단일 모집단의 평균이 특정 값과 다른지 검정할 때, 모집단의 분산을 모르고 표본 크기가 작은 경우(n

모집단 분산을 모르고 표본 크기가 작을 때는 표본표준편차를 사용하는 t-검정을 적용한다. 단일 모집단 평균 검정에는 단일표본 t-검정을 사용한다. Z-검정은 분산을 알거나 표본 크기가 클 때 사용한다.

보건행정 핵심 해설 이 문제는 보건통계학에서 가설 검정(Hypothesis testing) 방법을 선택하는 원리를 묻고 있어요. 특히, 연구 설계와 데이터 조건에 맞는 적절한 통계 검정법을 선택하는 능력은 보건행정 연구나 병원 경영 데이터 분석에서 매우 중요해요. 핵심 개념 분석 (Key Concept): 문제의 조건은 "단일 모집단의 평균", "분산을 모름", "표본 크기가 작음(n

보건행정 실무 가이드 실무 시나리오 (Clinical Scenario): "병원 기획팀에서 신규 도입한 전자의무기록(EMR) 시스템이 진료 문서화 시간을 단축시켰는지 평가하려고 해요. 시스템 도입 전 15명의 의사에게 설문을 통해 평균 문서화 시간을 조사했고, 도입 6개월 후 같은 15명의 의사에게 다시 조사했어요. 두 시점의 평균 시간 차이가 통계적으로 유의한지 분석해야 합니다." 행정 중재 전략 (Admin Intervention): 1. 상황 파악: 동일한 15명의 의사를 대상으로 사전-사후 측정을 했어요. 이는 자연스럽게 쌍을 이루는 데이터(Paired data)입니다. 2. 법적/규정 검토: 통계 분석에는 특별한 법규는 적용되지 않지만, 연구 윤리 차원에서 개인정보 보호와 동의 절차는 준수해야 해요. 3. 대응 및 처리: 이 경우 적절한 검정법은 대응표본 t-검정(Paired t-test)입니다. 각 의사의 사전-사후 시간 차이를 계산한 후, 이 차이값들의 평균이 0과 통계적으로 다른지 검정하면 돼요. 4. 사후 기록/보고: 분석 결과(p-value, 신뢰구간, 평균 차이)를 보고서로 작성하고, 유의미한 개선이 있었다면 병원 내 품질 개선(QI) 활동의 성과로 제시할 수 있어요. 법적 안전 및 주의사항 (Precautions): - 핵심! 통계적 유의성(Statistical significance)과 실질적 유의성(Clinical significance)을 구분해야 해요. p-value가 0.05보다 작아 통계적으로 유의하더라도, 평균 2분 단축이 진료 흐름에 실질적인 영향을 미치는지 판단해야 합니다. - 데이터 수집 시 선택 편향(Selection bias)이나 측정 오류를 최소화하는 설계가 중요해요. - 분석 결과를 왜곡하거나 과장해서 보고하지 않도록 주의해야 합니다. 업무 프로토콜 통계 검정 선택 프로토콜: 1. 질문 정의: 무엇을 비교하고 싶은가? (평균? 비율? 분포?) 2. 데이터 구조 확인: 단일 집단? 두 집단? 집단이 독립적인가? 쌍을 이루는가? 3. 데이터 유형 확인: 연속형 데이터(평균 검정)인가? 범주형 데이터(비율/빈도 검정)인가? 4. 모수 정보 확인: 모집단 분산(표준편차)을 아는가? 5. 표본 크기 확인: 표본이 큰가(n≥30)? 작은가(n