논문 통계분석에서 가장 많이 활용되는 분석 중 하나가 t-test(티검정)입니다.
특히 성별, 집단, 실험 전후 등 두 조건의 평균 차이를 확인할 때 자주 사용됩니다.
그런데 SPSS에서 t-test를 실행하면 생각보다 많은 숫자가 나타납니다.
“t값은 높을수록 좋은 건가요?”
“자유도(df)는 왜 확인해야 하나요?”
“p값이 .05보다 작으면 무조건 차이가 있다고 써도 될까요?”
처음 통계분석을 접하는 대학원생이라면 결과표에서 어떤 숫자를 먼저 확인해야 할지 헷갈릴 수 있습니다.
이번 글에서는 t-test 결과표에서 꼭 알아야 할 t값, 자유도(df), p값의 의미와 해석 방법을 실제 예시를 통해 정리해보겠습니다.
1. t-test는 어떤 분석일까요?
t-test는 평균 차이를 통계적으로 검정하는 분석 방법입니다.
예를 들어 다음과 같은 연구를 생각해보겠습니다.
“재택근무 경험이 있는 직원과 없는 직원의 직무만족도에는 차이가 있을까?”
이때 두 집단의 평균을 비교하기 위해 독립표본 t-test를 활용할 수 있습니다.
t-test에는 대표적으로 세 가지 유형이 있습니다.
① 독립표본 t-test
서로 다른 두 집단의 평균을 비교합니다.
예시: 재택근무 경험자와 비경험자의 직무만족도 차이
② 대응표본 t-test
동일한 대상의 두 시점 또는 짝지어진 관측값의 평균 차이를 비교합니다.
예시: 교육 프로그램 참여 전후의 업무역량 점수 차이
③ 일표본 t-test
한 집단의 평균이 특정 기준값과 차이가 있는지 확인합니다.
예시: 직원들의 평균 만족도가 기준점인 3점과 다른지 검정
따라서 t-test를 진행하기 전에는 내 연구가 어떤 평균을 비교하려는지부터 확인해야 합니다.
2. t값은 무엇을 의미할까요?
SPSS 결과표에서 가장 먼저 눈에 들어오는 숫자 중 하나가 t값(t-statistic)입니다.
t값은 쉽게 말해 관찰된 평균 차이가 해당 차이의 표준오차에 비해 얼마나 큰지를 나타내는 통계량입니다.
독립표본 t-test를 예로 들어보겠습니다.
A집단 평균: 4.1점
B집단 평균: 3.5점
두 집단의 평균 차이는 0.6점입니다.
하지만 평균 차이가 0.6점이라는 사실만으로 통계적으로 유의한 차이가 있다고 판단할 수는 없습니다.
집단별 점수가 얼마나 흩어져 있는지, 표본 수가 얼마나 되는지에 따라 결과가 달라지기 때문입니다.
이때 t값은 평균 차이를 표준오차와 비교하여 계산됩니다.
t값 = 평균 차이 ÷ 평균 차이의 표준오차
일반적으로 다른 조건이 같다면 t값의 절댓값이 클수록 평균 차이가 0이라는 귀무가설에 반하는 근거가 강해집니다.
다만 t값의 크기만으로 유의성을 판단하지 않고 자유도와 함께 확인해야 합니다.
3. t값이 음수면 잘못된 결과일까요?
그렇지 않습니다.
t값에는 양수와 음수가 모두 나타날 수 있습니다.
예를 들어 두 집단의 평균을 비교할 때
A집단 평균 – B집단 평균
으로 계산했다면 A집단의 평균이 더 낮을 경우 t값이 음수로 나타날 수 있습니다.
반대로 집단의 순서를 바꾸면 t값의 부호도 달라집니다.
따라서 t값이 음수라고 해서 분석이 잘못되었다거나 부정적인 결과라는 의미는 아닙니다.
중요한 것은 어떤 집단을 기준으로 평균 차이를 계산했는지입니다.
특히 논문 결과를 작성할 때는 t값의 부호만 보지 말고 각 집단의 평균을 함께 확인해야 합니다.
4. 자유도(df)는 왜 확인해야 할까요?
t-test 결과표에는 df(Degrees of Freedom, 자유도)라는 값도 나타납니다.
자유도는 통계량의 분포를 결정하는 데 사용되는 중요한 정보입니다.
쉽게 말하면 통계분석에서 독립적으로 변할 수 있는 정보의 양과 관련된 개념입니다.
예를 들어 등분산을 가정한 독립표본 t-test에서는 일반적으로 다음과 같이 자유도를 계산합니다.
df = n₁ + n₂ – 2
A집단이 50명, B집단이 50명이라면
df = 50 + 50 – 2 = 98
이 됩니다.
다만 모든 t-test에서 같은 계산식을 사용하는 것은 아닙니다.
대응표본 t-test나 Welch의 t-test 등에서는 자유도 계산 방식이 달라집니다.
특히 Welch의 t-test에서는 자유도가 소수점으로 표시될 수도 있습니다.
따라서 자유도가 정수가 아니라고 해서 SPSS 오류라고 판단할 필요는 없습니다.
5. p값은 어떻게 해석해야 할까요?
논문에서 가장 많이 확인하는 값 중 하나가 p값(p-value)입니다.
p값은 귀무가설과 통계모형의 가정이 맞다고 할 때, 관찰된 결과와 같거나 더 극단적인 결과가 나타날 확률을 의미합니다.
일반적으로 유의수준을 .05로 설정했다면 다음과 같이 판단합니다.
p < .05
→ 통계적으로 유의한 차이가 있다고 판단할 수 있습니다.
p ≥ .05
→ 설정한 유의수준에서 통계적으로 유의한 차이를 확인하지 못한 것입니다.
여기서 중요한 점이 있습니다.
p값이 .05보다 크다고 해서 두 집단이 완전히 같다는 의미는 아닙니다.
또한 p값이 작다고 해서 실제 평균 차이가 크다는 뜻도 아닙니다.
따라서 p값뿐 아니라 평균 차이와 신뢰구간, 효과크기 등을 함께 확인하는 것이 좋습니다.
6. SPSS 결과표는 어떤 순서로 확인해야 할까요?
독립표본 t-test를 실행했다고 가정해보겠습니다.
SPSS에서는 일반적으로 집단통계량(Group Statistics)과 독립표본 검정(Independent Samples Test) 결과를 확인할 수 있습니다.
여기서 중요한 것이 등분산성 검정입니다.
SPSS 독립표본 검정표에는 Levene의 등분산 검정 결과가 표시됩니다.
이 검정은 두 집단의 분산이 같다고 볼 수 있는지를 확인하는 데 사용됩니다.
일반적으로 다음 두 행을 구분하여 확인합니다.
① 등분산을 가정함(Equal variances assumed)
두 집단의 분산이 같다고 가정한 t-test 결과입니다.
② 등분산을 가정하지 않음(Equal variances not assumed)
등분산을 가정하지 않는 Welch의 t-test 결과입니다.
전통적으로 Levene 검정의 p값을 기준으로 두 행 중 하나를 선택하는 방법이 사용되기도 합니다.
다만 최근에는 등분산성 검정 결과만으로 분석 방법을 결정하기보다, 분산과 표본 수의 차이를 고려하여 Welch의 t-test를 활용하는 방법도 널리 권장됩니다.
따라서 연구설계와 분석 기준에 맞는 결과를 선택하는 것이 중요합니다.
7. 실제 논문에서는 어떻게 작성할까요?
다음과 같은 가상의 분석 결과가 있다고 해보겠습니다.
연구주제
재택근무 경험 여부에 따른 직무만족도 차이
분석 결과
재택근무 경험 집단: M = 4.10, SD = 0.72
재택근무 비경험 집단: M = 3.60, SD = 0.81
t(98) = 3.25, p = .002
이 경우 다음과 같이 작성할 수 있습니다.
재택근무 경험 여부에 따른 직무만족도의 차이를 확인하기 위해 독립표본 t-test를 실시하였다. 분석 결과, 재택근무 경험 집단(M = 4.10, SD = 0.72)은 비경험 집단(M = 3.60, SD = 0.81)보다 직무만족도가 통계적으로 유의하게 높게 나타났다(t(98) = 3.25, p = .002).
이처럼 결과를 작성할 때는 단순히 p값만 제시하는 것이 아니라 집단별 평균과 표준편차, t값, 자유도 등을 함께 제시하는 것이 좋습니다.
※ 위 수치는 설명을 위한 가상의 예시입니다.
t-test 결과표를 확인할 때 체크리스트 ✅
- 비교하려는 대상이 서로 다른 두 집단인가, 동일한 대상의 전후 비교인가?
- 연구목적에 맞는 t-test 유형을 선택했는가?
- 집단별 평균과 표준편차를 확인했는가?
- t값의 부호와 평균 차이의 방향이 일치하는가?
- 자유도(df)를 올바르게 확인했는가?
- 등분산 가정과 분석 방법을 적절하게 검토했는가?
- p값뿐 아니라 평균 차이와 효과크기도 함께 살펴봤는가?
- 통계표의 숫자와 본문 해석이 일치하는가?
특히 SPSS 결과표에서는 숫자를 그대로 옮기는 것보다 각 통계량이 무엇을 의미하는지 이해하는 과정이 중요합니다.
마무리
t-test는 비교적 기본적인 통계분석이지만, 결과를 정확하게 해석하려면 여러 통계량을 함께 확인해야 합니다.
t값은 평균 차이를 표준오차와 비교한 통계량이고, 자유도는 t분포를 결정하는 데 사용되며, p값은 통계적 유의성을 판단하는 데 활용됩니다.
하지만 이 세 가지 숫자만으로 모든 결과를 설명할 수 있는 것은 아닙니다.
집단별 평균과 표준편차, 평균 차이의 신뢰구간, 효과크기 등을 함께 살펴봐야 연구 결과를 더 충실하게 해석할 수 있습니다.
더브레인에서도 논문 통계분석을 진행할 때 단순히 SPSS 결과표를 산출하는 것에서 그치지 않고, 연구목적에 맞는 통계량을 확인하고 결과를 해석하는 과정을 중요하게 보고 있습니다.
t-test 결과표에서 중요한 것은 p값 하나가 아닙니다.
t값은 평균 차이의 상대적인 크기를, df는 검정에 사용되는 자유도를, p값은 통계적 유의성을 판단하는 정보를 제공한다는 점을 함께 이해해야 합니다.
