통계 결과가 나오면
가장 먼저 숫자부터 보게 됩니다.
p=.003
β=.42
R²=.38
숫자는 깔끔하고 객관적으로 보입니다.
하지만 같은 숫자라도
어떤 연구에서 나온 결과인지에 따라 의미는 달라질 수 있습니다.
1️⃣ 숫자만 보면 중요한 정보가 빠집니다
평균 만족도가
5점 만점에 4.2점이라고 해보겠습니다.
높아 보이지만
누가 응답했는지,
어떤 상황에서 조사했는지,
비교 대상은 무엇인지에 따라
해석은 달라집니다.
📊 4.2라는 숫자 자체가 결론은 아닙니다.
2️⃣ 같은 결과도 대상에 따라 의미가 달라집니다
예를 들어
같은 서비스 만족도 결과라도
처음 이용한 사람과
5년 이상 이용한 사람에게서 나온 결과는
같은 의미로 보기 어렵습니다.
연령,
경험,
직업,
조사 환경처럼
응답자를 둘러싼 조건을 함께 봐야 합니다.
3️⃣ p값이 같아도 연구의 의미는 다릅니다
두 연구에서 모두
p<.05가 나왔다고 해서
똑같이 중요한 결과인 것은 아닙니다.
표본 수,
효과크기,
측정 방법,
연구설계가 다르기 때문입니다.
👉 통계적 유의성은
해석의 시작점이지 결론 그 자체가 아닙니다.
4️⃣ 예상과 다른 결과에는 이유가 있을 수 있습니다
선행연구와 다른 결과가 나왔다고
바로 ‘이상한 데이터’라고
판단할 필요는 없습니다.
🤔 연구 대상이 달랐을까?
🤔 조사 시점에 특별한 상황이 있었을까?
🤔 측정 방법에 차이가 있었을까?
이런 맥락을 살펴보는 과정에서
오히려 새로운 연구 의미가 발견되기도 합니다.
5️⃣ 결국 연구자가 해야 하는 일은 ‘설명’입니다
통계 프로그램은
평균도 계산하고,
p값도 구하고,
회귀계수도 보여줍니다.
하지만
왜 이런 결과가 나왔는지까지
자동으로 설명해주지는 않습니다.
숫자를 맥락과 연결해
의미를 만들어내는 것은
연구자의 역할입니다.
🔥 핵심 정리
숫자는 결과를 보여주지만
맥락은 그 결과의 의미를 보여줍니다.
👉 좋은 연구자는 숫자를 무시하는 사람이 아니라, 숫자만으로 결론 내리지 않는 사람입니다.
📌 이렇게 보면 됩니다
✔ 누가 응답했는지 확인
✔ 조사 시점과 환경 살펴보기
✔ p값과 효과크기 함께 보기
✔ 선행연구와 조건 비교하기
✔ 예상과 다른 결과의 이유 고민하기
👀 많이 틀리는 포인트
p값만 보고 결론 내리기 ❌
같은 숫자는 같은 의미라고 생각하기 ❌
연구 대상의 특성을 무시하기 ❌
예상과 다른 결과를 오류로만 보기 ❌
👉 좋은 연구는
숫자를 많이 보여주는 연구가 아니라, 그 숫자가 ‘왜 그렇게 나왔는지’까지 설명할 수 있는 연구입니다.
