범주형 변수 간의 관계 검정은 간호연구에서 매우 중요한 통계 분석 방법 중 하나입니다. 범주형 변수란 질적 특성을 나타내는 변수로, 명목척도(성별, 혈액형 등)나 서열척도(만족도 등급, 중증도 단계 등)로 측정되는 변수를 의미합니다.
카이제곱 검정(Chi-square test)은 두 개 이상의 범주형 변수 간에 통계적으로 유의한 관련성이 있는지를 검정하는 비모수 통계 방법입니다. 이 검정은 관찰빈도와 기대빈도 간의 차이를 이용하여 변수들이 서로 독립적인지 아니면 관련성이 있는지를 판단합니다.
카이제곱 검정의 적용 조건으로는 첫째, 모든 관찰값이 서로 독립적이어야 하고, 둘째, 각 셀의 기대빈도가 5 이상이어야 합니다. 만약 기대빈도가 5 미만인 셀이 전체의 20% 이상이면 피셔의 정확검정(Fisher's exact test)을 사용해야 합니다.
문제에서 제시된 성별과 낙상 발생 여부의 관계 분석은 전형적인 2×2 분할표 분석 상황입니다. 성별(남성/여성)과 낙상 발생 여부(발생/미발생)는 모두 명목척도의 범주형 변수이므로, 이들 간의 관련성을 검정하기 위해서는 카이제곱 검정을 사용하는 것이 가장 적절합니다.
간호 실무에서 카이제곱 검정은 다양하게 활용됩니다. 예를 들어, 간호 중재의 효과를 평가할 때 중재군과 대조군 간의 치료 성공률 차이, 환자의 특성과 간호 문제 발생률 간의 관련성, 간호사의 교육 수준과 환자 만족도 간의 관계 등을 분석할 때 사용됩니다.
다른 선택지들이 부적절한 이유는 다음과 같습니다. t-검정과 분산분석은 연속형 변수의 평균 차이를 검정하는 방법이고, 피어슨 상관분석은 연속형 변수 간의 선형 관계를 분석하는 방법입니다. 회귀분석 역시 주로 연속형 종속변수를 예측하는 데 사용되므로 범주형 변수 간의 관계 검정에는 적합하지 않습니다.
임상 시나리오
중환자실에서 근무하는 간호사 김OO는 환자의 연령대(청년층, 중년층, 노년층)와 섬망 발생 여부(발생, 미발생) 간의 관련성을 조사하는 연구를 수행하고 있습니다.
연구 대상은 최근 6개월간 중환자실에 입원한 환자 300명이며, 연령대별로 청년층 80명, 중년층 120명, 노년층 100명으로 구성되어 있습니다. 섬망 발생률은 청년층 10%, 중년층 25%, 노년층 45%로 나타났습니다.
김 간호사는 이 데이터를 3×2 분할표로 정리하고, 각 셀의 기대빈도를 계산한 결과 모든 셀에서 5 이상의 값을 확인했습니다. 이제 연령대와 섬망 발생 간에 통계적으로 유의한 관련성이 있는지 검정하고자 합니다.
이러한 상황에서 카이제곱 검정을 적용하면, 연령대가 높아질수록 섬망 발생률이 증가하는 경향이 우연히 발생한 것인지, 아니면 통계적으로 유의한 관련성이 있는 것인지를 객관적으로 판단할 수 있습니다. 이는 중환자실 간호 실무에서 연령대별 섬망 예방 전략을 수립하는 데 중요한 근거 자료가 됩니다.
핵심 개념
카이제곱 검정(Chi-square test) — 두 개 이상의 범주형 변수 간에 통계적으로 유의한 관련성이 있는지를 검정하는 비모수 통계 방법으로, 관찰빈도와 기대빈도의 차이를 이용하여 변수들의 독립성을 평가한다.
기대빈도(Expected frequency) — 카이제곱 검정에서 귀무가설이 참일 때 각 셀에서 기대되는 이론적 빈도로, (행 합계 × 열 합계) / 전체 합계로 계산되며, 모든 셀에서 5 이상이어야 검정의 신뢰성이 확보된다.
분할표(Contingency table) — 두 개 이상의 범주형 변수의 빈도를 행과 열로 정리한 표로, 2×2, 3×2, 3×3 등의 형태로 구성되며 변수 간의 관련성을 시각적으로 파악할 수 있게 해준다.
피셔의 정확검정(Fisher's exact test) — 카이제곱 검정의 적용 조건을 만족하지 않을 때, 특히 기대빈도가 5 미만인 셀이 많을 때 사용하는 정확한 확률 계산 방법으로, 소표본에서 범주형 변수 간의 관련성을 검정한다.
독립성 가정(Independence assumption) — 카이제곱 검정의 기본 가정으로, 각 관찰값이 서로 독립적이어야 하며, 한 개체의 분류가 다른 개체의 분류에 영향을 주지 않아야 한다는 조건을 의미한다.