통계분석도 제대로 했고,
결과표의 숫자도 맞습니다.
그런데 교수님이
결론을 다시 쓰라고 합니다.
“분석 결과랑 결론이 안 맞아요.”
왜 이런 일이 생길까요?
👉 통계 결과가 맞는 것과 그 결과를 올바르게 해석하는 것은 다른 문제이기 때문입니다.
1️⃣ ‘관련이 있다’를 ‘영향을 준다’로 바꿉니다
두 변수 사이에
상관관계가 나타났다고 해서
한 변수가 다른 변수의
원인이라고 말할 수는 없습니다.
📊 A와 B가 관련 있음
≠
➡️ A가 B를 발생시킴
연구설계가 뒷받침하지 않는다면
인과관계로 확대해서
결론 내리지 않아야 합니다.
2️⃣ p<.05를 ‘중요한 결과’로 해석합니다
통계적으로 유의하다고 해서
반드시 현실에서도
큰 의미가 있는 것은 아닙니다.
차이가 아주 작더라도
표본 수가 많으면
유의한 결과가 나타날 수 있습니다.
👉 p값뿐 아니라
효과크기와 실제 차이의 크기도 함께 봐야 합니다.
3️⃣ 연구 대상을 넘어 일반화합니다
20대 대학생 300명을 조사했는데
결론에서는
“모든 성인에게 이러한 경향이 나타난다.”
라고 작성한다면 어떨까요?
표본이 보여줄 수 있는 범위를
넘어선 결론이 됩니다.
📌 결론의 범위는
실제로 조사한 대상과 연구설계 안에서 정해야 합니다.
4️⃣ 유의하지 않은 결과를 ‘효과 없음’이라고 합니다
p>.05가 나왔다고 해서
“두 변수는 관계가 없다.”
라고 단정할 수는 없습니다.
이번 연구에서
통계적으로 충분한 증거를
확보하지 못했다는 의미와
효과가 전혀 없다는 의미는 다릅니다.
⚠️ 유의하지 않은 결과도
표본 수와 신뢰구간 등을 함께 살펴봐야 합니다.
5️⃣ 원하는 결론에 결과를 끼워 맞춥니다
연구를 시작할 때
예상했던 결과가 있을 수 있습니다.
하지만 실제 데이터가
예상과 다르게 나왔다면
결론도 달라져야 합니다.
가설을 지지하기 위해
일부 결과만 강조하거나
불리한 결과를 축소하면
논문의 설득력이 떨어집니다.
결론은 연구자의 기대가 아니라
실제 분석 결과에서 출발해야 합니다.
🔥 핵심 정리
통계분석이 정확해도
해석의 범위를 넘어서는 순간
결론은 틀릴 수 있습니다.
👉 좋은 결론은 멋있게 말하는 결론이 아니라, 데이터가 보여준 만큼만 정확하게 말하는 결론입니다.
📌 이렇게 보면 됩니다
✔ 상관관계와 인과관계 구분
✔ p값과 효과크기 함께 확인
✔ 연구 대상 범위 안에서 일반화
✔ p>.05를 ‘효과 없음’으로 단정하지 않기
✔ 예상보다 실제 결과를 우선하기
👀 많이 틀리는 포인트
상관관계를 인과관계로 표현하기 ❌
유의하면 중요한 결과라고 단정하기 ❌
표본보다 넓은 집단으로 일반화하기 ❌
가설과 다른 결과를 억지로 설명하기 ❌
👉 좋은 논문은
분석 결과를 크게 포장하는 논문이 아니라, 결과가 말할 수 있는 범위를 정확하게 지키는 논문입니다.
