Bayesian Uncertainty Quantification for Ranked Choice Voting Polls

이 글은 논문을 쉬운 언어와 창의적인 비유를 사용하여 설명한 것입니다.

문제점: 왜 일반적인 여론조사는 "순위 선택 투표(Ranked Choice)"에서 길을 잃는가?

당신이 경주 승자를 예측하려고 한다고 상상해 보세요. 전통적인 선거(단순한 "단순 다수제" 경주와 같은 경우)는 단거리 달리기와 같습니다. 단순히 결승선을 가장 먼저 통과한 주자가 누구인지만 세면 됩니다. 만약 후보 A가 51%, 후보 B가 49%의 주자를 보유했다면 수학은 간단합니다. A가 승리합니다. 여론조사 기관은 쉽게 "우리는 A가 앞서고 있다고 95% 확신하며, 오차 범위는 3% 내외입니다"라고 말할 수 있습니다.

하지만 **순위 선택 투표(RCV)**는 단거리 달리기가 아니라, 반전이 있는 의자 뺏기 게임입니다.

RCV에서 유권자는 단 한 명만 뽑는 것이 아니라, 순위를 매깁니다 (1순위, 2순위, 3순위 등). 집계 과정은 복잡합니다:

1. 모든 사람의 1순위 표를 먼저 집계합니다.
2. 과반수(50% 초과)를 얻은 사람이 없다면, 가장 적은 표를 얻은 사람이 탈락합니다.
3. 탈락한 사람을 지지했던 사람들의 표는 그들의 '다음 순위' 선택지로 옮겨집니다.
4. 누군가 마침내 50%를 넘길 때까지 이 과정이 반복됩니다.

이 논문의 핵심 통찰:
저자들은 기존의 표준적인 여론조사 도구(예: "오차 범위")가 여기서 무너진다고 주장합니다. 왜일까요? 승자는 단순히 현재 누가 앞서고 있느냐에 달려 있는 것이 아니라, 누가 먼저 탈락하느냐에 전적으로 달려 있기 때문입니다.

이것은 도미노 효과와 같습니다.

• 일반적인 경주에서는, 당신이 약간 뒤처져 있다면 그냥 뒤처진 것뿐입니다.
• RCV에서는, 당신이 약간 뒤처져 있다면 일찍 탈락할 수도 있습니다. 하지만 만약 당신이 꼴찌 바로 앞에 있다면, 당신은 살아남고 당신 뒤의 사람이 탈락하게 됩니다. 이것은 모든 것을 바꿉니다.

논문은 작은 규모의 여론조사에서는 우리가 실수로 "잘못된" 사람을 먼저 탈락할 것으로 예측할 수 있다고 보여줍니다. 만약 탈락 순서를 잘못 예측한다면, 설령 당신의 여론조사가 다른 부분에서 정확했더라도 최종 승자에 대한 예측은 틀리게 됩니다. 표준적인 수학 도구로는 이러한 "경로 의존성(path dependency)"을 쉽게 측정할 수 없습니다.

해결책: "수정구슬" 시뮬레이션

저자들은 **베이지안 통계학(Bayesian statistics)**을 사용하여 불확실성을 바라보는 새로운 방법을 제안합니다. 특정 라운드의 단일한 "오차 범위"를 계산하려고 노력하는 대신, 그들은 수천 가지의 가능한 현실을 시뮬레이션할 것을 제안합니다.

이들의 방법은 다음과 같이 쉬운 비유로 나뉩잡을 수 있습니다.

1. "투표용지 가방" (데이터)
유권자가 후보자들을 나열할 수 있는 모든 가능한 방식이 거대한 가방 속의 고유한 티켓이라고 상상해 보세요.

• 티켓 A: "나는 애덤스를 1순위로, 가르시아를 2순위로 좋아함."
• 티켓 B: "나는 가르시아를 1순위로, 애덤스를 2순위로 좋아함."
• 티켓 티켓 C: "나는 와일리만 좋아함."

여론조사가 실시되면, 우리는 이 가방에서 한 줌의 티켓(표본)을 꺼냅니다. 우리의 목표는 이 한 줌의 티켓을 바탕으로 '전체 가방'이 어떻게 생겼는지 알아내는 것입니다.

2. "마법의 물감" (사전 확률/Prior)
가방 안에 어떤 종류의 티켓이 섞여 있는지 정확히 알 수 없으므로, 우리는 "모든 종류의 티켓은 존재할 가능성이 동일하다"라는 "평평한(flat)" 가정(마법의 물감)에서 시작합니다. 실제 여론조사에서 뽑힌 티켓들을 관찰하면서, 우리는 이 물감을 업데이트합니다. 만약 "애덤스 1순위" 티켓이 많이 보인다면, 물감은 점점 더 "애덤스 색깔"로 변해갑니다.

3. "시뮬레이션 공장" (사후 확률/Posterior)
이것이 그들 아이디어의 핵심입니다. 그들은 단순히 최종 승자를 추측하는 대신, 컴퓨터를 사용하여 다음을 수행합니다:

• 물감 섞기: 여론조사 데이터와 수학적 규칙을 바탕으로, 전체 가방의 약간씩 다른 새로운 버전을 만듭니다.
• 경주 실행하기: 이 새로운 가방을 가지고 RCV 탈락 게임(꼴찌 탈락, 표 이동)을 실행하여 누가 승리하는지 확인합니다.
• 반복하기: 이 과정을 500번 또는 1,000번 반복하여, 1,000개의 약간씩 다른 "만약의 세계(what-if worlds)"를 만듭니다.

4. 결과: "승리 확률"
경주를 1,000번 실행한 후, 결과를 집계합니다:

• "이 1,000개의 세계 중 564개에서 애덤스가 승리했습니다."
• "428개에서는 가르시아가 승리했습니다."
• "8개에서는 와일리가 승리했습니다."

"애덤스가 3% 차이로 앞서고 있으며 오차 범위는 2%입니다"라고 말하는 대신, 이제 이렇게 말할 수 있습니다: "이 여론조사에 따르면, 애덤스가 승리할 확률은 56%, 가르시아가 승리할 확률은 43%입니다."

논문에 사용된 실제 사례

저자들은 이 방법이 작동함을 증명하기 위해 두 가지 유명하고 복잡한 선거를 테스트했습니다.

1. 뉴욕시 시장 예선 (2021년):

   • 상황: 에릭 애덤스가 승리했지만, 격차는 겨우 0.8%였습니다. 많은 여론조사가 그의 라이벌인 마야 와일리가 승리할 것이라고 생각했지만, 그녀는 일찍 탈락했습니다. 실제 최종 상대는 캐서린 가르시아였습니다.
   • 기존 방식: 여론조사들은 혼란스러워했습니다. 그들은 가르시아와 와일리 사이의 접전을 보고 누가 최종 라운드에 올라갈지 판단하지 못했습니다.
   • 새로운 방식: 그들의 시뮬레이션은 경기가 매우 치열했지만, 애덤스가 약 56%, 가르시아가 43%의 승리 확률을 가졌음을 보여주었습니다. 이는 특정 탈락 순서에 얽매이지 않고도 "누가 이길지 알 수 없는" 경기의 특성을 완벽하게 포착했습니다.

2. 알래스카 하원 특별 선거 (2022년):

   • 상황: 메리 펠롤라가 승리했지만, 첫 번째로 탈락한 닉 베기치 3세가 사실 일대일 대결에서는 펠롤라를 이길 수 있는 상황이었습니다. 이것이 전형적인 "경로 의존성"의 함정입니다.
   • 기존 방식: 작은 규모의 여론조사들은 베기치가 먼저 탈락할 것이라고 잘못 예측하여, 베기치가 승리할 것이라고 예측하는 경우가 많았습니다.
   • 새로운 방식: 그들의 방법은 표본 크기가 커짐에 따라 펠롤라가 승리할 확률이 높아진다는 것을 정확히 식별해 냈으며, "베기치 승리" 예측이 작은 표본 크기로 인한 일시적인 현상이었음을 보여주었습니다.

"가지치기(Pruning)" 기술

한 가지 실질적인 문제는, 후보자가 많아지면 가능한 순위의 수가 엄청나게 늘어난다는 점입니다(마치 계속 커지는 카드 덱을 분류하는 것과 같습니다).

그들은 **"가지치기(Pruning)"**라고 불리는 기술을 사용했습니다.
축구 토너먼트를 관람하고 있다고 상상해 보세요. 결승 4강에 진출할 팀이 누구인지 알기 위해, 하위 브래킷에서 팀들이 정확히 어떤 순서로 탈락했는지까지 알 필요는 없습니다.

• 저자들은 최종 승자를 예측하기 위해서, 보통 상위 3~4명의 후보가 누구인지만 알면 된다는 것을 깨달았습니다.
• 그들은 시뮬레이션에서 하위 후보들을 수학적으로 "잘라내는" 방법을 개발했습니다. 이를 통해 컴퓨터가 더 빠르게 실행되도록 하고 수학적 정확도를 높였는데, 이는 10위가 누구인지와 같은 무관한 세부 사항에 신경 쓰는 것을 멈추기 때문입니다.

요약

이 논문은 순위 선택 투표(RCV)의 경우, 특정 리드(lead)에 대한 단일한 "오차 범위"를 계산하려고 노력하는 것을 멈춰야 한다고 주장합니다. 대신, **"만약 우리가 약간씩 다른 여론조사 결과로 이 선거를 1,000번 실행한다면, 각 후보가 몇 번이나 승리할 것인가?"**라고 묻는 시뮬레이션 접근 방식을 사용해야 합니다.

이는 유권자와 기자들에게 훨씬 더 명확한 그림을 제공합니다. 단순히 "누가 앞서고 있는가"가 아니라, **"이 사람이 실제로 승리할 가능성이 얼마나 되는가?"**를 알려줍니다. 이는 RCV에서 승리로 가는 길이 구불구불하며, 여론의 작은 변화가 전체 결과를 바꿀 수 있다는 점을 인정하는 것입니다.