새로운 혈압약의 효과를 검증하기 위해 대조군과 비교하는 연구를 수행했다. 검정 결과 p-value가 0.03으로 나왔다. 이 결과의 해석으로 옳은 것은? (유의수준 α=0.05)

p-value(0.03)가 설정된 유의수준 α(0.05)보다 작으면, 귀무가설을 기각할 통계적 증거가 있다고 판단한다.

보건행정 핵심 해설 이 문제는 보건통계학의 핵심 개념인 가설검정(Hypothesis testing)과 p-value의 해석을 묻고 있어요. 병원에서 신약 임상시험(Clinical trial) 결과를 평가하거나, 공중보건 정책의 효과를 분석할 때 반드시 이해해야 할 기초 통계 원리입니다. 핵심 개념 분석 (Key Concept) 가설검정은 표본 데이터를 통해 모집단에 대한 주장(가설)을 검증하는 통계적 방법이에요. 핵심! 여기서 p-value는 "귀무가설(H0)이 참이라고 가정했을 때, 현재 관찰된 데이터(또는 그보다 더 극단적인 데이터)가 나올 확률"을 의미해요. p-value가 작을수록 귀무가설 하에서 현재 결과가 나오기 어렵다는 뜻이므로, 귀무가설을 의심하게 만드는 증거가 됩니다. 정답 근거 (Answer Rationale) 정답은 ②번 "유의수준보다 작으므로 귀무가설을 기각한다."입니다. 해당 문제에서 p-value는 0.03, 미리 설정한 유의수준(Significance level, α)은 0.05입니다. 가설검정의 판단 기준은 매우 명확해요: p-value ≤ α 이면 귀무가설(H0)을 기각(Reject)합니다. 0.03 ≤ 0.05 이므로, "새로운 혈압약은 기존 약과 효과가 같다"는 귀무가설을 기각할 통계적 증거가 있다고 결론지을 수 있어요. 이는 "새로운 혈압약이 더 효과적이다"라는 대립가설(H1)을 지지하는 결과입니다. 오답 분석 (Distractor Analysis) 혼동 주의! p-value와 효과의 크기(Effect size)는 완전히 다른 개념입니다. ①번 "효과의 크기가 작으므로 임상적 의미는 없다."는 p-value 해석과 혼동하기 쉬운 대표적인 오개념이에요. p-value는 통계적 유의성(Statistical significance)만을 나타냅니다. p-value가 작아서 통계적으로 유의하다고 해도, 실제 효과의 크기가 임상적으로 의미 있을 만큼 큰지는 별개의 문제예요. 예를 들어, 매우 큰 표본에서 미미한 차이도 통계적으로 유의해질 수 있지만, 실제 환자 치료에는 큰 도움이 되지 않을 수 있어요. ③번 "유의수준보다 작으므로 귀무가설을 채택한다."는 판단 기준을 정반대로 이해한 오류입니다. p-value가 작을수록 귀무가설을 *기각*하는 증거가 됩니다. ④번과 ⑤번은 p-value(0.03)와 유의수준(0.05)의 크기 비교를 잘못했습니다. 0.03은 0.05보다 *작습니다*. 따라서 "크다"는 전제 자체가 틀렸어요. 연관 개념 정리 (Related Concepts) - 제1종 오류(Type I error): 귀무가설이 참인데 기각하는 오류. 유의수준(α)은 이 오류를 범할 허용 최대 확률을 의미해요. - 제2종 오류(Type II error): 귀무가설이 거짓인데 채택하는 오류. 검정력(Power)은 제2종 오류를 범하지 않을 확률(1-β)이에요. - 양측검정(Two-tailed test) vs 단측검정(One-tailed test): 문제는 "더 효과적이다"라는 방향성이 있는 단측검정이에요. 양측검정일 경우 p-value 해석에 주의가 필요합니다. 개념 정리

용어	의미	판단 기준 (α=0.05)
p-value	귀무가설이 참일 때 관찰된 결과가 나올 확률	-
유의수준(α)	제1종 오류를 허용할 최대 확률 (보통 0.05)	기준값
결론 도출	-	p-value ≤ 0.05: 귀무가설 기각 (통계적 유의성 있음) p-value > 0.05: 귀무가설 기각할 증거 불충분

한눈에 비교!

구분	통계적 유의성(Statistical Significance)	효과 크기/임상적 유의성(Clinical Significance)
의미	관찰된 차이가 우연히 발생했을 가능성 (p-value)	차이의 실제 크기 (예: 혈압 5mmHg vs 15mmHg 하강)
결정 요소	표본 크기, 변동성, p-value	효과 크기 지수(Cohen's d 등), 임상적 판단
관계	통계적으로 유의해도 효과 크기가 작으면 임상적 의미 없을 수 있음. 반대로 효과 크기가 커도 표본이 작으면 통계적 유의성 나오지 않을 수 있음.

실무 포인트 병원에서 의료의 질 개선(QI, Quality Improvement) 프로젝트나 연구 논문을 평가할 때, p-value만 보고 결론 내리면 안 돼요! 반드시 신뢰구간(Confidence Interval)과 효과 크기를 함께 확인해야 해요. 신뢰구간은 효과의 불확실성 범위를, 효과 크기는 실제 영향력을 보여주기 때문이에요. 건강보험심사평가원(HIRA)의 약제 적정성 평가나 보건복지부의 정책 효과 분석 보고서에서도 이 원칙이 적용됩니다. 암기 팁 "P는 작을수록, H0(귀무가설)은 위태롭다!"
p-value(P)가 유의수준(α)보다 작으면(작을수록) 귀무가설(H0)을 기각합니다. 간단한 부등식 "P ≤ α → Reject H0"으로 외우세요. 국시 빈출 포인트 보건의료정보관리사/병원행정사 시험에서는 p-value 해석과 함께 제1종, 2종 오류의 정의, 신뢰구간 해석(예: "95% 신뢰구간에 0이 포함되지 않으면 유의하다")이 짝을 지어 출제되는 경우가 많아요. 가설검정의 논리적 흐름(가설 설정 → 검정통계량 계산 → p-value 도출 → 결론)을 이해해야 합니다. 기출 변형 주의! 동일한 개념을 다음과 같이 변형하여 출제할 수 있어요: - 사례형: "연구 결과 p-value=0.07로 나왔을 때, 유의수준 0.05에서의 올바른 결론은?" - 계산형은 드물지만, 개념 연결형: "제1종 오류의 확률을 무엇이라고 하는가?" (정답: 유의수준 α) - 신뢰구간 연결형: "혈압 강하량 차이의 95% 신뢰구간이 1.2 ~ 8.8 mmHg일 때, 통계적 결론은?" (0을 포함하지 않으므로 유의함)

보건행정 실무 가이드 실무 시나리오 (Clinical Scenario) 병원 의료의 질 관리(QI)팀에서, 수술 후 감염률을 낮추기 위해 새로운 소독 프로토콜을 도입한 후 6개월간 데이터를 수집했어요. 기존 감염률 5%와 비교했을 때, 새로운 프로토콜 적용군의 감염률은 3%였고, 통계 분석 결과 p-value는 0.04로 나왔습니다. 팀 회의에서 이 결과를 어떻게 보고하고, 다음 단계를 결정해야 할까요? 행정 중재 전략 (Admin Intervention) 1. 상황 파악: p-value=0.04 (α=0.05 기준)이므로, "새로운 프로토콜은 효과가 없다(감염률 차이 없다)"는 귀무가설을 기각할 통계적 증거가 있습니다. 2. 법적/규정 검토: 단, 여기서 멈추면 안 됩니다. 보건행정 전문가로서 효과의 크기를 반드시 확인해야 해요. 감염률이 5%에서 3%로, 2%포인트 절대적 위험 감소(Absolute Risk Reduction)를 보였네요. 상대적 위험 감소율(Relative Risk Reduction)은 40%입니다. 이 크기가 임상적·경제적으로 의미 있는지 평가합니다. 3. 대응 및 처리: 보고서에는 "통계적으로 유의한 감소(p=0.04)를 보였으며, 이는 감염률을 40% 상대적으로 감소시킨 결과입니다"라고 기술합니다. 동시에 신뢰구간(예: 95% CI 0.5%~3.5%)을 제시하여 효과 추정의 정밀도를 보여주는 게 좋아요. 4. 사후 기록/보고: 이 결과를 바탕으로 신규 프로토콜의 전면 도입을 권고하는 안건을 의료기관평가인증원(KOIHA) 지표 개선 보고서나 병원 내부 QI 보고서에 포함시킵니다. 법적 안전 및 주의사항 (Precautions) 연구나 QI 활동 시 연구윤리심의위원회(IRB, Institutional Review Board) 승인을 받았는지 확인해야 합니다. 통계 결과를 과장 해석하여 마케팅에 사용하거나, 효과가 불분명한데도 불구하고 비용이 큰 장비 도입을 결정하는 것은 윤리적·경영적 문제를 초래할 수 있어요. 업무 프로토콜 통계 결과 검토 체크리스트 1. 가설은 명확한가? (단측/양측) 2. 사용된 검정 방법은 적절한가? (t-test, 카이제곱검정 등) 3. p-value는 얼마인가? (α=0.05 기준) 4. 효과 크기(Effect size) 또는 차이의 크기는 얼마인가? 5. 신뢰구간(95% CI)은 어떻게 되는가? 6. 표본 크기는 충분했는가? (검정력 고려) 7. 결론이 통계 결과를 지나치게 과장하지는 않는가? 선배의 한마디 "보건행정가에게 통계는 무기예요! 데이터에 기반한 의사결정(Data-driven decision making)이 병원 경영과 공공보건 정책의 핵심이에요. p-value가 '유의하다'는 신호등이라고 생각하세요. 하지만 그 신호를 받고 나서, '얼마나 큰 차이인지(효과 크기)', '그 차이가 어느 정도 정확한지(신뢰구간)'를 꼼꼼히 살펴야 안전하게 목적지에 도달할 수 있어요. 숫자 뒤에 숨은 이야기를 읽는 연습을 하세요!"