 필요도 없습니다. 이 글에서 가져오는 것은 참여자의 경험에 관한 결론이 아니라 원표본 698명 → 제외 185명 → 분석표본 513명이라는 연구 흐름입니다. 표본 모집 방식과 자기보고의 한계는 BDSM 연구의 표본·자기보고·상관관계 읽기에서 이어서 볼 수 있습니다.
완전 사례 분석과 대치는 ‘빈칸 삭제’와 ‘정답 채우기’가 아니다
완전 사례 분석은 분석에 필요한 항목이 모두 채워진 사람만 남깁니다. 설명은 쉽지만, 빠진 사람의 비율이 커지면 정밀도가 낮아지고 결측이 결과와 관련돼 있을 때 편향이 생길 수 있습니다. 그렇다고 완전 사례 분석이 언제나 틀린 것도 아닙니다. 어떤 변수가 왜 비었는지, 분석 모형에 무엇을 포함했는지에 따라 타당성이 달라집니다.
단일 대치는 평균값 하나나 가장 그럴듯한 값 하나로 빈칸을 채우는 방식입니다. 채운 값을 확정된 관측값처럼 다루면 불확실성을 작게 보일 수 있어요. 다중 대치는 여러 개의 가능한 완성 자료를 만들고 그 차이를 결과의 불확실성에 반영합니다. 이름이 더 정교하다고 자동으로 옳은 것은 아닙니다. 대치 모형에 어떤 변수를 넣었는지, 결측에 관한 가정이 자료와 연구 맥락에 맞는지 설명돼야 합니다.
TARMOS 프레임워크는 관찰연구에서 분석 계획을 먼저 세우고, 완전 사례 분석·다중 대치·다른 방법의 타당성을 검토하며, 필요하면 결측 메커니즘에 대한 민감도 분석을 하라고 제안합니다. 결과 보고에서는 결측의 양과 패턴, 처리 방법, 모든 분석 결과를 함께 설명하도록 권합니다.
민감도 분석은 결론의 ‘가정 내구성 시험’이다
민감도 분석은 마음에 드는 결과가 나올 때까지 분석을 바꾸는 일이 아닙니다. 합리적인 대안 가정을 정해 놓고 결론이 얼마나 움직이는지 확인하는 절차예요. 결측치와 제외 기준에서는 다음 비교가 읽기 쉽습니다.
- 완전 사례만 분석한 결과와 다중 대치 결과를 비교합니다.
- 설문 완료 기준을 20%, 50%, 80%처럼 바꿨을 때 방향과 크기를 봅니다.
- 극단값을 포함했을 때와 제외했을 때 결과를 비교합니다.
- 중도 이탈자가 완료자보다 평균적으로 높거나 낮았다고 가정해 범위를 계산합니다.
- 전체 표본과 사전에 정한 하위집단 결과를 구분합니다.
주 분석과 대안 분석의 방향·크기·불확실성이 비슷하면 결론은 결측 처리에 비교적 덜 민감하다고 말할 수 있습니다. 반대로 한 방법에서만 통계적으로 뚜렷하거나 효과 방향이 뒤집힌다면, “결과가 없다/있다”보다 “결론이 결측 가정에 민감하다”고 쓰는 편이 정확합니다. p값 하나보다 효과크기와 신뢰구간을 함께 읽어야 하는 이유도 여기에 있습니다.
ICPSR에 공개된 2014년 한 BDSM 연구 자료 설명은 83명이 연구를 시작했지만 많은 참여자에게 일부 자료가 없었다고 밝힙니다. 연구팀은 나중에 온라인 설문을 보내 기존 참여자가 빠진 항목을 보완할 수 있게 했고, 역할 정보가 불명확한 6명을 제외한 대안 분석도 결과를 실질적으로 바꾸지 않았다고 보고했습니다. 이 기록은 결측을 숨기지 않고 보완 절차와 대안 분석을 함께 남긴 사례로 읽을 수 있습니다.
논문에서 5분 안에 확인할 순서
- 흐름을 적습니다. 초대·접속·동의·시작·완료·제외·최종 분석 인원을 한 줄로 옮깁니다.
- 이유별 인원을 합칩니다. 제외 사유가 겹치는지, 합계가 최종 표본과 맞는지 봅니다.
- 분모를 다시 찾습니다. 표마다 N이 같은지, 변수별 결측 수가 제시됐는지 확인합니다.
- 빠진 사람을 비교합니다. 완료자와 이탈자의 관측 가능한 특성, 이탈 시점, 모집 경로가 다른지 봅니다.
- 처리와 대안 분석을 찾습니다. complete case, imputation, missingness, attrition, sensitivity analysis를 방법·결과·보충자료에서 검색합니다.
STROBE 체크리스트는 관찰연구에서 각 단계의 참여자 수와 비참여 이유, 관심 변수별 결측 수, 결측 처리 방법, 민감도 분석을 보고하도록 권합니다. 다만 STROBE는 설계의 질을 점수 매기는 도구가 아니라 보고를 투명하게 만드는 지침입니다. 항목이 적혀 있다고 자동으로 편향이 사라지는 것은 아니며, 빠져 있다고 곧바로 결과가 거짓이라는 뜻도 아닙니다. 연구별 편향을 더 넓게 검토하려면 BDSM 연구의 편향 위험 체크리스트를 참고할 수 있습니다.
직접 메모할 때 쓸 한 장짜리 틀
| 질문 | 논문에서 옮길 내용 | 판단 |
|---|---|---|
| 처음 몇 명이었나 | 접속·동의·시작 인원 | 모집된 표본의 범위 |
| 어디서 빠졌나 | 중도 이탈·항목 결측·사후 제외 | 누락이 생긴 단계 |
| 왜 빠졌나 | 사유별 인원과 사전 기준 | 결과를 보고 정한 기준인지 |
| 어떻게 처리했나 | 완전 사례·대치·가중치·모형 | 가정과 불확실성 반영 여부 |
| 결론이 버티나 | 민감도 분석의 방향·크기·구간 | 가정에 대한 결과의 안정성 |
논문에 정보가 없으면 연구진의 의도를 추측하지 말고 “분석표본이 만들어진 과정과 결측 처리의 영향은 보고만으로 확인되지 않는다”고 적으면 됩니다. 표본이 줄었다는 사실보다, 줄어든 경로가 투명한지와 다른 합리적 처리에서도 결론이 유지되는지가 더 많은 정보를 줍니다.
참고 자료
- Drouin M, et al. An exploration of marks/injuries related to BDSM sexual experiences. Sexual Medicine. 2023;11(3):qfad020. 원표본·제외 기준·최종 분석표본 확인. 2026년 10월 27일 확인.
- Lee KJ, et al. Framework for the treatment and reporting of missing data in observational studies. Journal of Clinical Epidemiology. 2021;134:79–88. 결측 자료 분석·보고를 위한 TARMOS 프레임워크. 2026년 10월 27일 확인.
- STROBE Initiative. STROBE Statement. 관찰연구의 참여자 흐름·결측·통계 방법·민감도 분석 보고 항목. 2026년 10월 27일 확인.
- Lee EM, Sagarin BJ. The Science of BDSM Data, Phoenix, Arizona, 2014. ICPSR 37395. 결측 자료 보완과 대안 분석을 포함한 데이터 문서. 2026년 10월 27일 확인.
- Heymans MW, Twisk JWR. Handling missing data in clinical research. Journal of Clinical Epidemiology. 2022;151:185–188. 결측 메커니즘과 완전 사례·다중 대치 해설. 2026년 10월 27일 확인.
