가설검정의 검정력(Power)을 증가시키기 위한 방법으로 옳지 않은 것은?

유의수준(α)을 낮추면 제1종 오류는 줄어들지만, 동일한 표본 크기에서 제2종 오류(β)는 커져 검정력(1-β)은 오히려 감소한다. 검정력을 높이려면 표본 크기 증가, 효과크기 증가, 측정 오류 감소 등이 필요하다.

보건행정 핵심 해설 핵심 개념 분석 (Key Concept): 이 문제는 통계학적 가설검정에서 매우 중요한 개념인 검정력(Power)에 대해 묻고 있어요. 검정력은 "대립가설(H1)이 사실일 때, 이를 올바르게 채택할 확률"로 정의되며, 1 - β (제2종 오류 확률)로 계산돼요. 보건행정 연구나 병원 경영 데이터 분석에서 표본 설계의 핵심이 되는 개념이니 꼭 이해해야 해요.

정답 근거 (Answer Rationale): 핵심! 검정력을 증가시키는 방법은 기본적으로 제2종 오류(β)를 줄이는 것이에요. 이를 위한 주요 전략은 ① 표본 크기(n) 증가, ② 효과크기(Effect Size) 증가, ③ 측정의 신뢰도 향상(오차 감소)이에요. 반면, 유의수준(α)을 낮추면 제1종 오류(귀무가설을 잘못 기각)는 줄어들지만, 검정의 기준이 더 엄격해져 제2종 오류(β)는 커지고, 결과적으로 검정력(1-β)은 감소해요. 따라서 검정력을 증가시키는 방법이 아닌 것은 4번이 정답이에요.

오답 분석 (Distractor Analysis):
• ① "제2종 오류(β)의 확률을 줄인다": 이는 검정력(1-β)의 정의 그 자체에요. β를 줄이면 1-β는 당연히 증가하므로 옳은 설명이에요.
• ② "표본 크기를 늘린다": 표본 크기가 커지면 표본 평균의 표준오차가 줄어들어 검정 통계량의 값이 커지고, 이는 β를 줄여 검정력을 높여요. 가장 일반적인 방법이에요.
• ③ "효과크기를 크게 한다": 효과크기(예: 두 집단 평균 차이)가 클수록 통계적으로 그 차이를 발견하기 쉬워져 β가 줄고 검정력이 증가해요.
• ⑤ "측정 도구의 신뢰도를 높인다": 측정 오차가 줄어들면 데이터의 '잡음'이 감소해 실제 효과를 더 명확하게 포착할 수 있어 β가 줄고 검정력이 향상돼요.

연관 개념 정리 (Related Concepts):
• 제1종 오류(α, Type I Error): 귀무가설(H0)이 참인데 기각하는 오류. 유의수준(Significance Level)으로 통제.
• 제2종 오류(β, Type II Error): 귀무가설(H0)이 거짓인데 채택하는 오류.
• 검정력(1-β), α, β, 표본크기(n), 효과크기(d)는 서로 Trade-off 관계에 있어요. 하나를 고정하면 다른 것들 간에 상충 관계가 생겨요.

개념 정리

용어	정의	관계
검정력(Power)	대립가설이 참일 때 올바르게 채택할 확률 (1-β)	높을수록 좋음
제1종 오류(α)	귀무가설이 참인데 기각 (False Positive)	유의수준으로 통제
제2종 오류(β)	귀무가설이 거짓인데 채택 (False Negative)	검정력과 반비례 (1-β)

한눈에 비교!

검정력 증가 방법	원리	비고
표본 크기(n) 증가	표준오차 ↓ → 검정통계량 ↑ → β ↓	가장 실용적, 비용 증가
효과크기(ES) 증가	검출하려는 차이/효과 자체가 큼 → β ↓	연구 설계 단계에서 고려
유의수준(α) 증가	기각역 확대 → β ↓ (但, α 오류 ↑)	Trade-off 관계 주의
측정 신뢰도 향상	무작위 오차 ↓ → 실제 효과 포착력 ↑	도구 선택 및 표준화 중요

실무 포인트 보건행정이나 병원 경영에서 신약 효과 비교, 새로운 진료 프로토콜 평가, 환자 만족도 조사 분석 등 연구 또는 품질 개선(QI) 프로젝트를 설계할 때 반드시 검정력 분석(Power Analysis)을 통해 필요한 표본 크기를 미리 산정해야 해요. 충분한 검정력 없이 진행된 연구는 "효과가 없다"는 결론이 실제로는 표본 부족 때문일 수 있어(혼동 주의!), 자원 낭비와 잘못된 의사결정으로 이어질 수 있어요.

암기 팁 "검정력은 β의 반대(1-β), 높이려면 n(표본)과 d(효과)를 키우고, α(알파)를 높이면 일시적 도움되지만 오류 위험 UP!"
→ n(표본), d(효과크기), 측정 정확도는 검정력의 친구, α(유의수준)는 상황에 따라 다른 양날의 검이라고 기억하세요.

국시 빈출 포인트 검정력 관련 문제는 정의(1-β), 증가/감소 요인, 그리고 제1종/제2종 오류와의 관계를 연결 지어 출제되는 패턴이 많아요. "옳은 것" 고르기보다 "옳지 않은 것" 고르기 형태로 나와 개념 이해도를 정교하게 평가해요.

기출 변형 주의! • 사례형: "어느 병원이 A 치료법과 B 치료법의 효과 차이를 검정하려고 한다. 검정력을 0.8 이상 확보하기 위해 고려해야 할 사항으로 옳은 것 모두 고르시오."
• 계산/추론형: "표본 크기, α, 효과크기가 주어졌을 때 검정력이 어떻게 변하는지 추론하시오."

보건행정 실무 가이드 실무 시나리오 (Clinical Scenario): "병원 경영지원실에서 새로운 원무 처리 시스템 도입 후 직원 업무 효율이 향상되었는지 평가하려고 해요. 기존 시스템 대비 업무 처리 시간 단축 효과를 검정하기 위해 20명의 직원을 대상으로 시범 운영 후 데이터를 수집했지만, 통계적 검정 결과 유의미한 차이가 나지 않았어요(P-value > 0.05). 이때, '새 시스템은 효과가 없다'고 결론내리는 것이 적절할까요?"

행정 중재 전략 (Admin Intervention):
1. 상황 파악: 유의미한 차이(통계적 유의성)가 검출되지 않음.
2. 법적/규정 검토: 통계적 결론 도출 시 검정력 부족 가능성을 반드시 고려해야 하는 학계/연구계의 표준 가이드라인이 존재해요.
3. 대응 및 처리: 결과 해석 시, "효과가 없다는 증거"와 "효과를 검출할 증거가 부족하다"는 완전히 다른 결론이에요. 후자의 경우, 표본 크기(20명)가 너무 작아 검정력이 낮았을 가능성을 먼저 점검해야 해요. 사전 검정력 분석을 통해 필요한 표본 크기를 재산정하고, 추가 데이터 수집 또는 효과크기를 더 명확히 정의하는 방향으로 연구 설계를 수정할 수 있어요.
4. 사후 기록/보고: 결론 보고서에 "본 평가의 표본 크기(n=20)는 중간 정도의 효과크기를 검출하기에 검정력이 부족할 수 있으므로, 해석에 주의가 필요하다"는 제한점을 반드시 명시해야 해요.

법적 안전 및 주의사항 (Precautions): 검정력 부족 연구의 결과를 근거로 한 대규모 예산 투자 결정이나 시스템 전면 교체는 큰 리스크를 초래할 수 있어요. 보건행정가로서 데이터 기반 의사결정(Data-Driven Decision Making)을 할 때는 통계적 결과의 맥락과 한계를 정확히 이해하고 보고하는 것이 전문성과 책임이에요.

업무 프로토콜

단계	행동	참고 도구/개념
1. 연구 설계	주요 변수, 효과크기 예상치, α(보통 0.05) 설정	선행 연구 리뷰
2. 표본 크기 산정	원하는 검정력(보통 0.8), α, 효과크기로 필요 표본수(n) 계산	G*Power 등 소프트웨어 활용
3. 데이터 수집	계산된 n 이상의 표본 확보 노력	무작위 표집 추천
4. 분석 및 해석	유의성 검정 후, 검정력 사후 분석(Power Post-hoc) 고려	P-value와 신뢰구간(CI) 함께 보고

선배의 한마디 "통계는 숫자 놀음이 아니라, 불확실한 세상에서 합리적인 판단을 돕는 도구예요. 검정력 개념은 '우리가 얼마나 민감하게 진실을 찾아낼 수 있는가'를 수치화한 거죠. 보건행정 현장에서 데이터를 다룰 때, '결과가 나왔네'에서 멈추지 말고 '이 결과는 얼마나 믿을 만한가?', '더 나은 결론을 내리려면 무엇이 부족했나?'를 끊임없이 질문하는 습관을 들이세요. 그게 바로 전문 행정가의 자세입니다!"