“집단 3개?
그럼 t-test만 3번 하면 되는 거 아냐?”
📍 절대 그렇지 않습니다.
📍 통계 오류의 지름길입니다.
이건 생각보다 많은 연구자가
실제로 저지르는 실수예요.
❌ t-검정을 반복하면 일어나는 문제 3가지
① 거짓 결과가 튀어나올 확률 폭발 🔥
한 번의 오류확률: 5%
세 번 비교하면? → 약 14.3%로 3배 증가
차이가 없는데 “있다”고 착각할 확률 대폭 증가!
집단이 많아질수록?
오류 확률은 눈덩이처럼 굴러갑니다 ⛄️
② 전체 구조를 엉뚱하게 해석 💥
t-test는 딱 두 개 비교밖에 못 봅니다.
📍A > B, B > C → OK
📍A ≈ C → 가능
그런데 t-test는
세 관계를 동시에 고려하지 못해요.
세상 전부를 문 사이 틈으로만 보는 격!
③ 실제 차이를 놓칠 수 있음 📉
비교가 쪼개질수록
검정력(Power)이 떨어집니다.
즉👇
“다르다”를 “모르겠다”로 바꿔버릴 위험이 커집니다.
👑 여기서 등장하는 👉 ANOVA
ANOVA는 한 번의 통계로
전체 평균이 같냐/다르냐를 너끈히 판단합니다.
✔ 오류 관리 OK
✔ 해석 논리 OK
✔ 재현성 OK
“숲 전체를 보고 난 뒤
나무를 자세히 살펴보자!”
🚦유의하면 👉 그때 사후검정(Post-hoc)으로
어디가 다른지 정확히 확인!
📌 연구자가 기억할 단 1줄
| 비교 상황 | 정답 |
|---|---|
| 집단 2개 | t-test |
| 집단 3개 ↑ | ANOVA → 사후검정 |
🔸 반복 t-검정 = 위험
🔹 ANOVA = 필수 선택
✨ 요약표
| 요소 | t-test 반복 | ANOVA |
|---|---|---|
| 오류율 | 🚫 폭증 | 👍 유지 |
| 전체 패턴 파악 | 불가 | 가능 |
| 해석 일관성 | 낮음 | 높음 |
| 추천도 | ❌ | ⭐⭐⭐⭐⭐ |
🎯 결론
통계는
복잡하게 하는 것보다
정확하게 하는 것이 더 똑똑한 선택입니다.
📍 세 집단 이상 → ANOVA
📍 t-test 반복 금지 🚫
여러분의 데이터가
엉뚱한 결론으로 오염되지 않도록 꼭 기억해주세요!
