다음 중 피어슨 상관계수를 계산하기 위한 기본 가정이 아닌 것은?

피어슨 상관계수는 두 변수 간의 연관성을 측정하는 것이므로, 변수 간 독립성은 가정사항이 아니다. 오히려 상관관계가 있다는 것은 독립적이지 않음을 의미한다.

보건행정 핵심 해설 이 문제는 보건통계학에서 가장 기본적이면서도 중요한 상관관계 분석의 원리를 묻고 있어요. 특히 피어슨 상관계수(Pearson correlation coefficient)를 올바르게 적용하기 위한 전제 조건을 이해하는 것은 연구 설계와 데이터 해석의 정확성을 위해 필수적이죠. 핵심 개념 분석 (Key Concept): 피어슨 상관계수(r)는 두 연속형 변수 간의 선형적 관계의 강도와 방향(-1 ~ +1)을 측정하는 지표예요. 이 계수를 계산하고 해석할 때는 몇 가지 중요한 통계적 가정(assumptions)이 필요해요. 이 가정들이 충족되지 않으면 계산된 상관계수는 왜곡되어 잘못된 결론을 이끌 수 있어요. 정답 근거 (Answer Rationale): 정답은 ④ '두 변수는 서로 독립적이어야 한다.'입니다. 핵심! 피어슨 상관계수는 두 변수 간의 연관성(association)을 측정하는 것이지, 독립성을 검정하는 도구가 아니에요. 오히려 상관계수가 0에 가까울수록 두 변수는 선형적으로 독립적이라고 해석할 수 있어요. 따라서 "독립적이어야 한다"는 것은 피어슨 상관계수의 가정이 아니라, 검정을 통해 확인하고자 하는 결과(귀무가설: ρ=0)에 가깝습니다. 피어슨 상관계수의 주요 가정은 변수의 특성(연속형), 관계의 형태(선형성), 데이터의 분포(정규성, 등분산성)에 관한 것입니다. 오답 분석 (Distractor Analysis):
혼동 주의! ① '두 변수는 연속형 변수여야 한다.'는 올바른 가정입니다. 피어슨 상관계수는 등간척도(interval scale)나 비율척도(ratio scale)와 같은 연속형 데이터에 적용됩니다. 서열척도나 명목척도 데이터에는 스피어만 상관계수(Spearman's rho) 등을 사용해야 해요.
② '두 변수 간의 관계는 선형적이어야 한다.'는 올바른 가정입니다. 피어슨 상관계수는 직선 관계를 측정합니다. 관계가 곡선적이라면 상관계수는 그 관계를 제대로 반영하지 못할 수 있어요.
③ '두 변수의 분포는 정규분포를 따라야 한다.'는 올바른 가정입니다. 엄밀히 말하면, 두 변수가 이변량 정규분포(bivariate normal distribution)를 따라야 한다는 가정이에요. 이 가정은 표본 크기가 충분히 크면 완화될 수 있지만, 기본적인 원칙입니다.
⑤ '이상치의 영향이 적어야 한다.'는 올바른 고려사항입니다. 피어슨 상관계수는 극단적인 이상치(outlier)에 매우 민감해요. 하나의 이상치가 전체 상관관계를 크게 왜곡시킬 수 있으므로, 분석 전에 이상치를 확인하고 처리하는 것이 중요해요. 연관 개념 정리 (Related Concepts): - 스피어만 상관계수(Spearman's rank correlation coefficient): 서열(순위) 데이터에 사용되거나, 비선형 관계를 분석할 때 사용됩니다. 피어슨의 정규성 가정이 필요하지 않아요. - 결정계수(Coefficient of determination, R²): 상관계수(r)의 제곱으로, 한 변수의 변동이 다른 변수로 설명되는 비율을 나타냅니다. - 공분산(Covariance): 두 변수가 함께 변하는 방향성을 나타내는 절대적 지표지만, 단위의 영향을 받아 해석이 어려워 표준화한 것이 상관계수입니다. 개념 정리

피어슨 상관계수(r)의 주요 가정	비고
1. 연속형 변수	등간척도 이상의 측정 수준
2. 선형 관계	산점도(Scatter plot)로 확인 가능
3. 정규성	각 변수의 분포 및 이변량 정규성
4. 등분산성	어느 X 값에서나 Y의 변동성이 일정
5. 독립적 관측치	한 쌍의 데이터가 다른 쌍에 영향을 주지 않음

한눈에 비교!

구분	피어슨 상관계수	스피어만 상관계수
데이터 유형	연속형 (정규분포 가정)	서열형 or 연속형 (비모수적)
관계 형태	선형(직선) 관계 측정	단조(monotonic) 관계 측정
이상치 영향	매우 민감함	상대적으로 덜 민감함
보건 분야 예시	나이와 혈압 수치의 관계	운동 강도 순위와 통증 감소 순위 관계

실무 포인트 보건행정이나 의료연구에서 데이터를 분석할 때는 항상 산점도를 먼저 그려보세요! 눈으로 확인하면 선형성, 이상치 유무를 직관적으로 파악할 수 있어요. 피어슨 상관계수를 보고 "인과관계"라고 해석하는 것은 큰 오류입니다. 상관관계는 인과관계를 함의하지 않는다(Correlation does not imply causation)는 원칙을 꼭 기억하세요. 예를 들어, 아이스크림 판매량과 익사 사고 건수가 높은 상관관계를 보인다 해서 아이스크림이 익사의 원인이라고 결론지을 수 없죠. 이는 더운 날씨라는 제3의 변수(교란변수, confounder)의 영향일 수 있어요. 암기 팁 피어슨 상관계수의 가정은 "연선정등독"이라고 외워볼까요?
연속형, 선형성, 정규성, 등분산성, 독립적 관측치. (단, '독'은 변수 간 독립이 아니라 관측치 간 독립임을 유의!) 국시 빈출 포인트 상관계수는 매년 1~2문제 꼴로 출제되는 고정 출제 영역이에요. 피어슨 vs 스피어만의 차이점, 상관계수의 범위와 해석(-1 ~ +1), 그리고 가장 중요한 "가정"을 묻는 문제가 많습니다. "독립성"이 가정이 아니라는 점을 명확히 구분해야 해요. 기출 변형 주의! 이 개념은 "다음 중 피어슨 상관계수와 스피어만 상관계수의 공통점/차이점으로 옳은 것은?" 같은 비교형으로, 또는 "이상치가 있을 때 더 적합한 상관계수는?" 같은 적용형 문제로 변형 출제될 수 있어요. 기본 개념을 탄탄히 이해하면 모든 변형에 대응할 수 있습니다.

보건행정 실무 가이드 실무 시나리오 (Clinical Scenario): "병원 기획팀에서 최근 1년간 외래 환자 수와 병원 매출액의 관계를 분석해 달라는 지시를 받았습니다. 데이터를 수집해 피어슨 상관계수를 계산해보니 r = 0.85로 매우 높게 나왔어요. 이 결과를 바탕으로 '외래 환자 수 증가가 매출 증가를 직접적으로 일으킨다'고 경영진에게 보고해도 될까요?" 행정 중재 전략 (Admin Intervention): 1. 상황 파악: 높은 상관계수(r=0.85)는 두 변수 간 강한 선형적 연관성이 있음을 보여줍니다. 2. 법적/규정 검토: 통계적 보고 시 윤리적 원칙에 따라 해석의 한계를 명시해야 합니다. 3. 대응 및 처리: 보고서에 반드시 다음 사항을 포함해야 합니다. - "이 분석은 상관관계를 보여줄 뿐, 인과관계를 증명하지 않습니다." - "매출 증가에는 외래 환자 수 외에도 교란변수 (예: 고가 수술 비율 증가, 건강보험 수가 인상, 경쟁 병원 폐업 등)의 영향이 있을 수 있습니다." - "보다 정확한 인과 추론을 위해서는 회귀 분석(Regression analysis) 등 추가 분석이 필요합니다." 4. 사후 기록/보고: 분석 방법(피어슨), 사용된 데이터 기간, 가정 검토 내용(산점도 확인 등)을 보고서 부록에 상세히 기록합니다. 법적 안전 및 주의사항 (Precautions): 연구 윤리 차원에서 통계 결과를 과장하거나 오해의 소지가 있게 보고하는 것은 문제가 될 수 있어요. 특히 보건의료 분야에서는 정책 결정의 근거로 사용될 수 있으므로 해석에 각별히 신중해야 합니다. 업무 프로토콜 상관관계 분석 시행 체크리스트 1. 데이터 수집: 동일한 대상, 동일한 기간의 두 연속형 변수 준비. 2. 탐색적 분석: 산점도 작성 → 선형성, 이상치 확인. 3. 가정 검토: 정규성 검정(Shapiro-Wilk test 등) 실시. 4. 계수 계산: 소프트웨어(SPSS, R, Excel)를 이용해 피어슨 or 스피어만 상관계수 선택 계산. 5. 유의성 검정: p-value 확인 (일반적으로 p < 0.05). 6. 결과 해석 및 보고: 계수 크기, 방향, 유의성, 해석의 한계를 포함한 보고서 작성. 선배의 한마디 "통계는 숫자 놀음이 아니라, 데이터 속에 숨은 이야기를 읽어내는 도구예요. 피어슨 상관계수 하나를 계산할 때도 '이 데이터는 가정을 충족할까?', '이 결과는 무엇을 의미하고, 무엇을 의미하지 않을까?'를 끊임없이 질문하는 습관이 진정한 데이터 리터러시(Data literacy)를 키워줍니다. 보건행정가는 정책과 경영 결정을 뒷받침할 증거를 만들어내는 사람이에요. 그 증거의 신뢰성은 이런 디테일한 이해에서 나온답니다!"