Ver. 1.

따라하면 끝나는 통계분석

한울통계컨설팅

궁금한 점이 있으면 QR코드를 스캔

※ 본 책자는 필요한 분들에 한하여 무료배포는 가능하나 수정 배포는 불가합니다.

본 책자는 양적연구로 학위논문이나 학회지를 준비하시려는 분들이 고민하는 통계
분석에 대해서 조금이나마 도움을 드리고자 작성하게 되었으며, 통계에 대해서 아
무런 지식이 없는 분들이라도 데이터 코딩과 같은 기초부터 초급통계, 중급통계까
지 책자를 참고하시면 최대한 쉽게 통계분석을 하실 수 있을 것입니다.
본 책자의 내용은 학위논문이나 학회지에 들어가는 통계 중 가장 많이 활용되고
있는 빈도분석, 기술통계, 교차분석, 차이분석(t-test, ANOVA), 요인분석, 신뢰도
분석을 기본으로 상관분석, 다중회귀분석 및 더미를 활용한 다중회귀분석을 초급통
계에서 다루었으며, 더욱 나아가 위계적 회귀분석, 위계적 회귀분석을 활용한 조절
효과분석, 회귀분석을 활용한 매개효과분석, 이항로직스틱 회귀분석, 공분산분석, 반
복측정분산분석, 정규성 검정, 비모수 통계와 같은 중급통계를 더 추가하여 다루었
습니다.
스스로 통계분석을 공부하시는데 필요한 내용을 10년 이상 통계를 분석해 온 실
무자 입장에서 최대한 쉽게 풀어서 작성하였으며, 다양한 통계서적를 참고하였습니
다. 그렇다고 제가 완벽하다고는 말씀 드리지 못합니다.
본 책자를 참고하시다가 막히는 부분이나 수정해야 해야 할 내용이 발견된다면 아
래 연락처로 연락주세요. 이해가 가지 않는 부분에 대해선 친절히 알려드리고 수정
해야 할 내용이 있다면 내용파악 후 수정하도록 하겠습니다. 또한 이런한 피드백을
통해 더욱 쉽게 따라할 수 있도록 책자를 업그레이드 하여서 무료로 배포하도록 하
겠습니다.

2018년
제작 : 한울통계컨설팅

※ 본 책자는 필요한 분들에 한하여 무료배포는 가능하나 수정 배포는 불가합니다.

 ※ 목 차 ※

Ⅰ. 데이터 코딩 ············································································································ 4
1. 데이터 코딩 방법 ··········································································································· 4
2. 엑셀과 한글 데이터 SPSS로 옮기기 ········································································· 6
1) 엑셀테이터 SPSS로 옮기기 ····················································································· 6
2) 한글 또는 메모장 데이터 SPSS로 옮기기 ··························································· 8
3. 역코딩 ···························································································································· 13
4. 요인 만들기 ·················································································································· 15
5. 연속형 데이터를 범주형 데이터로 바꾸기 ···························································· 17
6. 이상값 찾기 ·················································································································· 20

Ⅱ. 초급 통계 분석 ··································································································· 21
1. 인구학적 특성에 따른 빈도분석의 팁 ···································································· 21
2. SPSS 아웃풋을 엑셀로 보내는 방법 ······································································ 23
3. 교차분석 ······················································································································ 26
4. 독립 t-test ················································································································· 28
5. 대응 t-test ··················································································································· 30
6. 분산분석(ANOVA) ······································································································ 32
7. 요인분석 ························································································································ 38
8. 신뢰도 분석 ·················································································································· 42
9. 상관분석 ······················································································································ 44
10. 회귀분석 ···················································································································· 46
1) Enter(입력) 방식 다중회귀분석 ··········································································· 46
2) Stepwise(단계선택) 방식 다중회귀분석 ···························································· 48
11. 더미를 활용한 다중회귀분석 ················································································ 51

Ⅲ. 중급 통계 분석 ································································································· 59
1. 위계적 다중회귀분석 ·································································································· 59
2. 위계적 회귀분석을 활용한 조절효과분석 ······························································ 62
3. 회귀분석을 활용한 매개효과 분석 ·········································································· 68
4. 이항로지스틱 회귀분석 ······························································································ 74
5. 공분산분석 ···················································································································· 78
6. 반복측정 분산분석 ······································································································ 84
7. 정규성 검정 ·················································································································· 89
8. 비모수 통계분석 ·········································································································· 91
1) Mann-Whitney U 검정 ························································································· 91
2) Wilcoxon 부호-서열 검정 ···················································································· 93
3) Kruskal-Wallis H 검정 ························································································· 95
Ⅰ. 데이터 코딩

1. 데이터 코딩 방법

엑셀에서 코딩할 경우는 오름차순 숫자로 ID(예: 1, 2, 3....) 설정하고 하나의 설

문지에 대한 응답은 한줄로 입력해야 합니다.

한글이나 워드에서 코딩을 할 경우 또한 설문지 한 장에 대한 응답이 뛰어쓰기 없

이 한줄로 입력해야 합니다. (아래 그림은 위 코딩 데이터를 한글에서 작업한 결과)

- 4 -
복수응답에 대한 팁을 드리면, 복수응답의 경우 엑셀의 경우 문항이 4개라면 4개
의 칸을 만들어서 응답이 되어 있는 것은 모두 입력해야 되며 한글의 경우 4개의
칸을 모두 채워야 합니다.

ex) 3200←(응답이 3과 2인 경우), 1240, 3324

여기서 0은 무응답으로 칸을 채우는 역할을 합니다.

사전-사후 또는 반복측정에 대한 데이터 코딩의 경우 사전-사후의 응답은 같은

줄에 있어야 합니다.

- 5 -
2. 엑셀과 한글 데이터 SPSS로 옮기기

1) 엑셀테이터 SPSS로 옮기기

위 그림처럼 파일(F) → 열기(O) → 데이터(A)를 선택하여 클릭하면 아래와 같은 창이

열립니다.

데이터가 있는 폴더로 이동 후 파일유형에서 “Excel 파일” 또는 “모든 파일”을 선택하면

엑셀 테이터 코딩 파일을 찾을 수 있습니다. 선택해 주시고 "열기(O)"를 클릭하시면

- 6 -
(주의: 코딩된 워크시트 이름을 꼭 확인해야 합니다.)

“Excel 데이터 소스 열기”가 생기고 여기서 확인을 클릭하시면

엑셀에서 코딩 작업한 내용이 SPSS로 옮겨집니다.

- 7 -
2) 한글 또는 메모장 데이터 SPSS로 옮기기

한글 또는 메모장에서 작성된 코딩 데이터는 엑셀 데이터를 SPSS로 옮기는 방법보

다는 조금 더 복잡하다는 단점이 있지만, 샘플 수가 많다면 데이터를 입력하는데 있
어서 엑셀보다는 한글 또는 메모장이 더욱 시간을 절약할 수 있다는 장점이 있습니
다.

우선 한글에서 코딩된 데이터를 메모장으로 옮깁니다

메모장으로 옮긴 후 분석할 폴더에 txt 파

일 이름으로 저장합니다.

- 8 -
파일(F) → 텍스트 데이터 읽기(D) 클릭

데이터 열기창에서 → 메모장으로 작성되 코딩샘플을 선택해서 “열기(O)” 클릭

- 9 -
텍스트 가져오기 마법사 6단계 시작 → “다음(N)” 클릭

텍스트 가져오기 마법사 3단계까지 다음을 클릭하면 4단계가 나옵니다.

여기서 마우스로 구분선을 삽입해야 합니다. 코딩샘플은 모두 한자리이지만,
혹시 연령이나 몸무게와 같이 2자리 이상일 때는 두칸 이상으로 구분선을 넣어주어야 합
니다. 구분선을 모두 넣은 후

- 10 -
4단계 이후 6단계 마지막 단계까지 간 이후 “마침”을 누름

위와 같이 SPSS로 데이터가 옮겨 간 것을 확인할 수 있습니다.

여기서 엑셀은 변수명까지 모두 SPSS로 옮겨지지만 텍스트(메모장)으로 불러온 데이터

는 다시 변수명을 지정해 주어야 합니다. (예: V1→연령)

- 11 -
변수명은 "변수보기(V)"을 클릭하면 넣을 수 있습니다.

또한 변수추가를 통해 ID를 넣을 변수자리를 만들어 ID에 순차적으로 숫자를 넣어주면

엑셀에서 가져 온 데이터와 같은 형태가 됩니다.

성별의 값(노란색)을 클릭하면 “변수값 설명”이라는 창이 뜨고 여기에

기준값 칸 1→설명칸 남성이라고 넣고 “추가”버튼을 누르면 남성이 추가됩니다.

이런식으로 기준값 칸 2→설명칸 여성이라고 넣고 “추가”버튼을 누르고 “확인”버튼을

누르면 변인값을 넣을 수 있습니다.

아래 결혼상태의 경우 1→미혼, 2→기혼 이라고 넣으면 됩니다.

- 12 -
3. 역코딩

설문에 대한 척도를 보면 대게 리커트 척도로 이루어진 설문의 경우 역으로 물어보

는 문항이 존재합니다. 이런 문항은 역코딩을 해줘야 합니다.
이 작업을 실수로 지나쳐 버린다면, 아마도 통계분석을 다시해야 할 경우가 생길수
도 있는 매우 중요한 작업입니다.

예) 스트레스1 문항은 5점 척도로 이루어졌으며, 역문항이었음, 결측값은 없었음.

변환→ 같은 변수로 코딩변경 또는 다른 변수로 코딩변경

저희는 같은 변수로 코딩변경을 하겠습니다.

- 13 -
 스트레스1 문항을 “숫자변수(V)”로 옮기고 “기존값 및 새로운 값(O)"를 클릭합니다.

기존값에 원래 있던 숫자를 넣고 새로운 값에 새로 넣을 숫자를 넣으면 됩니다.

5점 척도 역코딩이니, 1→5로 2→4로...... 5→1로 변환하면 됩니다.
모두 추가를 했다면 계속을 클릭하면 역코딩이 완료되었습니다.

이제 역코딩까지 끝났다면, 요인을 만들어줘야 합니다.

- 14 -
4. 요인 만들기

1) 변수계산(C)를 활용한 요인 만들기

변화(T) → 변수계산(C) 클릭

대상변수(T)에 만들 “요인이름”을 넣고 숫자표현식(E)에 요인을 계산해주면 됩니다.

여기서는 요인이름 = (값1 + 값2 + 값3 + 값4)/4
값1~값4까지 4개의 문항으로 이루어진 “요인이름” 이라는 요인을 만드는 작업입니다.
숫자표현식(E)에는 직접입력도 기존값을 마우스로 옮기셔도 상관없습니다.

* : 곱하기, ** : 자승, / : 나누기, ~= : 같지 않다, ~ : ~는 아니다, & : and, | : or

- 15 -
2) 명령문(Syntax)을 활용한 요인 만들기

SPSS에서 요인을 만들수도 있지만, 문항이 많을 경우 매우 작업시간이 오래 걸릴

수 있으니, 이때는 명령문(Syntax)을 활용해 보도록 합니다.

파일(F) → 새 파일(N) → 명령문(S) 클릭

위 그림과 같이 실행하면 아래 그림처럼 Syntax 편집기를 사용할 수 있습니다.
빨간 동그라미 초록색 화살표는 명령어를 실행시키는 버튼입니다.

요인을 만드는 계산식

⇓
compute 요인이름 = 계산식.
execute.

마우스로 사용할 명령어를 드레그 한 후 실행버튼을 누르면 실행이 됩니다.

스트레스에 대한 평균의 경우
스트레스_평균 = (스트레스1+스트레스2+스트레스3+스트레스4)/4.
스트레스_총합 = 스트레스1+스트레스2+스트레스3+스트레스4.
마지막에 점(.)은 꼭 넣어줘야 합니다.

- 16 -
5. 연속형 데이터를 범주형 데이터로 바꾸기

나이, 키, 몸무게와 같은 연속형 변수를 일반적인 특성 또는 차이분석 변인으로 사

용하려면 범주형 데이터로 전환해야 합니다.

분석(A) →빈도분석(F) 을 실시

연령(age)를 선택해서 변수로 옮기고 "통계량(S)"를 누르면

빈도분석: 통계량 창이 나옵니다. 여기서 사분위수, 평균, 중위수, 최빈값, 합계를 클릭하
여 빈도분석을 실시합니다.

- 17 -
이제 연속형을 범주형으로 만들기 위해 변환(T)→다른 변수로 코딩변경(R)을 클릭합니
다.

- 18 -
연령(age)를 오른쪽으로 옮긴 후 출력변수 이름(N)에 “범주형_연령”이라고 새로운 이름
을 넣고 “기존값 및 새로운 값(O)”를 클릭합니다.

69세 이하를 1번으로 (여기 데이터에서 60세 이상만 있었음)

70~79세를 2번, 80세 이상을 3번으로 정해줍니다. 기존값에서 범위를 새로운 기준값
에 1, 2, 3를 넣고 계속을 클릭합니다.

- 19 -
 분석(A)→새로만든 “범주형_연령”변수를 선택해서 빈도분석을 실시하면,

1번(60세) 16.4%, 2번(70세) 50.7%, 3번(80세 이상) 32.9%로 나뉘어진 것을 알 수 있

습니다. 이처럼 연속형 데이터를 범주형 데이터로 전환할 때는 각 항목의 %가 너무 작지
않게 지정해주는 것이 좋습니다.

6. 이상값 찾기

데이터를 변환하고 요인을 만들었다면, 이제 분석을 실시하면 됩니다.

하지만 코딩이라는 자체가 사람이 직접하는 부분이라서 입력실수가 발생할 수 있습
니다. 예를 들어 성별의 경우 1=남자, 2=여자로 범위는 1~2로 한정되어 있지만, 코
딩 데이터에 3 또는 4가 들어가 있다면, 이는 잘못 입력된 데이터가 됩니다.
이를 방지하기 위하여, 변수에 대한 오름차순 또는 내림차순을 통해 잘못 입력된
데이터 값이나 이상값을 찾을 수 있습니다.

sex에 마우스를 놓고 오른쪽 마우스버튼을 클릭하면,

잘라내기(T), 복사(C) 와 같은 창이 뜹니다.
여기서, 오른차순 정력(A) 또는 내림차순 정렬(D)를 통해 잘못 입력된 값이나, 이상값을
찾으면 됩니다.

- 20 -
Ⅱ. 초급 통계 분석

인구학적 특성의 경우 대부분 빈도분석 및 기술통계로 이루어집니다.

1. 인구학적 특성에 따른 빈도분석의 팁

인구학적 특성의 빈도분석은 분석(A)→표→통계표 작성을 클릭하면

통계표 작성창이 나오고 여기서 인구학적 특성을 마우스로 드레그해서 오른쪽으로 옮긴

후 “요약 통계량(S)”를 클릭함

- 21 -
통계량(I) 중 "열N%"를 오른쪽으로 옮기고 “선택한 항목에 적용(S)”을 클릭하면

한번에 인구학적 특성의 빈도가 나옵니다.

출력된 아웃풋을 가지고 인구학적 특성을 작성하면 됩니다.

- 22 -
2. SPSS 아웃풋을 엑셀로 보내는 방법

SPSS 아웃풋을 바로 사용하면 좋겠지만 엑셀파일로 아웃풋을 바꾸어서 사용하면

더욱 편하게 아웃풋을 사용할 수 있습니다.

출력결과를 클릭하면 노란색으로 변하고 이를 선택해서 오른쪽 마우스를 클릭하여

내보내기(E)를 클릭합니다.

- 23 -
“선택” 클릭되어는지 확인하고 파일을 저장하기 위해 “찾아보기(B)”를 클릭한 후 파일
을 저장합니다.

엑셀로 옮겨진 아웃풋 내용

- 24 -
예제) 대상자의 인구학적 특성 해석

대상자의 인구학적 특성은 ‘여성’이 109명(74.7%)으로 ‘남성’ 37명(25.3%)보다 많았다. 연

령은 평균 76.28세로 ‘70대’가 74명(50.7%)으로 가장 많았으며, 다음으로 ‘80대 이상’ 48

명(32.9%), ‘60대’ 24명(16.4%)순이었다. 종교는 ‘기독교’가 43명(29.5%)으로 가장 많았으

며, 다음으로 ‘천주교’ 34명(23.3%), ‘불교’와 ‘무교’ 33명(22.6%), ‘기타’ 3명(2.1%)순이었
다. 결혼상태는 ‘기혼’이 81명(55.5%)으로 가장 많았으며, 다음으로 ‘사별’ 58명(39.7%),

‘이혼/별거’ 4명(2.7%), ‘미혼’ 3명(2.1%)순이었다.

<표 21> 대상자의 인구학적 특성 (N=146)

특성 구분 빈도 %
남성 37 25.3%
성별
여성 109 74.7%
60대 24 16.4%
연령(세)
70대 74 50.7%
76.28±6.89
80대 이상 48 32.9%
기독교 43 29.5%
천주교 34 23.3%
종교 불교 33 22.6%
기타 3 2.1%
없음 33 22.6%
기혼 81 55.5%
이혼/별거 4 2.7%
결혼상태
사별 58 39.7%
미혼 3 2.1%
전체 146 100.0%

※ 인구학적 특성으로 차이분석(t-test 또는 분산분석)을 실시할 경우 결혼상태에

“이혼/별거”와 “미혼”은 기타로 묶어주는 것이 좋습니다.

- 25 -
3. 교차분석

분석(A) → 기술통계량(E) → 교차분석(C) 검정을 클릭합니다.

성별에 따른 연령의 차이를 알아보려고 한다면, 행(W)에는 “성별”을 열(C)에는 “연령”

을 넣고 “통계량(S)” 클릭한 후 “카이제곱(H)”을 체크하고 “계속”을 클릭합니다.

- 26 -
셀(E)를 클릭한 후 셀출력창에 퍼센트에서 “행(R)” 클릭

교차분석 아웃풋을 살펴보면, 70대가 50.7%가 가장 많았으며, 다음으로 80대 이상이

32.9%, 60대 16.4%순이었다. 성별에 따른 차이를 살펴보면, 남성은 60대가 여성보다 많
았으며, 여성은 80대 이상이 남성보다 많았다. 카이제곱검정결과   =7.925, p값은 .019
로 유의수준 .05보다 작아 통계적으로 유의미한 차이가 있었다. 라고 해석할 수 있습니
다.

- 27 -
인구학적 특성(성별, 연령, 종교 등등)에 따른 차이분석의 경우 t-test 및 분산분석
(ANOVA)을 주로 합니다.
두 분석 모두 집단에 따른 평균차이가 있는지 검정할 때 사용하며, t-test는 두집
단(예: 남자, 여자) 이하, 분산분석(ANOVA)은 세 집단(예: 1학년, 2학년, 3학년)이
상일 때 사용합니다.
또한 다중회귀분석이 필요한 연구에선 종속변수에 영향을 주는 변수(통제변수, 독
립변수)를 찾아 보정하려고 차이분석을 실시하기도 합니다.

4. 독립 t-test

분석(A) → 평균비교(M) → 독립표본 T검정(T)을 클릭합니다.

검정변수에는 종속변수(연속된 변수)를 집단변수에는 변인(sex)을 넣고 “집단정의”를 클

릭한다. 집단 남성=1, 여성=2 로 코딩되어 있으니, 1과 2를 넣습니다.

- 28 -
 독립 t-test 아웃풋이며, 남성의 자기효능감 평균은 47.08점이고 여성은 평균 41.59점
으로 남성이 여성보다 자기효능감 평균이 높았다. 이제 이 평균 차이가 통계적으로 유의
미한지를 살펴봐야 합니다. 독립표본검정을 보면, t=3.533이고 유의확률이 0.001로 유의
수준 0.05보다 작아 통계적으로 유의미한 차이가 나타나고 있었다.

여기서 t값의 경우 클수록 차이가 많이 납니다. 물론 마이너스(-)값도 절대값으로 클수

록 변인에 따른 평균 차이는 많이 납니다. 그 기준은 대략 t=1.96으로 이 값보다 크면
변인에 따른 평균 차이가 있다고 봐도 됩니다.

변인 구 분 M(평균) ± SD(표준편차) t값 p(유의확률)

남성 47.08 ± 9.46
성별 3.533 0.001
여성 41.59 ± 7.70

위 아웃풋을 표로 표현하면 위와 같이 됩니다.

- 29 -
5. 대응 t-test

두 집단에 따른 차이가 있다면, 같은 집단 안에 두 측정시점에 따른 평균 차이도

있습니다. 예를들어 한 교실에서 1학기 때의 키와 몸무게, 2학기 때의 키와 몸무게
의 차이와 같이 한 집단에서 시간 차를 두고 평균을 비교하는 부분입니다. 보통 어
떠한 프로그램을 적용하기 전-후 비교로 많이 사용합니다.

분석(A) → 평균비교(M) → 대응표본 T 검정(P)를 클릭

사전-사후 비교할 변수를 짝을 맞추어 넣고 확인을 누르면

- 30 -
 사전 체중은 67.55kg에서 프로그램 적용 후 65.18kg로 약 2.37kg 감소하였으며, 대응
표분 검정결과 t값이 5.690로 나타났다. 유의확률이 0.000으로 통게적으로 유의미한 차
이가 나타났다는 것을 알 수 있습니다.
체지방량과 근육량도 위와 같이 해석을 할 수 있습니다.

대응표본검정표에 나타난 평균은 사전-사후 평균차이입니다. 만약 사후에 변수값이 증

가하였다면, 마이너스로 나올 것입니다.

변인 구 분 M(평균) ± SD(표준편차) t값 p(유의확률)

사전 67.55 ± 6.72
체중 5.690 0.000
사후 65.18 ± 7.11
사전 43.23 ± 3.36
체지방량 2.739 0.010
사후 42.60 ± 3.43
사전 40.30 ± 3.08
근육량 2.616 0.014
사후 39.72 ± 3.17

위 아웃풋을 표로 표현하면 위와 같이 됩니다.

- 31 -
6. 분산분석(ANOVA)

분석(A) → 평균비교(M) → 일원배치 분산분석(O)를 클릭

독립변수를 요인에 넣고 종속변수를 종속변수에 넣고 사후분석(H)를 클릭

- 32 -
다양한 사후분석이 나타납니다.

여기서 등분산이 가정되었을 때

Scheffe, Tukey 또는 Duncan을 많이 사용합니다.

이들의 차이는 Duncan와 Tukey의 경우 변인의 수가 비슷할 때 사용합니다.

ex) 1학년= 35명, 2학년 =36명, 3학년 34명

Scheffe는 경우 변인의 수가 일정하지 않을 때 사용합니다.

ex) 1학년= 45명, 2학년 =26명, 3학년 64명

대부분 이 경우라서 Scheffe 사후검증을 실시하게 됩니다.

등분산이 가정되지 않았을 때

Dunnett T3 또는 Games-Howell를 사용합니다.

“계속”를 클릭하고 “옵션(O)”을 클릭하면

- 33 -
통계량을 체크하는 창이 나옵니다.
여기서는 기술통계(D), 분산 동질성 검정:Levene 통계(H), Welch(W)를 클릭합니다.
Welch는 등분산이 가정되지 않았을 때 분산분석표 대신 사용하는 값입니다.

우선 Levene값을 살펴보면, 유의확률이 0.663으로 유의수준 0.05보다 커 등분산을 가

정할 수 있으며, 이 경우 분산분석의 F값을 가지고 해석하면 됩니다.
자기효능감의 경우 60대 평균은 48.25점, 70대 평균은 44.20점, 80대 이상 평균은
38.46점으로 나타났으며, F값이 14.462이고 유의확률이 0.000으로 통계적으로 유의미한
차이가 나타났다. 라고 해석하시면 됩니다.

- 34 -
사후검증을 살펴보면, 여기서는 등분산이 가정되었으며, 변인의 수가 다르기 때문에
Scheffe를 사용하면 됩니다. 여기서 평균차(I-J)칸의 숫자뒤에 별이 붙은 것이 유의미한
차이가 있다는 표시입니다.

하지만 등분산이 가정되지 않았을 경우 Levene 유의확률이 0.05보다 작을 경우

Dunnett T3나 Games-Howell를 사용해야 합니다.

이를 정리한 표가 “동일 집단군” 표입니다.

- 35 -
이를 해석하면 60대와 70대 집단의 자기효능감이 80대 이상 집단보다 높았다는 것을
보여준다고 해석합니다.

Scheffe사후검증의 경우 분산분석 후 p값이 0.05보다 작더라도 그룹의 차이가 나타나지

않을 경우가 있습니다. 이는 Duncan보다 사후검증이 더 민감하기 때문입니다. 이럴 경우
해석은 분산분석(ANOVA)의 경우 차이는 나타났지만, Scheffe 사후검증에서는 차이가 나
타나지 않았다고 해석해야 합니다.

사후검정 민감도 Scheffe > Tukey > Duncan 순입니다.

Duncan사후검증이 그룹의 차이가 더 잘 나타난다고 보면 됩니다.

- 36 -
예제) t-test 및 분산분석 해석

t-test와 분산분석(ANOVA)를 통해 자기효능감에 대한 평균 차이를 살펴본 결과를

표로 만들고 해석을 하면 다음과 같습니다.

변인 구 분 M ± SD F/t p Scheffe
남성 47.08 ± 9.46
성별 3.533 0.001
여성 41.59 ± 7.70
60대(a) 48.25 ± 6.96
연령 70대(b) 44.20 ± 7.91 14.462 0.000 c<ba
80대 이상(c) 38.46 ± 8.00

인구학적 특성에 따른 자기효능감 차이를 살펴보면, 성별(t=3.533, p<.01), 연령

(F=14.462, p<.001)에서 통계적으로 유의미한 차이가 나타났다. 또한 Scheffe’s
test를 통해 각 연구대상 변인들 사이의 인식 차이를 파악한 결과 살펴보면 다음과
같다. 성별은 남성이 여성보다 자기효능감이 높았으며, 연령은 60대와 70대 집단이
80대 이상 집단보다 자기효능감이 높은 것으로 나타났다.

- 37 -
7. 요인분석

요인분석은 변수들 간의 상관관계를 통해 관측된 변수들에 영향을 미치고 있는 공

통인자를 찾아내는 분석방법입니다. 보통 척도의 개발과정에서 측정도구의 타당성을
파악하는데 사용됩니다. 변수들을 묶어 요인들을 만드는 것이 목적입니다.
표본수는 100개 이상으로 200개는 적당하고 300개정도면 매우 좋습니다.
요인분석은 독립변수와 종속변수를 한꺼번에 투입하여 요인분석을 하는 것이 좋습
니다.

분석(A) → 차원감소(D) → 요인분석(F) 클릭합니다.

요인분석할 변수들을 선택해서 변수(V)로 옮깁니다.

- 38 -
변수를 옮긴 후 기술통계(D)를 클릭한 후 일변량 기술통계(U), 계수(C), KMO와
Bartlett의 구형성 검정(K)를 선택한 후 “계속”을 클릭합니다.

요인추출(E)를 클릭한 후 추출에서 고유값 기준 “1”를 선택합니다. 기본값입니다. “계

속” 클릭 후

요인회전(T)에서 “베리멕스(V)”를 선택합니다.

요인행렬의 열을 최대한 단순화 시키는 작업 중 가장 많이 사용합니다.

- 39 -
옵션(O)를 클릭 후 요인분석 옵션에서 “크기순 정령(S)”를 클릭 한 후 “계속”을 클릭하
면 아웃풋이 나옵니다.

Kaiser-Meyer-Olkin의 약자 KMO 통계량은 표본 적합도 평가로 .50 이상이어야 하고

보통 .07이상이면 요인분석에 적합한 표본으로 생각합니다.

l KMO
※ .90 이상: 상당히 좋은 편 ※ .80~.89: 꽤 좋은 편
※ .70~.79: 좋은 편 ※ .50~.69: 평범한 편
※ .50 미만: 받아들일 수 없음
Bartlett의 구형성 검정값은 .05보다 작아야 변수들이 상호독립적으며 변수간의 상관이
없다고 판단합니다.

설명된 총분산을 살펴보면, 요인은 3개로 나누어졌으며, 모든 요인 고유치가 1이상인 요

인들만 추출되었습니다. 총 누적분산은 61.568로 전체 분산의 61.568%를 설명하고 있습
니다.

- 40 -
회전된 성분행렬을 살펴보면, 1요인은 만족도1~만족도5로 이루어졌으며, 2요인은 디자
인과 승차감, 3요인은 유명한차, 외제차, 고급차로 이루어졌습니다. 이제 묶어진 요인들에
대한 요인이름을 붙어야 합니다. 1요인은 “만족도”로, 2요인은 “자동차이미지”, 3요인은
“자동차 브랜드”로 명명하면 될 듯합니다.

요인분석에서 가장 핵심은 묶이지 않은 변수의 제거에 있습니다. 이는 묶어야 할 요인이

다른 요인에 있거나, 위에 보이는 요인적재량값이 0.3 미만이거나 다른 요인에 걸쳐 비슷
한 요인적재량값을 가지고 있을 때 제거하면 좋습니다.

예) 2요인에 요인적재량이 0.542이고 3요인에 요인적재량이 0.528일 경우 두 요인에

걸쳐 있기 때문에 변수를 제거하고 다시 요인분석을 돌리면 됩니다.

요인추출 방법 중 고정된 요인 수(X)를 선택할 때는 요인분석을 실시하였지만, 제대로

요인분석이 되지 않는 경우 또는 기존 척도보다 오히려 요인의 수가 적게 나온 경우에
선택하여 사용하면 됩니다.

- 41 -
8. 신뢰도 분석

분석을 하기전에 문항을 묶어서 만든 요인들이 신뢰도가 있는지 알아보기 위해, 즉

일관성이 있는 질문인지를 알기위해 신뢰도 분석을 실시합니다.
크론바 알파(Cronbach  )값이 신뢰도 값입니다.

분석(A) → 척도(A) → 신뢰도분석(R)을 클릭합니다.

항목(I)에 요인을 이루는 문항을 모두 넣고 “통계량(S)"을 클릭합니다.

여기서 “항목제거시 척도(A)”를 클릭하고 “계속”→“확인”을 클릭합니다.

- 42 -
본 요인의 크론바 알파(Cronbach alphe = )값은 .872로 기준으로 보는 .06~.70보다
높아 신뢰도가 있다고 해석됩니다.
만약 크론바 알파값이 0.6~0.7 미만으로 나타났다면, 항목이 삭제된 경우의 크론바 알
파값을 살펴봅니다. 항목이 삭제된 크론바 알파값은 항목이 제외되었을 때의 크론바 알파
값으로 여기서는 SE1이 제거되었을 때 크론바 알파값은 .863이네요.

물론 여기서는 전체적으로 신뢰도가 높기 때문에 제거하지 않지만, 혹 신뢰도가 낮다고

하면 항목을 제거했을 때 높아지는 문항을 찾아 제거하고 요인을 다시 묶어야 합니다.

- 43 -
9. 상관분석

상관분석을 실시하는 이유는 측정변수들의 관계의 방향성(예: 음(-), 양(+))과 관

련성을 알기 위해서입니다.

분석(A) → 상관분석(C) → 이변량 상관계수(B)를 클릭합니다.

상관관계를 보려는 변수를 오른쪽칸으로 이동 후 “Pearson”과 “유의한 상관계수 별표

시”에 체크가 되어있는지 확인 후 “확인”버튼을 클릭합니다.

- 44 -
상관관계분석 아웃풋으로

해석하면, 자기효능감은 영양(r=.354), 스트레스관리(r=.230), 대인관계(r=.382)와 양의

상관을 가지고 있다라고 해석합니다.

상관분석은 각각의 변인과 변인에 대한 관계를 상관계수(r)로 표현합니다. 양(+)

이면 정적상관이며, 음(-)이면 부적상관입니다. 각각의 상관계수(r)은 다른 상관계수
(r)에 영향을 주지 않는 독립된 값입니다.
상관계수(r)값은 0.7 이상이면 강한 상관, 0.3~0.7은 중등 상관, 0.1~0.3은 약한
상관이라고 해석합니다.

예제) 상관분석 해석

요인 자기효능감 영양 스트레스관리 대인관계

자기효능감 1

영양 .354** 1

스트레스관리 .230** .299** 1

대인관계 .382** .353** .240** 1

** p<.01
대상자의 자기효능감, 건강증진행위 간 관계를 검증한 결과는 다음과 같다. 자아효능감은
건강증진행위 하위 요인 중 대인관계(r=.382)과 가장 큰 양(+)의 상관을 가지고 있었으며,
다음으로 영양(r=.354), 스트레스(r=.230)순으로 나타났다.

- 45 -
10. 회귀분석

“OO이 OO에 미치는 영향”에 관한 연구는 대부분 다중회귀분석을 실시합니다.

독립변수가 하나 종속변수가 하나일 경우 단순회귀분석이라고 하고 독립변수가 2
개 이상이고 종속변수가 하나일 경우 다중회귀분석이라고 합니다. 독립변수는 연속
변수, 서열, 더미도 상관없지만, 종속변수는 연속변수로 이루어져야 합니다.

1) Enter(입력) 방식 다중회귀분석

분석(A) → 회귀분석(R) → 선형(L)를 클릭

종속변수에 “자기효능감”을 옮겨주고 독립변수에 독립변수를 넣어준 다음 “통계량”버튼

을 클릭합니다.
통계량창에서 “공정성 진단”과 "Durbin-Watson"를 체크하고 방법에 “입력”을 선택하고
확인을 클릭합니다.

- 46 -
R제곱값은 회귀모형의 설명력을 나타내는 것으로 여기서는 22.6%정도 설명력이 있다고
해석합니다.
분산분석에서 F값을 보고 회귀식이 종속변수를 설명하는 유용한지 판단합니다. 여기서
유의확률이 0.000으로 통계적으로 모형이 유의하다고 해석합니다.
Durbin-Watson값은 자기 상관을 보는 값으로 2에 가까우면 종속변수의 오차항은 자기
상관이 없이 서로 독립적이라고 판단합니다.
※ 1.8 < Durbin-Watson < 2.2 à 독립적 자기상관(오차의 독립성이 가정됨)

여기서 영양(t=2.810, p<0.01)과 대인관계(t=2.481, p<0.05)만 종속변수에 통계적으로

유의미한 영향을 미쳤으며,
회귀모형은 Y(자기효능감) = 15.024 + .671(영양) + .466(대인관계)

표준화 계수 베타값은 독립변수 영향력의 상대적 크기입니다.

공차는 0.1를 초과하고 VIF는 10미만으로 모든 독립변수는 다중공정성에 문제가 없다

고 해석됩니다.

- 47 -
2) Stepwise(단계선택) 방식 다중회귀분석

분석(A) → 회귀분석(R) → 선형(L)를 클릭

종속변수에 “자기효능감”을 옮겨주고 독립변수에 독립변수를 넣어준 다음 “통계량”버튼

을 클릭합니다.
통계량창에서 “공선성 진단”, "Durbin-Watson", “R제곱 변화량(S)"를 체크하고 방법에
“단계선택”을 선택하고 확인을 클릭합니다.

- 48 -
Enter(입력)방법 아웃풋과 다르게 2개의 모형이 나왔습니다.
첫 번째 모형의 R제곱값은 .146, 두 번째 모형의 R제곱값은 .201로 두 번째 모형의 R제
곱값 회귀모형의 설명력이 더 컸습니다.
R제곱변화량을 살펴보면, .055가 증가 된 것을 알 수 있습니다. 물론 F 변화량 유의확률
도 .002로 통계적으로 유의했습니다.
분산분석에서 F값을 보고 회귀식이 종속변수를 설명하는 유용한지 판단합니다. 모형1과
모형2 모두 유의확률이 0.000으로 통계적으로 모형이 유의하다고 해석합니다.

제외된 변수를 살펴보면 모형1에서 영양이 제외되었지만 유의확률이 .002로 나타나 영

양을 포함한 모형2가 구성됨.
※ 입력방식보다는 단계선택 방식의 R값이 더 작은 것은 독립변인이 줄어들었기 때문입
니다.

- 49 -
예제) 다중회귀분석 해석

건강증진행위가 자기효능감에 어떠한 영향을 주는지 알아보기 위해 다중회귀분석을 실시한

결과는 다음과 같다.

<표 48> 자기효능감에 미치는 영향에 대한 다중회귀분석

Enter방식 다중 회귀분석
변수
Std. 표준화
β t p 공차한계 VIF
Error 베타

(상수) 15.024 4.653 3.229 .002

영양 .671 .239 .229 2.810 .006 .826 1.210

스트레스관리 .197 .234 .067 .840 .402 .856 1.168

대인관계 .466 .188 .217 2.481 .014 .717 1.394

운동 .643 .362 .150 1.773 .078 .763 1.310

R²=0.226, 수정된 R²=0.204

F=10.310, p=0.000, Durbin-Watson=1.838

건강증진행위가 자기효능감에 영향을 미치는 요인을 알아보기 위하여 Enter 방식의 다중

회귀분석을 실시하였다. 다중회귀분석을 실시하기 위하여 독립변수 간의 다중공선성을 검토
하였다. 독립변수간 다중공선성은 공차한계와 VIF(분산팽창요인) 지수를 이용하였고, 독립
변수 간 VIF 지수는 1.168∼1.394로 10미만이었으며, 공차한계는 0.171∼0.856으로 0.1
이상으로 다중공선성이 없는 것으로 나타났다. 또한 오차의 독립성을 검증한 결과
Durbin-Watson 통계량이 1.838로 자기상관이 없는 것으로 확인되었다. 회귀분석상 모델의

설명력을 나타내는   값은 .226으로 나타나, 이 회귀모델은 건강증진행위가 자기효능감에

미치는 영향력에 대하여 약 22.6%의 설명력을 지닌다고 할 수 있다. 회귀계수의 유의성 검
정결과는 영양(t=2.810, p<.01), 대인관계(t=2.481, p<.05)가 자기효능감에 유의한 영향을
미치는 것으로 나타났다.
표준화 계수는 각 독립변인들이 종속변수인 자기효능감에 미치는 상대적인 영향력을 나타
내는 것으로 영양( =.229)이 가장 큰 영향을 주었으며, 다음으로 대인관계(  =.217) 순이었
다. 이는 건강증진행위 중 영양과 대인관계가 좋을수록 자기효능감이 증가한다는 것을 보여
준다.

- 50 -
11. 더미를 활용한 다중회귀분석

차이분석결과 종속변수에 영향을 준 변인을 통제변수 또는 독립변수로 하여 다중회

귀식을 보정하려면 변인을 더미화해야 합니다.

예) 성별처럼 2개의 더미일 경우 여성=0, 남성=1

변환(T) → 다른 변수로 코딩변경(R) 클릭

성별 선택해서 이름(N)에 “성별더미”라고 넣고 바꾸기 클릭 후 기존값 및 새로운 값(O)

클릭한다.

- 51 -
남성이 1, 여성이 2로 코딩되어 있고, 여성을 기준으로 바꾸려면, 여성 2를 0으로 바꾸
고 남성은 그대로 1로 바꿔줍니다.

여성이 0이고, 남성이 1인 성별더미가 생성됩니다.

회귀식을 돌릴 경우 성별더미를 독립변수로 넣고 돌리면 됩니다.

- 52 -
이번엔 연령을 더미를 만들기 위해, 우선 연령을 “연령더미1” 넣고 바꾸기(H) 후 기존
값 및 새로운 값(O)를 누루고 “60대” 1, “70대” 2, “80대 이상” 3으로 코딩되어 있는
것을 1을→0으로, 2를→1로, 3을→0으로 바꾸어줍니다.

두 번째로 “연령더미2”를 만들어 줍니다. 연령더미2는 1을→0으로, 2를→0으로, 3을→1

로 바꾸어 줍니다.

- 53 -
그 결과는 60대는 연령더미1과 연령더미2가 00으로, 70대는 10으로, 80대 이상은 01로
되었습니다. 여기서 중요한 것은 기준이 되는 값을 0으로 만들어주는 것입니다.

다중회귀식을 돌릴 때는 “연령더미1”과 “연령더미2”를 함께 넣고 돌립니다.

위는 Syntax(명령어)로 더미를 쉽게 만드는 법입니다.

연령=1 일 때 연령_더미1=0으로, 연령_더미2=0으로 만든다.
연령=2 일 때 연령_더미1=1로, 연령_더미2=0으로 만든다.
연령=3 일 때 연령_더미1=0으로, 연령_더미2=1로 만든다.
만약 연령이 4가지 범주로 되어 있다면,

- 54 -
위와 같이 연령의 범주가 4개일 때
연령=1 일 때 연령_더미1=0으로, 연령_더미2=0, 연령_더미3=0으로 만든다.
연령=2 일 때 연령_더미1=1로, 연령_더미2=0으로 연령_더미3=0으로 만든다.
연령=3 일 때 연령_더미1=0으로, 연령_더미2=1로 연령_더미3=0으로 만든다.
연령=4 일 때 연령_더미1=0으로, 연령_더미2=0로 연령_더미3=1으로 만든다.

그럼 연령 1이 기준인 0으로 됩니다.

이제 만들어진 더미를 가지고 다중회귀분석을 실시하겠습니다.

분석(A) → 회귀분석(R) → 선형(L)을 클릭

- 55 -
종속변수에 “자기효능감”을 성별과 연령에 따른 차이가 나타나 성별과 연령을 더미로
만들어서 독립변수로 넣고, 이전의 독립변수인 건강증진행위 하위요인을 독립변수로 놓고
“통계량(S)”를 클릭 후 “공선성 진단(L)”과 “Durbin-Watson(U)"를 선택하고 회귀식을
돌립니다.

더 많은 아웃풋이 있지만, 앞에서 다루었으니 그 부분을 참고 하시고 여기서는 실질적으

로 어떻게 더미독립변수가 해석되어지는지를 살펴보겠습니다.

성별더미와 연령더미2가 통계적으로 유의미하게 나왔습니다 성별더미는 “남성”입니다.

이유는 “여성”이 0이기 때문입니다. 그러면 연령은 “60대”가 0이니 연령더미1은? “70
대”이고, 연령더미2는 “80대 이상”이 되겠죠?

이를 해석하면, 성별이 남성일수록 자기효능감이 증가하였으며, 연령이 80대 이상일 때

60대보다 자기효능감이 감소하는 것으로 나타났다. 이렇게 해석을 하시면 됩니다.

- 56 -
 더미 만들기 명령어(Syntax)

1) 3개 더미 만들기
3) 5개 더미 만들기
if(연령 =1) 연령_더미1=0.
if(연령 =1) 연령_더미2=0. if(연령 =1) 더미1=0.
if(연령 =1) 더미2=0.
if(연령 =2) 연령_더미1=1. if(연령 =1) 더미3=0.
if(연령 =2) 연령_더미2=0. if(연령 =1) 더미4=0.

if(연령 =3) 연령_더미1=0. if(연령 =2) 더미1=1.

if(연령 =3) 연령_더미2=1. if(연령 =2) 더미2=0.
if(연령 =2) 더미3=0.
execute. if(연령 =2) 더미4=0.

2) 4개 더미 만들기 if(연령 =3) 더미1=0.

if(연령 =3) 더미2=1.
if(연령 =1) 연령_더미1=0. if(연령 =3) 더미3=0.
if(연령 =1) 연령_더미2=0. if(연령 =3) 더미4=0.
if(연령 =1) 연령_더미3=0.
if(연령 =4) 더미1=0.
if(연령 =2) 연령_더미1=1. if(연령 =4) 더미2=0.
if(연령 =2) 연령_더미2=0. if(연령 =4) 더미3=1.
if(연령 =2) 연령_더미3=0. if(연령 =4) 더미4=0.

if(연령 =3) 연령_더미1=0. if(연령 =5) 더미1=0.

if(연령 =3) 연령_더미2=1. if(연령 =5) 더미2=0.
if(연령 =3) 연령_더미3=0. if(연령 =5) 더미3=0.
if(연령 =5) 더미4=1.
if(연령 =4) 연령_더미1=0.
if(연령 =4) 연령_더미2=0. execute.
if(연령 =4) 연령_더미3=1.

execute.

여기서 “연령”을 바꾸고 싶은 변수명으로 바꾸고 나서 명령어(Syntax)창에 복사해

서 사용하시면 편합니다.

- 57 -
예제) 더미변수를 활용한 회귀분석 해석

응답자의 인구학적 특성, 건강증진행위가 자기효능감에 미치는 영향을 검토하기 위해 더미

변수를 활용한 다중 회귀 분석을 실시한 결과는 다음과 같다.

<표 56> 자기효능감에 미치는 영향에 대한 다중회귀분석

Enter방식 다중 회귀분석
변수
Std. 표준화
β t p 공차한계 VIF
Error 베타

(상수) 21.628 4.743 4.560 .000

인구 성별더미(남성) 4.007 1.371 .206 2.923 .004 .929 1.076

학적 연령더미1(70대) -2.872 1.648 -.170 -1.743 .084 .487 2.054

변인 연령더미2(80대 이상)
-6.571 1.817 -.365 -3.616 .000 .453 2.206

영양 .601 .221 .205 2.723 .007 .814 1.229

건강
스트레스관리 .114 .216 .039 .528 .599 .847 1.181
증진
대인관계 .442 .173 .206 2.556 .012 .711 1.407
행위
운동 .456 .335 .107 1.360 .176 .751 1.331

R²=0.363, 수정된 R²=0.331

F=11.244, p=0.000, Durbin-Watson=1.892

응답자의 인구학적 특성(성별, 연령)과 건강증진행위가 자기효능감에 영향을 미치는 요인

을 알아보기 위하여 Enter 방식의 다중회귀분석을 실시하였다. 다중회귀분석을 실시하기 위
하여 독립변수 간의 다중공선성을 검토하였다. 독립변수간 다중공선성은 공차한계와 VIF(분
산팽창요인) 지수를 이용하였고, 독립변수 간 VIF 지수는 1.076∼2.206으로 10미만이었으
며, 공차한계는 0.453∼0.929로 0.1 이상으로 다중공선성이 없는 것으로 나타났다. 또한 오
차의 독립성을 검증한 결과 Durbin-Watson 통계량이 1.892로 자기상관이 없는 것으로 확

인되었다. 회귀분석상 모델의 설명력을 나타내는  값은 .363으로 나타나, 이 회귀모델은
인구학적 특성과 건강증진행위가 자기효능감에 미치는 영향력에 대하여 약 36.3%의 설명력
을 지닌다고 할 수 있다. 회귀계수의 유의성 검정결과는 성별더미(t=2.923, p<.01), 연령더
미2(t=-3.616, p<.001), 영양(t=2.723, p<.01), 대인관계(t=2.556, p<.05)가 자기효능감에
유의한 영향을 미치는 것으로 나타났다.
표준화 계수는 각 독립변인들이 종속변수인 자기효능감에 미치는 상대적인 영향력을 나타
내는 것으로 연령더미2( =-.365)가 가장 큰 영향을 주었으며, 다음으로 성별더미와 대인관
계( =.206), 영양( =.205) 순이었다. 이는 성별이 남성이고 건강증진행위 중 영양과 대인관
계가 좋을수록 자기효능감이 증가하며, 연령이 80대 이상일 때 자기효능감이 감소하다는 것
을 보여준다.

- 58 -
Ⅲ. 중급 통계 분석

중급 통계 분석에서는 위계적 다중회귀분석을 활용한 조절효과분석, 매개효과분석,

이항로지스틱회귀분석, 반복측정분산분석, 공분산분석, 정규성, 비모수 통계를 다루
도록 하겠습니다.

1. 위계적 다중회귀분석

다중회귀분석은 독립변수들을 동시에 넣고 돌리기 때문에 독립변수들의 변화량을 쉽

게 알 수는 없지만, 위계적 다중회귀분석은 변수들을 순차적으로 넣을 수 있기 때문에
단계별 차이와 설명력을 알 수 있습니다. 이를 통해 조절효과분석도 가능합니다.

분석(A) → 회귀분석(R) → 선형(L)을 클릭

종속변수를 넣고 독립변수에 인구학적 특성인 age를 넣습니다.

통계량(S)를 클릭하고 "R제곱 변화량(S)", "공선성 진단(L)", "Durbin-Watson"를 체크하
고 계속을 클릭한 후 다음 버튼을 누릅니다.

- 59 -
다음 버튼을 클릭하고 독립변수인 “영양”을 넣어 주고 다시 “다음(N)”을 클릭합니다.

마지막으로 독립변수에 “대인관계”를 넣고 확인을 누릅니다.

확인을 누르기 전에 통계량(S)를 클릭해서 앞에서 한 작업을 하셔도 상관은 없습니다.

- 60 -
그러면 3가지 모델 아웃풋이 나옵니다.

모형 1은 인구학적 특성인 “age"만 넣은 모형이고,

모형 2는 인구한적 특성 + 독립변수 “영양”을 넣은 모형
모형 3은 인구한적 특성 + 독립변수 “영양” + 독립변수 “대인관계”을 넣은 모형입니다.

R제곱 변화량과 F변화량 그리고 F변화량 유의확률을 보면 모형1에서 독립변수 “영양”

이 투입되었을 때 F변화량 유의확률이 .000으로 모형1보다 모형2가 R제곱이 .071이 증
가하였으며, 이는 통계적으로 유의미하다. 만약 F변화량 유의확률이 .05보다 컸다면, 모
형1에서 투입된 독립변수 “영향”은 R제곱값이 증가하지 않았다는 뜻입니다. 이 부분은
다음에 조절효과에서 중요하게 해석이 됩니다.

모형1, 모형2, 모형3의 분산분석 적합도는 모두 유의하였습니다.

해석은 모형3을 기준으로 해석합니다. 위계적 회귀분석은 독립변수들이 순차적으로 들

어갔을 때의 변화량을 아는 것이 메인입니다.

- 61 -
2. 위계적 회귀분석을 활용한 조절효과분석

조절변수가 종속변수와 독립변수 관계를 조절한다는 것을 알아보기 위해 위계적 회

귀분석을 활용한 조절효과분석을 실시합니다.

조절효과를 보려면 먼저 상호작용항을 만들어야 합니다.

변수계산(C)를 클릭

독립변수X조절변수= 상호작용항을 계산해 줍니다. 계산은 *(곱하기)로 해주면 됩니다.

- 62 -
빨간 사각형을 보시면 상호작용항인 “독립변수X 조절변수”가 생성된 걸 확인할 수 있
습니다.
위계적 다중회귀를 하기 위해 분석(A) → 회귀분석(R) → 선형(L)을 클릭합니다.

앞에서 위계적 회귀분석을 실시한 것과 같이 종속변수와 독립변수를 넣고 “다음(N)”을

클릭합니다. 여기서는 인구학적 특성 “연령”을 넣어줍니다.

- 63 -
“독립변수”를 넣고 “다음(N)”을 클릭

“조절변수”를 넣고 “다음(N)”을 클릭

마지막으로 상호작용항을 넣고 통계량(S)에서 "R제곱 변화량(S)", "공선성 진단(L)",

"Durbin-Watson"를 체크하고 계속을 클릭한 후 다음 버튼을 클릭합니다.

- 64 -
아웃풋을 살펴보면, 총 4개의 모형이 있습니다. 마지막으로 상호작용항을 넣은 모형이
모형4군요. 여기서 중요한 것은 통제변수를 제외한 독립변수, 조절변수, 상호작용항의 F
변화량 유의확률입니다. 모두 0.05보다 작아 통계적으로 유의미하게 나왔습니다.
이는 종속변수와 독립변수 간의 영향관계를 조절변수가 조절한다고 해석할 수 있습니
다.

상호작용항의 유의확률이 0.048로 유의수준 0.05보다 작아 통계적으로 유의미했습니다.

여기서 공차와 VIF는 상호작용항이 들어갔기 때문에 범위를 초과했네요. 별의미는 없
습니다.

- 65 -
예제) 위계적 회귀분석을 활용한 조절효과분석

조절변수의 조절효과를 검증하기 위하여 연령을 통제한 후 조절변수의 상호작용항을 구성

하여 위계적 회귀분석을 실시하였다. 1단계에선 통제변수를, 2단계에선 독립변수, 3단계에
선 조절변수를, 4단계에선 독립변수와 조절변수를 조합한 상호작용항을 투입하여 분석하였
다.

<표 64> 종속변수와 독립변수안의 관계에서 조절변수의 조절효과

모형 제1모형 제2모형 제3모형 제4모형

변수 구분  t  t  t  t
통제
연령 .002 .039 .096 2.192* .164 3.841
***
.161 3.799
***

변수
독립변수 .581 13.244*** .541 12.922*** 1.185 3.618***

조절변수 -.286 -6.684*** .032 .192

독립변수X조절변수 -.671 -1.983*

 .002 .329 .403 .410

수정된   -.003 .325 .398 .403

  변화량 .000 .329 .075 .007

F 변화량 .002 175.392*** 44.683*** 3.933*

F .002 87.697*** 80.493*** 61.849***

*p< .05, ***p< .001

종속변수와 독립변수의 관계에서 조절변수의 조절효과를 살펴본 결과 조절변수는 조절효

과가 있었다. 이를 자세히 살펴보면 다음과 같다. 독립변수가 종속변수에 미치는 영향과 조
절변수의 조절효과를 살펴보기 위해 제1모형에서는 통제변수인 연령의 종속변수에 대한 영
향력을 살폈다. 그 결과 모델의 적합성은 F=.002, p>.05로 나타나 통계적으로 유의하지 않
았다.
제 2모형은 연령을 통제한 상태에서 독립변수의 영향력을 알아본 결과이다. 그 결과 모형
1에 비해 종속변수에 미치는 영향력이 유의수준 p<.001수준에서 32.9%증가한 것으로 나타
났다. 변수별 영향력에서도 종속변수에 독립변수(t=13.244, p<.001)이 영향을 미치고 있었
다. 이는 독립변수가 증가할수록 종속변수가가 증가한다는 것을 의미한다.
제3모형은 조절변수가 종속변수와 독립변수의 관계에서 조절효과를 가질 수 있는 지를
알아보기 위한 단계이다. 분석결과 조절변수가 투입된 모형 3의 적합성은 통계적으로 유의
하였으며(F=80.493, p<.001), 이전 단계에 비해 모형의 설명력이 7.5%(p<.001) 증가하여
조절변수가 종속변수에 미치는 영향력이 있다는 것과 조절변수의 조절효과가 있음을 보여주
고 있다. 또한 종속변수와 조절변수의 관계(β=-.286)는 부(-)의 영향관계가 있는 것으로 나

- 66 -
타났다. 이는 곧 조절변수가 증가할수록 종속변수는 감소한다는 것을 의미한다. 결국 모형
3에서 보여준 결과는 조절변수가 종속변수에 영향을 미칠 뿐만 아니라 조절효과를 가질 수
있음을 보여준 것이다.
제 4모형은 조절변수가 종속변수와 독립변수와 상호작용하여 조절효과를 가지는지를 실
증한 결과이다. 분석결과 모형 4의 적합성은 통계적으로 유의하였으며(F=61.849, p<.001),
이는 모형 3에 비해 0.7%(p<.05) 증가하여 종속변수와 독립변수의 관계에서 조절변수가 조
절효과가 있음을 보여준다.
이러한 결과는 독립변수가 높아지면 종속변수는 증가하고, 조절변수가 증가할수록 종속변
수는 감소하는 것을 의미한다. 또한 독립변수와 조절변수가 상호작용함으로써 종속변수의
영향력이 높아짐을 보여준다.

- 67 -
3. 회귀분석을 활용한 매개효과 분석

조절효과분석을 해보았으니, 이제 매개효과분석도 할 줄 알아야겠지요? 종속변수와

독립변수 사이에서 매개를 하는 변수가 매개변수입니다. 매개효과는 매개변수가 통계
적으로 유의미하게 매개를 하는지 하지 않는지를 알아보는 분석입니다.
회귀분석을 활용한 매개효과분석은 어렵지는 않지만, 약간 복잡합니다. 여러번 회귀
분석을 돌려야 하기 때문이죠.

회귀분석을 활용한 매개효과분석 순서

1. 독립변인 → 매개변인
2. 독립변인 → 종속변인
3. 독립변인 + 매개변인 → 종속변인

위와 같은 순서로 회귀분석을 돌리시면 됩니다.

분석(A) → 회귀분석(R) → 선형(L)을 클릭하여서 “선형 회귀분석” 창을 엽니다.

이 작업은 계속합니다.

- 68 -
첫 번째로, 종속변수에 매개변인을 넣고 독립변수에 독립변인을 넣고 “확인”을 클릭하면
아웃풋이 나옵니다.

분산분석결과 모형이 유의하였으며, 독립변인이 매개변인에 유의확률 .000으로 통계적

으로 유의미한 영향을 미치고 있습니다.

- 69 -
두 번째로, 종속변수에 종속변인을 넣고 독립변수에 독립변인을 넣고 “확인”을 클릭하면
아웃풋이 나옵니다.

분산분석결과 모형이 유의하였으며, 독립변인이 종속변인에 유의확률 .000으로 통계적

으로 유의미한 영향을 미치고 있습니다.

- 70 -
세 번째로, 종속변수에 종속변인을 넣고 독립변수에 독립변인와 매개변인을 넣고 “확인”
을 클릭하면 아웃풋이 나옵니다.

분산분석결과 모형이 유의하였으며, 독립변인과 매개변인이 종속변인에 통계적으로 유의

미한 영향을 미치고 있습니다.
이를 표로 만들어서 해석을 하면 다음과 같습니다.

- 71 -
예제) 회귀분석을 활용한 매개효과과분석

종속변인와 독립변인에서 매개변수가 매개효과가 있는지 알아보기 위해서 Baron과 Kenny

가 제시한 단계에 따라 위계적 다중회귀분석을 실시하였다. 매개효과를 검증하기 위해서는
다음의 3가지 조건을 만족시켜야 한다.

첫째, 독립변인이 매개변인에 영향을 주어야 하며(경로A),

둘째, 독립변인은 종속변인에 유의한 영향을 주어야하고(경로B),
셋째, 독립변인과 매개변인이 동시에 종속변인에 유의미한 영향을 주는지 검증했을 때 2단
계에서 유의미한 관계였던 독립변수와 종속변인의 관계가 약해지거나(부분매개) 유의하지
않아야 한다(완전매개).

이상에서 제시한 단계에 따라 매개변인에 대한 타당성을 분석한 결과는 다음과 같다.

[표] 종속변인와 독립변인에서 매개변인의 매개효과

표준화
비표준화 계수 유의
단계 독립 종속 계수 t
확률
β 표준오차 베타
1단계 독립변인 매개변인 0.546 0.045 0.649 12.051 0.000
(경로A) ***
R²=.421, F=145.231
2단계 독립변인 종속변인 0.446 0.095 0.315 4.696 0.000
(경로B) ***
R²=.099, F=22.056
3단계 독립변인 0.261 0.123 0.185 2.117 0.036
종속변인
(경로C) 매개변인 0.338 0.147 0.201 2.307 0.022
***
R²=.123, F=13.928

***p<.001

1단계에서 독립변인이 매개변인을 유의미하게 예측하는지 검증한 결과 독립변인이 매개변

인에 유의미한 영향을 미치는 것으로 나타나(β=.546, p<.001), 첫째 조건을 충족시켰다.
2단계에서 독립변인이 종속변인을 유의미하게 예측하는지 검증한 결과 독립변인이 종속변
인에 유의미한 영향을 미치는 것으로 나타나(β=.446, p<.001), 두 번째 조건을 충족시켰다.
3단계에서 독립변인과 매개변인을 동시에 투입하여 종속변인에 미치는 영향력을 검증하였
다. 독립변인과 매개변인 모두 종속변인에 유의미한 영향을 미쳤다. 독립변인이 종속변인에
미치는 영향력은 2단계에 비하여 감소하였다(2단계: β=.446, 3단계: β=0.261). 이는 매개
변인이 독립변인과 종속변인 사이에서 부분 매개효과를 한다고 볼 수 있다.
마지막으로 독립변인이 매개변인을 통해 종속변인에 미치는 간접효과에 대한 유의도를 검
증하기 위해 Sobel-test를 실시한 결과 매개변인의 간접효과(β=.295)는 유의함(Sobel's T:
Z=4.446, p<.05)을 나타냈다. 따라서 매개변인은 독립변인이 종속변인에 미치는 영향을 부
분 매개하는 것으로 볼 수 있으며, 이와 관련된 부분 매개효과 모형은 다음과 같다.

- 72 -
 매개변인

.546 .540

독립변인 .446 (.295) 종속변인

[그림] 종속변인과 독리변인의 관계에서 매개변인의 매개효과 모형

( ) : 매개변인의 간접효과

http://www.danielsoper.com/statcalc/calculator.aspx?id=31
위 사이트에 방문하면 Sobel-test를 할 수 있습니다.

회귀분석을 활용한 매개효과분석 명령어(Syntax)

REGRESSION
/MISSING LISTWISE
/STATISTICS COEFF OUTS R ANOVA
/CRITERIA=PIN(.05) POUT(.10)
/NOORIGIN
/DEPENDENT 매개변인
/METHOD=ENTER 독립변인.

REGRESSION
/MISSING LISTWISE
/STATISTICS COEFF OUTS R ANOVA
/CRITERIA=PIN(.05) POUT(.10)
/NOORIGIN
/DEPENDENT 종속변인
/METHOD=ENTER 독립변인.

REGRESSION
/MISSING LISTWISE
/STATISTICS COEFF OUTS R ANOVA
/CRITERIA=PIN(.05) POUT(.10)
/NOORIGIN
/DEPENDENT 종속변인
/METHOD=ENTER 독립변인 매개변인.

여기서
/DEPENDENT 뒤에는 종속변인 이름으로 바꾸고
/METHOD=ENTER 뒤에는 독립변인 이름을 넣으면 됩니다.
( . ) 명령어 맨뒤에 점은 꼭 넣어주세요.

- 73 -
4. 이항로지스틱 회귀분석

회귀분석의 종속변수가 연속형이었다면, 이항로지스틱 회귀분석은 종속변수가 이분형

척도 측정된 변수 예) 남성/여성, 병에 걸림/안걸림, 있다/없다 이런식으로 나눠져야
합니다. 독립은 연속형이던 비연속형이던 상관은 없습니다. 의료통계에서 대부분 사용
하고 있는 분석방법입니다.
이항로지스틱 회귀분석에서의 핵심은 EXp(B)=odd ratio로 종속변수에 독립변수가
얼마만큼 부(-)적이던, 정(+)적이던 영향을 주는지를 아는 것입니다.

분석(A) → 회귀분석(R) → 이분형 로지스틱(G) 클릭

종속변수에 종속변수를 넣고 공변량(C)에 독립변수를 넣고 "범주형(C)"을 클릭 후

독립변수중 비연속형변수를 범주형 공변량(T)에 넣고 참조범주를 “마지막” 또는 “처음”
으로 선택해줍니다. 여기서 기본값은 “마지막”이지만 저희는 “처음”으로 바꾸도록 하겠습
니다.

- 74 -
다음에는 옵션(O)를 클릭하여 “분류도표(C)", “Hosmer-Lemeshow 적합도(H)”,
“exp(B)에 대한 신뢰구간 95%”를 클릭하고 “계속”을 클릭하여 아웃풋을 출력합니다.

종속변수의 코딩은 선택함이 1번으로, 범주형 독립변수 코딩은 선택요인 있음이 1번으
로 선택되었습니다.

- 75 -
선택하지 않음 집단 90명과 선택함 집단 209명은 모두 선택함 집단에 분류되었고 분류
정확도는 69.9%였습니다.

블록0(시작단계)에서는 독립변수를 제외한 상수항만으로 구성된 식이 나타납니다.

모형에 포함되지 않은 독립변수의 유의확률도 확인할 수 있습니다.

모형 계수 전체 데스트표는 독립변수들이 포함되었을 때의 유용성을 보여주는 표로 여

기서는 카이제곱값이 270.299, 유의확률이 .000으로 유의수준 .05보다 작기 때문에 두
개의 독립변수가 선택유무를 판단하는데 유용하다고 할 수 있습니다.

- 76 -
모형요약에 Nagelkerke R제곱값은 회귀분석의 R제곱값과 같이 모형의 설명력을 나타
냅니다. 여기서는 84.3%의 모형 설명력을 가지고 있네요.
Hosmer와 Lemeshow 검정은 모형의 적합도 검정으로 유의확률이 .05보다 크면 적합
도가 좋다고 해석합니다. 여기서는 .452이니깐 모형이 적합하다고 해석합니다.

분류표에서는 정확히 예측한 숫자가 얼마만큼 되는 알려주는 표로 전체 분류정확도는

94.6%로 나타났습니다.

가장 중요한 방정식표입니다.
B의 부호가 +이면 변수값이 클수록 내부값이 1인 여기서는 “선택함” 포함될 확률이 크
며, 부호가 -이면 변수값이 클수록 내부값이 0인 “선택하지 않음”에 포함될 확률이 커집
니다.
이 표를 해석하려면, Exp(B)값과 유의확률을 살펴봐야합니다. 모든 독립변수의 유의확
률은 .000으로 모두 통계적으로 유의미했으며, 비연속형변수(1)의 Exp(B)는 20.649로 여
기서 비연속형변수(1)은 “선택요인 있음” 항목으로 선택요인 있음이 있을 때 선택함에
속활 확률이 20.649배가 된다는 뜻이고, 연속형변수 Exp(B)는 12.249로 연속형변수가 1
증가할 때 선택함에 포함될 확률이 12.249배 커진다고 해석합니다.
Exp(B)의 신뢰구간 하한과 상한사이에 1이 포함되지 않아야 통계적으로 유의미한 독립
변수가 됩니다.

- 77 -
5. 공분산분석

공분산분석은 영향을 줄 수 있는 공변인을 통제하여 독립변수가 종속변수에 순수한

영향을 주는지를 알아보는 분석방법입니다.
보통 두 집단의 사전-사후 점수의 차이를 알아볼 때 사전 점수를 공변인으로 통제하
고 사후점수를 종속변수로 선택하여 분석합니다.

공분산분석에 있어서 사전점수가 동질하다면 굳이 공분산분석을 실시하지 않아도 됩

니다. 또한 집단과 사전검사점수의 상호작용효과가 통계적으로 유의미할 때도 공분산
분석을 하지 않아도 됩니다.

사전점수 동질성을 알아보기 위해

분석(A) → 평균비교(M) → 독립표본 T검정(T) 클릭

사전_몸무게 검정변수(T)에 넣고 집단을 정의해줍니다.

- 78 -
Levens의 등분산이 가정되어 사전_몸무게는 유의확률 .047로 통계적으로 유의미한 차
이가 나타났습니다. 그럼 한가지 요건이 충족되었습니다.

이제 집단과 사전검사점수의 상호작용효과가 있는지 살펴보겠습니다.

분석(A) → 일반선형모형(G) → 일변량(U) 클릭

종속변수(D)에는 “사후_몸무게”를 모수요인(F)에는 “집단”을 공변량(C)에는 “사전_몸무

게”를 넣고 모형(M)을 클릭합니다. 사용자정의(C)를 클릭하고 집단, 사전_몸무게를 클릭
해서 오른쪽으로 옮기고 집단과 사전_몸무게를 동시에 클릭해서(Shift사용) 오른쪽으로
옮깁니다. 그리고 “계속”을 클릭

- 79 -
집단과 사전_몸무게의 유의확률이 .959로 통계적으로 유의미하지 않았기 때문에 상호작
용 효과가 없습니다. 이는 공분산분석을 해도 된다는 이야기입니다.

이번에는 모형(M)을 클릭하여 완전요인모형(A)를 클릭합니다.

“옵션(O)”를 클릭해서 “효과크기 추정값(E)", ”모수추정값(T)", "동질성 검정(H)" 체크해

주고 아웃풋을 돌립니다.

- 80 -
Levens의 등분산이 유의수준 .407로 가정되었습니다.
개체-간 효과 검정을 살펴보면, 사전_몸무게는 유의확률 .000으로 몸무게 차이는 사전_
몸무게에 따라 차이가 날수도 있다고 나왔습니다.
집단은 유의확률 .047로 집단에 따라 몸무게 차이가 나타났습니다.

모수 추정값을 살펴보면, 비교집단과 실험집단의 사후검사의 평균은 사전_몸무게가 통제

된 후에 .549의 차이가 나타났으며, 이는 유의확률이 .047로 유의수준 .05보다 작아 통
계적으로 유의미한다고 해석합니다.

- 81 -
예제) 공분산분석

헬스클럽에서 운동을 실시 한 실험집단과 헬스클럽을 다니지 않은 대조집단의 몸무

게 변화를 비교하기 위해 사전 몸무게를 공변인으로 하고 사후 몸무게를 종속변인으

로 하여 공분산 분석을 실시하였다.

1) 실험집단과 비교집단의 몸무게 사전-사후 평균과 표준편차는 다음표에 제시하였

다.
실험집단의 몸무게는 사전 평균 60.05kg이었으며, 사후 59.17kg로 약 0.88kg 줄었
으며, 비교집단의 몸무게는 사전 평균 64.43kg이었으며, 사후 64.03kg로 약 0.40kg
줄은 것으로 나타났다.

[표] 실험실단과 비교집단의 몸무게 사전-사후 평균과 표준편차

사전사 실험집단 비교집단

요인
후 평균 ± 표준편차 평균 ± 표준편차
사전 60.05 ± 7.78 64.43 ± 9.29
몸무게
사후 59.17 ± 7.73 64.03 ± 9.21

두 집단의 헬스클럽을 다니기 전과 후의 몸무게 차이가 있는지 통계적으로 살펴보기

위해 공분산분석을 한 결과는 다음과 같다.

오차분산의 동일성에 대해 알아보기 위해 Leven의 검정을 실시한 결과는 다음과 같

다.

[표] Leven의 검정

F df1 df2 유의확률

.697 1 62 .407

Leven 검정결과 유의확률이 .05이상으로 등분산이 가정되었다.

- 82 -
[표] 몸무게의 공분산 분석 결과

변량원 자승합 자유도 평균자승 F p

사전검사 4463.996 1 4463.996 4069.222 .000
집단 4.498 1 4.498 4.101 .047
오차 66.918 61 1.097

위 표에서 보는 바와 같이 몸무게는 사후 검사에서 실험집단과 비교집단은 통계적으

로 유미의미한 차이가 나타났다(p<.05). 헬스클럽을 다녔던 실험집단의 몸무게가 비교

집단의 몸무게보다 좀 더 많이 줄어든 것을 알 수 있었다.

65
64.43
64 64.03

63

62
실험집단
61
비교집단
60 60.05

59 59.17

58
사전 사후

- 83 -
6. 반복측정 분산분석

의료통계에서 많이 사용되는 반복측정 분산분석입니다.

실험집단과 비교집단의 실험처치 후 여러번 측정된 값들의 차이가 있는지를 알아보
는데 많이 사용합니다.

분석(A) → 일반선형모형(G) → 반복측정(R) 클릭

그럼 반복측정 요인 정의창이 먼저 뜹니다. 여기서 “개체-내 요인이름(W)”에는 보통 “시

기”, “측정차시”와 같이 시간과 관련된 이름을 넣어주고 “추가(A)"를 클릭하고 ”정의"를
클릭합니다.

- 84 -
“개체-내 변수(W)”에는 여러번 측정된 데이터값을 “개체-간 요인(B)”에는 집단을 넣어
주고 도표(T)를 클릭하고 “집단”을 선구분 변수(S)에 “시기”를 수평축 변수(H)에 넣고
추가를 누르고 “계속”을 클릭하고 “확인”을 클릭하여 아웃풋을 생성시킵니다.

우선 Mauchly의 구형성 검정결과 유의확률이 .197로 유의수준 .05보다 커 구형성의 가

정을 만족합니다.
※ Levens와 같이 유의수준이 .05보다 클 때 등분산성이 성립한다와 같다.

Mauchly의 구형성 검정결과 만약 유의확률이 .05 미만일 경우도

Greenhouse-Geisser, Huynh-Feldt 두 엡실런값이 0.7이상이면, 엡실런 수정법을 사용
하여 검정하면 됩니다. 구형성이 가정되었다면, 개체-내 효과 검정에서 구형성 가정 값을
보고 해석합니다.

- 85 -
여기서는 구성형 가정이 되었으니, 구형성 가정값을 살펴보면, 시기와 시기*집단 모두
유의확률이 .000으로 유의수준 .05보다 작아 통계적으로 유의미한 차이가 있었습니다.
이를 해석하면 시기의 경우 측정시기에 따라 체중의 차이가 있다는 것을 알 수 있으며,
시기*집단의 상호작용효과가 존재한다. 즉, 두 집단에 대한 평균체중이 측정기간에 따라
달라진다는 것을 알 수 있습니다.

구형성이 가정되지 않고, 엡실런 값이 0.7 미만일 경우 “다변량 검정”을 가지고 검정하
게 됩니다.
Pillai의 트레이스 : 표본크기가 작거나 공분산이 동일하지 않고 집단크기 차이 있을 때
Wiks의 람다 : 표본크기가 충분하고 가정도 어느정도 충족하고 집단크기가 유사할 때
Roy의 최대근 : 가장 보수적, 모든 가정을 가장 엄격하게 충족시킬 때

여기서는 집단의 크기가 유사하기 때문에 Wilks의 람다 값을 가지고 해석합니다.

- 86 -
예제) 반복측정분산분석

본 연구는 두 집단(실험집단, 비교집단) 체지방량이 프로그램을 실시하기 전을 기준

으로 4일 동안 4번의 측정으로 변화율에 어떠한 변화가 있었는지에 대해 알아보고자

했다. 다음은 4일 동안 체지방량의 변화에 대한 결과이다.

실험집단의 경우 체지방량은 1차 측정 평균 23.98에서 실험 후 4일(4차 측정)에서

평균 21.31로 약 2.60점만큼 체지방량이 감소하였으며, 비교집단의 경우 1차 측정 평
균 24.99에서 실험 후 4일(4차 측정) 평균 25.11로 약 0.12점만큼 체지방량이 증가
하였다. 다음 그림을 살펴보면 실험집단이 비교집단보다 체지방량이 더 감소하는 것으
로 나타났다.

[표] 집단에 따른 체중 반복측정 평균 및 표준편차

실험집단 비교집단
측정 차시
Mean SD Mean SD

체지방량 1차 측정 23.98 4.52 24.99 5.36

체지방량 2차 측정 23.13 4.49 24.92 5.79
체지방량 3차 측정 22.20 4.06 24.64 5.12
체지방량 4차 측정 21.31 4.14 25.11 5.62

[그림] 체중 반복측정 평균 그래프

- 87 -
집단간 차이를 알아보기 위해 구체적으로 본 실험의 Maychly의 구형성 검정을 실시

한 결과는 다음과 같다.

[표] Maychly의 구형성 검정

엡실런
개체- 자유 유의
Mauchly's W 근사카이제곱 Greenhouse-
내 효과 도 확률 Huynh-Feldt Lower-bound
Geisser
측정 차시 .760 7.335 5 .197 .865 .995 .333

유의확률이 .197로 유의수준 .05보다 높아 통계적으로 구성형 조건이 만족하였다.

이 경우 구형성 가정값을 사용하여 집단 간 차이를 검정하기로 한다.

[표 87] 개체-내 효과 검정

제 III 유형 유의
소스 엡실런 자유도 평균제곱 F
제곱합 확율
구형성 가정 26.940 3 8.980 18.123 .000
측정 Greenhouse-Geisser 26.940 2.595 10.382 18.123 .000
차시 Huynh-Feldt 26.940 2.985 9.024 18.123 .000
Lower-bound 26.940 1.000 26.940 18.123 .000

측정 구형성 가정 27.885 3 9.295 18.758 .000

차시 Greenhouse-Geisser 27.885 2.595 10.746 18.758 .000
* Huynh-Feldt 27.885 2.985 9.341 18.758 .000
집단 Lower-bound 27.885 1.000 27.885 18.758 .000

측정 차시에 따라 체지방량 구형성 가정의 유의확률이 .000으로 측정 차시에 따라

체지방량이 통계적으로 유의하게 변화하였으며(p<.001), 상호작용효과(측정 차시 * 집
단) 역시 통계적으로 매우 유의하기 때문에 집단과 측정 차시 사이에 상호작용효과가

존재하였다. 즉, 두 집단에 대한 평균 체지방량은 측정 차시에 따라 달라졌다

(p<.001). 이를 정리하면 실험집단이 비교집단보다 체지방량이 더 많이 감소하였다는
것을 알 수 있었다.

- 88 -
7. 정규성 검정

앞에서 다루었던 모든 통계는 수집된 자료가 정규분포를 따른다는 가정에서 분석을

실시하였습니다.
중심극한정리에 따르면 표본의 크기가 30 이상이거나 모집단이 이론적으로 정규분포
를 따른다면 표본평균은 정규분포를 따른다고 가정합니다. 하지만 표본의 크리가 30
이 되지 않거나 표본의 크리가 크더라도 특정 범위에 몰려 있는 경우, 마지막으로 표
본 크기가 30은 넘더라도 정규성 검정을 실시하였냐고 질문이 들어 온다면 이에 대해
서 자신있게 말할 수 있어야 합니다.

분석(A) → 기술통계량(E) → 데이터 탐색(E) 클릭

정규성을 검정할 변수를 넣고 “도포(T)”를 클릭

도표창에서 “히스토그램(H)”와 “검정과 함께 정규성도표(O)”를 클릭합니다.

- 89 -
정규성 검정 아웃풋을 보면, “Kolmogorov-Smirnov”와 “Shapiro-Wilk”값이 나옵니다.

※ Kolmogorov-Smirnov는 표본 수가 2000개 이상일 때 사용

※ Shapiro-Wilk는 표본 수가 2000개 미만일 때 사용

여기서는 Shapiro-Wilk값을 보도록하겠습니다.

유의확률이 0.05보다 높습니다. 이는 영가설을 기각할 수 없으므로 나이와 체중은 정규

분포를 따른다고 해석합니다.

만약 정균성 검정을 통과
하지 못한다면, 왜도와
첨도를 종합적으로 검토
합니다.

왜도와 첨도는 절대값이

2를 넘지 않으면 정규분
포로 생각합니다.

조금 느슨하게 본다면 3
을 기준으로 볼수도 있습
니다.

또한 첨도는 8까지 본다
는 논문들도 있습니다.

- 90 -
8. 비모수 통계분석

입력된 자료가 범주형 자료(명목척도, 서열척도)이거나, 입력된 데이터 크기가 30미

만일 때, 정규분포를 가정할 수 없고, 등분산성이 가정되지 않을 때는 비모수 통계를
실시해야 합니다.

비모수 통계 기법 모수 통계 기법
Mann-Whitney U 검정 독립표본 t-test
Wilcoxon 부호-서열 검정 대응표본 t-test
Kruskal-Wallis H 검정 ANOVA(분산분석)
교차분석 두 변인 모두 명목척도
Spearman 서열상관관계분석 두 변인 모두 서열척도

1) Mann-Whitney U 검정

분석(A) → 비모수검정(N) → 레거시 대화 상자(L) → 독립2-표본(2) 클릭

- 91 -
검정변수에 종속변수를 넣고 집단변수에 “집단”을 넣고 “집단정의” 클릭한 후
집단1과 집단2를 나누어 줍니다. 하는 방법은 독립 t-test와 같습니다.
Mann-Whitney의 U(M)을 체크하고 “확인”을 클릭하면 아웃풋이 나옵니다.

평균순위가 높을수록 평균이 높습니다. 순위합도 마찬가지입니다.

여기서는 실험집단이 비교집단보다 평균순위가 크네요.
검정 통계량을 보시면,
근사 유의확률(양측)은 표본수가 30개 이상일 때 사용하고,
정확한 유의확률[2*(단측유의확률)은 표본수가 30개 미만일 때 사용하면 됩니다.
샘플은 표본수가 16개이니, 정확한 유의확률을 보면 됩니다. .038로 유의수준 .05보다
작아 통계적으로 유의미하게 차이가 있는 것을 확인할 수 있었습니다.

- 92 -
2) Wilcoxon 부호-서열 검정

분석(A) → 비모수검정(N) → 레거시 대화 상자(L) → 대응2-표본(L) 클릭

사전점수와 사후점수를 "검정 쌍(T)"에 넣고 옵션 “기술통계” 클릭해도 되고 안해도 됩

니다. 그리고 확인을 클릭하면 아웃풋이 나옵니다.

- 93 -
순위표를 보면, N칸의 음의 순위는 6개, 양의 순위는 22개, 동률은 1개로 표시되어 있
습니다. 이는 사전보다 사후에 점수가 떨어진 것은 음의 순위로, 사전보다 사후에 점수가
오른 것은 양의 순위로, 사전과 사후가 같으면 동률로 표시되는 것입니다.
양의 순위가 음의 순위보다 많은 것을 보더라도 사후점수가 높을 것이라는 것을 예측할
수 있습니다.
검정 통계량을 보시면,
근사 유의확률(양측)값이 .029로 유의수준 .05보다 작아 통계적으로 유의미하게 차이가
있는 것을 확인할 수 있었습니다.

- 94 -
3) Kruskal-Wallis H 검정

분석(A) → 비모수검정(N) → 레거시 대화 상자(L) → 독립K-표본(K) 클릭

검정변수에 종속변수를 넣고 집단변수에 “집단”을 넣고 “집단정의” 클릭한 후

최소값과 최대값으로 집단을 나누어 줍니다. 본 샘플은 집단이 4개라 1~4로 지정했습니
다.
Kruskal-Wallis의 H(K)을 체크하고 “확인”을 클릭하면 아웃풋이 나옵니다.

- 95 -
평균순위가 높을수록 평균이 높습니다.
여기서는 실험집단2가 가장 평균순위가 높고 비교집단이 가장 평균순위가 낮습니다.
검정 통계량을 보시면,
근사 유의확률을 보면 됩니다. .048로 유의수준 .05보다 작아 통계적으로 유의미하게
차이가 있는 것을 확인할 수 있었습니다.
하지만 사후검증이 되지 않기 때문에 통계적으로 유의미한 차이가 있다는 것만 알 수
있습니다.
정규성과 표본수가 아닌 등분산성이 성립하지 않았을 때는 등분산을 가정하지 않는 사
후분석을 사용합니다. 이 방법은 분산분석(ANOVA)에서 자세히 다루었으니 참고하시면
됩니다.

지금까지 비모수통계 아웃풋을 보시면 아시겠지만, 비모수통계의 핵심은 연속형자료로 입

력된 데이터를 SPSS프로그램 자체에서 순위(서열척도)로 전환하여 분석한다는 것입니다.

- 96 -
예제) 비모수 통계분석

1) Mann-Whitney U 검정

실험집단(n=8) 비교집단(n=8)
평균순위 평균순위 z p
평균±표준편차 평균±표준편차
(순위합) (순위합)

점수 10.94(87.50) 37.63±6.52 6.06(48.50) 30.63±3.16 -2.055 0.038

실험집단의 평균은 37.63점(평균순위는 10.94)로 비교집단 평균 30.63점(평균순위 6.06)

보다 높았으며, 이는 통계적으로 유의미한 차이가 있었다(p<.05).

2) Wilcoxon 부호-서열 검정

N 평균순위 순위합
Negative Ranks
6a 17.83 107.00
(음의 순위)
Positive Ranks
22b 13.59 229.00
(양의 순위) z p
사전-사후
Ties
1c
(동률)

Total
29
(합계)

a. 사후점수<사전점수
b. 사후점수>사전점수 -2.187 0.029
c. 사후점수=사전점수

사전점수가 사후점수보다 큰 음의 순위는 6개였으며, 사후점수가 사전점수보다 큰 양의

순위는 22로 사전점수보다는 사후점수가 증가했으며, 이는 통계적으로 유의미한 차이가
있었다(p<.05).

- 97 -
3) Kruskal-Wallis H 검정

집단 평균순위 평균±표준편차  p

실험집단1 14.50 76.67±6.86a

실험집단2 15.79 78.43±7.11a

점수 7.945 0.047
실험집단3 9.75 70.83±9.58ab

비교집단 5.00 65.25±4.11b

점수는 실험집단2가 평균 78.43점(평균순위 15.79)으로 가장 많았으며, 다음으로 실험집단

1 평균 76.67점(평균순위 14.50), 실험집단3 평균 70.83점(평균순위 9.75), 비교집단 평균
65.25점(평균순위 5.00)순이었으며, 이는 통계적으로 유의미한 차이가 있었다(p<.05). 사후
검증결과 실험집단1과 실험집단2가 비교집단보다 높은 것으로 나타났다.

- 98 -