— 독립변수부터 p값까지, 이것만 알아도 논문 읽기가 훨씬 쉬워집니다 📚
논문을 처음 쓰기 시작하면 내용보다 먼저 막히는 것이 있습니다.
바로 용어입니다.
선행연구에는 독립변수, 종속변수, 매개효과가 나오고, 통계분석 결과에는 평균, 표준편차, p값, 회귀계수가 등장합니다.
처음에는 이런 생각이 들기도 합니다.
“분명 한글인데 왜 이렇게 어렵지?”
하지만 자주 등장하는 용어 몇 가지만 정확하게 이해해두면 연구모형을 보거나 SPSS 결과를 읽는 일이 훨씬 수월해집니다.
논문에서 특히 자주 접하는 10가지를 쉽게 정리해보겠습니다.
1. 독립변수
독립변수(Independent Variable)는 다른 변수에 영향을 미칠 것으로 예상하는 변수입니다.
예를 들어
직무스트레스가 이직의도에 영향을 미친다.
라는 연구라면 ‘직무스트레스’가 독립변수가 될 수 있습니다.
연구모형에서는 보통 화살표가 출발하는 쪽에 위치한다고 생각하면 이해하기 쉽습니다.
2. 종속변수
종속변수(Dependent Variable)는 독립변수의 영향을 받는 결과 변수입니다.
앞의 예시에서는
직무스트레스 → 이직의도
이므로 이직의도가 종속변수가 됩니다.
쉽게 말하면 연구에서 궁극적으로 무엇이 달라지는지를 확인하려는 변수라고 이해할 수 있습니다.
3. 매개변수
매개변수는 독립변수가 종속변수에 영향을 미치는 중간 과정을 설명합니다.
예를 들어
직무스트레스 → 직무만족 → 이직의도
라는 연구모형이 있다면 직무만족이 매개변수 역할을 할 수 있습니다.
즉,
“A가 B에 영향을 미친다.”
에서 한 단계 더 나아가
“A가 어떤 과정을 거쳐 B와 연결되는가?”
를 확인하는 개념입니다.
4. 조절변수
조절변수는 어떤 조건에 따라 변수 간 관계의 강도나 방향이 달라지는지를 확인할 때 사용됩니다.
예를 들어
직무스트레스가 이직의도와 관련되어 있는데,
근속연수에 따라 그 관계의 정도가 달라지는지를 살펴본다면 근속연수가 조절변수로 설정될 수 있습니다.
매개변수가 ‘어떤 과정을 통해?’에 가깝다면,
조절변수는 *언제, 누구에게, 어떤 조건에서 관계가 달라지는가?’에 가깝다고 이해하면 조금 쉽습니다.
5. 귀무가설
귀무가설(Null Hypothesis)은 일반적으로 차이 또는 관계가 없다고 가정하는 가설입니다.
예를 들어
“A집단과 B집단의 평균에는 차이가 없다.”
와 같은 형태입니다.
통계적 가설검정에서는 데이터를 통해 이러한 귀무가설을 기각할 수 있는 근거가 충분한지를 판단하게 됩니다.
논문에서 흔히 보는 p값도 이 과정과 연결되어 있습니다.
6. 유의수준
논문에서 자주 등장하는 α = .05가 바로 유의수준(Significance Level)의 대표적인 예입니다.
쉽게 말하면 통계적 판단을 내릴 때 연구자가 정하는 기준입니다.
많은 연구에서 .05를 사용하지만,
“p < .05면 좋은 연구”
라는 의미는 아닙니다.
또 p=.049와 p=.051이 완전히 다른 현상을 의미하는 것도 아닙니다.
유의수준은 통계적 판단을 위한 기준이지 연구의 점수를 매기는 기준은 아닙니다.
7. p값
p-value는 논문 통계분석에서 가장 많이 보는 숫자 중 하나입니다.
정확히는 귀무가설과 분석모형의 가정이 맞다고 할 때, 현재 관찰된 결과와 같거나 더 극단적인 결과가 나타날 확률을 의미합니다.
따라서
p = .03 → 내 가설이 97% 확률로 맞다
라고 해석하면 안 됩니다.
보통 설정한 유의수준과 p값을 비교하여 통계적 유의성을 판단합니다.
8. 평균
평균(Mean)은 여러 응답값을 더한 뒤 응답자 수로 나눈 값입니다.
5점 척도 만족도 조사에서 평균이 4.2라면 전반적으로 높은 수준의 응답이 나타났다고 볼 수 있습니다.
다만 평균만으로 데이터의 전체 모습을 판단하기에는 부족합니다.
같은 평균이라도 응답이 평균 주변에 모여 있는지, 넓게 흩어져 있는지는 다를 수 있기 때문입니다.
그래서 평균과 함께 자주 등장하는 것이 표준편차입니다.
9. 표준편차
표준편차(Standard Deviation, SD)는 데이터가 평균을 중심으로 어느 정도 퍼져 있는지를 보여주는 지표입니다.
예를 들어 두 집단 모두 평균 만족도가 4.0이라고 해도
한 집단은 대부분 4점을 선택했고,
다른 집단은 1점과 5점으로 응답이 크게 갈렸을 수 있습니다.
평균은 같지만 데이터의 모습은 전혀 다릅니다.
그래서 논문의 기술통계표에서는 평균(M)과 표준편차(SD)를 함께 제시하는 경우가 많습니다.
10. 효과크기
마지막으로 알아두면 좋은 것이 효과크기(Effect Size)입니다.
통계적으로 유의한 결과가 나타났다고 해서 실제 차이나 관계까지 크다는 뜻은 아닙니다.
표본 수가 충분히 크면 작은 차이도 통계적으로 유의하게 나타날 수 있기 때문입니다.
효과크기는 관찰된 차이나 관계가 실질적으로 어느 정도 크기인지 판단하는 데 도움을 주는 정보입니다.
따라서 연구에 따라 p값뿐 아니라 적절한 효과크기 지표를 함께 확인하는 것이 중요합니다.
용어를 외우기보다 ‘연결해서’ 이해해보세요
처음부터 모든 통계 용어를 완벽하게 외울 필요는 없습니다.
예를 들어 다음처럼 하나의 연구 흐름으로 연결하면 훨씬 이해하기 쉽습니다.
독립변수 → 매개·조절변수 → 종속변수
↓
연구가설 설정
↓
데이터 수집
↓
통계분석
↓
p값·효과크기 등 결과 확인
↓
연구가설과 연결하여 해석
통계 용어 하나하나를 따로 외우기보다 내 연구에서 각각 어떤 역할을 하는지 이해하는 것이 중요합니다.
마무리
논문을 처음 시작할 때 통계 용어가 어렵게 느껴지는 것은 자연스럽습니다.
하지만 기본 개념을 하나씩 이해해두면 선행연구의 연구모형을 읽거나 SPSS 통계분석 결과를 확인할 때도 훨씬 수월해집니다.
그리고 논문을 준비하면서 모르는 용어나 연구 과정에서 생기는 고민을 다른 대학원생들과 편하게 나누고 싶다면 K-GRAD 오픈채팅방도 활용해볼 수 있습니다. 논문뿐 아니라 대학원 생활과 관련된 정보도 함께 나눌 수 있습니다.
통계 용어는 무작정 외우는 것보다,
‘내 연구에서 이 개념이 어떤 역할을 하는가’를 연결해서 이해하는 것이 훨씬 중요합니다.
