Skip to Content

Hypothesis

9.5 가설검정(Hypothesis Testing)

9.5.1 가설검정과 영가설 (p. 97)

가설검정(Hypothesis Testing)은 표본에서 얻은 통계량을 근거로, 특정 가설(보통 영가설)에 대해 통계적으로 기각할지 말지를 결정하는 과정입니다.

  • 영가설(Null Hypothesis, H0H_0): 연구자가 찾아내고자 하는 효과(또는 차이, 상관, 변화 등)가 없다는 가정.
  • 대립가설(Alternative Hypothesis, H1H_1): 영가설과 반대되는 진술로, 실제로 효과나 차이가 존재한다는 가정. 실제 통계분석에서는 “영가설이 사실이라고 할 때, 현재 관측된 데이터(또는 더 극단적인 데이터)가 나올 확률이 얼마나 낮은가?”를 계산하여, 그 확률이 너무 낮다면(즉, 우연이라고 보기 어렵다면) 영가설을 기각합니다.

예시: “새로운 수업 방법이 기존 방법보다 학업 성취도에 차이를 주지 않는다.”(영가설) vs. “새로운 수업 방법이 기존 방법보다 성취도를 높인다(또는 달라지게 한다).”(대립가설)

9.5.2 가설검정의 불확실성 (p. 98)

모든 통계적 의사결정은 불확실성과 함께 이뤄집니다. 표본으로부터 얻은 결과는 모집단 전체를 100% 대표하지 못하기 때문에, 항상 오차(Error)가 존재할 가능성이 있습니다.

  1. 표본추출 오차(Sampling Error)
  • 표본이 모집단을 완벽히 반영하지 못해 발생하는 오차.
  • 같은 모집단에서 다른 표본을 뽑으면 다른 결과가 나올 수 있음.
  1. 측정 오차(Measurement Error)
  • 실험 설계나 측정 도구, 환경 등에 의해 발생.
  • 예: 설문 문항이 모호하거나, 측정 기기의 정밀도가 떨어지는 경우. 이러한 불확실성을 전제로, 가설검정에서는 통계적으로 허용 가능한 범위(유의수준)를 정하고, 그 이내에서 영가설을 기각할지 여부를 판단합니다.

9.5.3 유의수준 또는 오류확률 (p. 98)

  • *유의수준(Level of Significance, )**은 “영가설이 실제로 참임에도 불구하고, 우연 등에 의해 영가설을 잘못 기각할 확률”을 의미합니다. 보통 (5%)가 관행적으로 많이 사용됩니다. α\alpha α=0.05\alpha = 0.05
  • α\alpha가 0.05라는 것은, 데이터 분석 결과에 기초해 영가설을 기각하는 결정을 내렸을 때, 그 결정이 잘못(실제로는 영가설이 참)일 가능성을 5% 수준으로 허용한다는 뜻입니다.
  • 연구 맥락에 따라 (1%), (10%) 등으로 설정하기도 합니다. α=0.01\alpha = 0.01 α=0.10\alpha = 0.10

주의: α\alpha를 너무 엄격하게(예: 0.001) 하면 영가설을 기각하기 어려워질 수 있고, 너무 완화하면(예: 0.10) 잘못된 기각을 남발할 위험이 높아집니다.

9.5.4 유의수준과 p-값 예시 (p. 100)

가설검정 결과는 흔히 p-값을 통해 제시됩니다. p-값은 “영가설이 참일 때, 현재 관측된 데이터(또는 그보다 더 극단적인 값)가 나올 확률”을 의미합니다.

  1. p-값과 α\alpha 비교
  • p-값 ≤ 이면, “이렇게 극단적인 결과가 나타날 확률이 매우 낮으므로 영가설을 기각” α\alpha
  • p-값 > 이면, “관측된 결과가 우연일 수도 있으므로 영가설을 기각할 만한 충분한 근거가 없다” α\alpha
  1. 구체적 예시
  • α=0.05\alpha = 0.05일 때, 통계분석을 수행하여 p-값 = 0.03이 나왔다면?
    • 3%라는 낮은 확률로 관측된 결과가 발생 → 영가설을 기각(대립가설 채택).
  • 만약 p-값 = 0.08이라면?
    • 8% 정도의 확률로 이 결과가 나올 수 있음 → 영가설을 기각하기엔 증거가 부족(영가설 유지).

9.5.5 오류 유형(Types of Errors) (p. 100)

가설검정에서 발생하는 대표적 오류는 두 가지입니다.

  1. 유형 I 오류(Type I Error, α\alpha)
  • 실제로 영가설이 참인데, 데이터를 근거로 영가설을 기각해버린 오류
  • 즉, “효과가 없는데 있다고 판단”하는 잘못
  • α\alpha(유의수준) 자체가 Type I 오류 확률을 나타냄
  1. 유형 II 오류(Type II Error, β\beta)
  • 실제로 영가설이 거짓(대립가설이 참)인데, 데이터를 근거로 영가설을 기각하지 못한 오류
  • 즉, “효과가 있는데 없다고 판단”하는 잘못
  • β\beta값은 표본 크기, 효과 크기, 유의수준 등에 영향을 받음
  • 1 - 를 검정력(Power)이라고 부르며, “실제로 효과가 있을 때, 이를 발견할(영가설을 기각할) 확률”을 뜻함. β\beta

9.5.6 유의수준 vs. 효과크기(Significance vs. Effect Size) (p. 101)

가설검정에서 p-값이 유의하게 나왔다고 해서, 반드시 효과의 크기가 실질적으로 크다고 해석할 수는 없습니다.

  • 유의성(Significance): 통계적으로 ‘우연이라 보기 어렵다’는 결론
  • 효과크기(Effect Size): 실제로 관측된 차이나 상관관계의 규모가 얼마나 큰지 나타내는 지표 (Cohen의 d, Pearson의 r, Odds Ratio 등)

실무적 해석

따라서 연구 결과 보고 시, p-값과 함께 효과크기를 제시하여 통계적 유의성과 실질적 중요성을 함께 평가하는 것이 좋습니다.

9.5.7 적절한 가설검정 기법 선택 (p. 102)

통계분석에서는 자료의 특성(측정 척도, 분포, 표본 크기 등) 및 연구 설계에 따라 다양한 가설검정 기법이 존재합니다. 예를 들어:

  1. 평균 차이 검정
  • t-검정(독립표본 t-검정, 대응표본 t-검정): 집단이 2개인 경우
  • ANOVA(분산분석): 집단이 3개 이상
  1. 비율 차이 검정
  • 카이제곱 검정(Chi-square test), z-검정 등
  1. 상관 및 회귀
  • 피어슨 상관분석(Pearson’s r), 단순·다중 회귀분석 등
  1. 비모수 검정(Non-parametric tests)
  • Wilcoxon 순위합 검정, Kruskal-Wallis 검정, Mann-Whitney U 검정 등

선택 기준

올바른 검정 방법을 선택하지 않으면, 결과 해석이 왜곡될 위험이 큽니다. 따라서 사전에 데이터 특성과 연구 가정을 면밀히 살펴야 합니다.

9.5.8 가설검정 예시 (p. 105)

다음은 가설검정을 실제로 수행하는 단순 예시입니다.

  1. 연구 질문: “새로운 학습 교재가 기존 교재보다 시험 성적을 높이는가?”
  • 영가설(): “두 교재 간 성적 평균에 차이가 없다.” H0H_0
  • 대립가설(): “새로운 교재 집단의 평균 성적이 더 높다.”(단측 가설) H1H_1
  1. 자료 수집
  • 집단 A(기존 교재): 30명, 집단 B(새 교재): 30명
  • 각 집단 성적 데이터를 수집하고 평균 및 표준편차를 계산
  1. 검정 수행 (독립표본 t-검정 가정)
  • 유의수준 설정 α=0.05\alpha = 0.05
  • t 통계량과 p-값 산출
  1. 결과 해석
  • 예: p-값 = 0.02 → p-값 < 0.05 → 영가설 기각 → “새로운 교재가 성적을 유의미하게 향상시켰다.”
  • 추가적으로, 효과크기(Cohen’s d 등)를 계산하여 실제 차이가 어느 정도인지 보고
  1. 결론
  • 통계적으로 대립가설을 지지할 만한 근거가 존재
  • 효과크기가 큰 편이라면 실질적 의미도 크다고 볼 수 있음.

요약

  • (9.5.1) 가설검정은 표본 데이터로 영가설을 기각할지 말지를 결정하는 절차
  • (9.5.2) 모든 통계적 결정에는 표본추출, 측정, 모델 가정 등에서 비롯되는 불확실성이 존재
  • (9.5.3) 유의수준()은 Type I 오류(영가설이 참인데 기각)를 허용하는 확률 α\alpha
  • (9.5.4) p-값 ≤ 이면 영가설 기각, p-값 > 이면 기각 불가 α\alpha α\alpha
  • (9.5.5) 오류 유형: Type I(효과 없는데 있다고 판단), Type II(효과 있는데 없다고 판단)
  • (9.5.6) 통계적 유의성 vs. 효과크기: p-값이 작아도 실제 효과는 작을 수 있음
  • (9.5.7) 적절한 검정 방법은 변수 유형, 표본 특성, 가정 등에 따라 달라짐
  • (9.5.8) 실제 예시를 통해 검정 절차(가설 설정 → 자료 수집 → 검정 및 해석)를 종합적으로 파악

가설검정 과정에서는 사전 가정(정규성, 등분산성, 독립성 등)을 반드시 확인하고, 결과 해석 시 p-값과 함께 효과크기, 신뢰구간 등을 함께 고려해야 합니다. 이는 올바른 의사결정과 연구 결론 도출에 매우 중요합니다.

About