회귀분석을 돌렸을 때는
A가 B에 유의한 영향을 미쳤습니다.
그런데 통제변수 하나를 추가했더니
갑자기 p값이 커지고,
A의 영향력이 유의하지 않게 나타납니다.
“변수 하나 넣었을 뿐인데 왜 결과가 달라지지?”
처음 보면 분석이 잘못된 것처럼 느껴질 수 있습니다.
하지만 회귀분석에서는 어떤 변수를 함께 고려하느냐에 따라 각 변수의 효과가 달라질 수 있습니다.
1️⃣ 회귀계수는 ‘다른 변수를 고려한 상태’의 값입니다
회귀분석에서 A의 회귀계수는
A와 B의 단순한 관계만 보여주는 것이 아닙니다.
모형에 다른 변수들이 들어 있다면
그 변수들의 영향을 고려한 상태에서 A가 B와 어떤 관계를 가지는지를 보여줍니다.
따라서 C라는 변수를 새로 추가하면
A의 계수도 다시 계산됩니다.
📌 변수 하나를 추가했다는 것은
숫자 하나가 늘어난 것이 아니라
모형이 달라졌다는 뜻입니다.
2️⃣ 새로 넣은 변수가 기존 변수와 관련되어 있을 수 있습니다
예를 들어
직무스트레스가 직무만족에 미치는 영향을
분석했다고 해보겠습니다.
그런데 여기에
근무시간이라는 변수를 추가했습니다.
만약 근무시간이
직무스트레스와도 관련이 있고
직무만족과도 관련이 있다면,
처음에 직무스트레스의 영향처럼 보였던 부분 중 일부가
근무시간과 겹쳐 있었을 수 있습니다.
👉 새로운 변수가 들어오면서
각 변수가 설명하는 부분이 다시 구분되는 것입니다.
3️⃣ β값과 p값도 함께 달라질 수 있습니다
변수를 추가하면
기존 변수의 회귀계수뿐 아니라
표준오차도 달라질 수 있습니다.
그 결과
📊 β값이 작아지거나 커질 수 있고
📊 t값이 달라질 수 있으며
📊 p값도 달라질 수 있습니다.
그래서
“원래 p<.05였는데 왜 갑자기 유의하지 않지?”
라고 p값만 보기보다
계수의 크기와 방향이 어떻게 변했는지 함께 확인하는 것이 중요합니다.
4️⃣ 결과가 달라졌다고 변수를 빼면 안 됩니다
통제변수를 넣었더니
원하는 가설이 유의하지 않게 나왔다고 해서
그 변수를 다시 제외해도 될까요?
단순히 결과가 마음에 들지 않는다는 이유로
변수를 넣었다 뺐다 하는 것은 적절하지 않습니다.
해당 변수를 포함할지는
📚 선행연구
📚 이론적 근거
📚 연구 설계
등을 바탕으로 결정해야 합니다.
👉 유의한 결과가 나오는 모형이 아니라, 연구 질문에 맞는 모형을 선택해야 합니다.
5️⃣ 변화 자체가 중요한 정보가 될 수도 있습니다
오히려 변수를 추가한 뒤
A의 영향력이 크게 줄었다면
생각해볼 부분이 생깁니다.
🤔 기존 관계에 다른 변수가 관여하고 있었던 것은 아닌지
🤔 두 변수가 비슷한 정보를 설명하고 있는 것은 아닌지
🤔 변수 간 관계를 다른 방식으로 살펴봐야 하는 것은 아닌지
결과가 달라졌다는 사실 자체가
연구에서 확인해야 할
중요한 단서가 될 수 있습니다.
🔥 핵심 정리
회귀분석에서 변수 하나를 추가하면
기존 결과가 달라지는 것은
이상한 일이 아닙니다.
👉 회귀계수는 모형에 포함된 다른 변수들을 함께 고려해 계산되기 때문에, 모형의 구성이 바뀌면 β·t·p값 등도 달라질 수 있습니다.
📌 이렇게 보면 됩니다
✔ 새로 추가한 변수의 이론적 근거 확인
✔ 기존 변수와의 상관관계 확인
✔ 추가 전·후 회귀계수 변화 비교
✔ β값뿐 아니라 t값·p값도 함께 확인
✔ 결과에 맞춰 임의로 변수를 넣고 빼지 않기
👀 많이 틀리는 포인트
변수를 추가해도 기존 결과는 그대로라고 생각하기 ❌
p값이 달라지면 분석 오류라고 생각하기 ❌
유의하지 않게 바뀌었다고 통제변수를 삭제하기 ❌
변수 추가 전·후의 계수 변화를 확인하지 않기 ❌
👉 회귀분석에서는 변수 하나를 추가하는 것도 단순한 수정이 아닙니다.
어떤 변수들을 함께 놓고 관계를 설명할 것인지, 연구모형 자체를 바꾸는 일입니다.
