스피어만 순위 상관계수는 주로 어떤 경우에 사용하는가?

스피어만 상관계수는 비모수적 방법으로, 원자료가 순위척도이거나 정규성 가정을 만족하지 않을 때 두 변수 간 단조 관계(monotonic relationship)를 평가한다.

보건행정 핵심 해설 이 문제는 보건통계학에서 사용하는 상관분석 기법 중 스피어만 순위 상관계수(Spearman's rank correlation coefficient)의 적용 조건을 묻고 있어요. 보건행정 현장에서는 설문조사 데이터(만족도 순위) 분석, 의료 서비스 평가 지표 비교 등 비모수적(non-parametric) 상황에서 자주 활용되는 중요한 개념이에요. 핵심 개념 분석 (Key Concept) 상관계수는 두 변수 간의 관계 강도와 방향을 -1에서 +1 사이의 값으로 나타내요. 가장 널리 알려진 피어슨 상관계수(Pearson correlation coefficient)는 두 변수가 등간척도 이상이며 정규분포를 따른다는 강한 가정이 필요해요. 반면, 스피어만 상관계수는 데이터의 원래 값을 순위(rank)로 변환하여 상관을 계산하는 비모수적 방법이에요. 따라서 정규성 가정이 필요 없고, 순위척도(Ordinal scale) 데이터나 연속형 데이터라도 정규분포를 따르지 않을 때 유용하게 사용할 수 있어요. 정답 근거 (Answer Rationale) 핵심! 정답인 ④번 "두 변수가 순위척도이거나 정규분포를 따르지 않을 때"는 스피어만 상관계수의 가장 정확한 정의와 적용 조건을 담고 있어요. 이는 통계학 교과서와 보건통계 표준 지침에 명시된 내용이에요. 스피어만 계수는 데이터의 실제 값이 아닌 순위에 기반하여 계산되므로, 측정 수준이 낮은 순위척도 데이터나 정규분포를 충족하지 못하는 데이터를 분석할 때 피어슨 계수 대신 사용하는 표준 방법이죠. 오답 분석 (Distractor Analysis) ① 혼동 주의! "표본 크기가 매우 클 때만 사용할 때": 표본 크기와는 무관해요. 오히려 표본이 작을 때 정규성 검정이 어려워 비모수 방법인 스피어만 계수를 선호하는 경우가 많아요. ② "두 명목변수(Nominal variable) 간의 관계를 측정할 때": 명목변수(예: 혈액형, 성별)는 범주 간 순서가 없어 순위를 매길 수 없어요. 명목변수 간 관계는 카이제곱 검정(Chi-square test) 등을 사용합니다. ③ "시간에 따른 변화율을 비교할 때": 시간에 따른 변화를 분석하는 것은 시계열 분석(time series analysis)의 영역이며, 스피어만 계수의 주된 용도가 아니에요. ⑤ "두 변수 간의 인과관계를 입증할 때": 혼동 주의! 모든 상관계수(피어슨, 스피어만 포함)는 관계의 강도를 나타낼 뿐, 인과관계(causality)를 입증하지는 않아요. 인과관계를 주장하려면 실험 설계나 추가적인 통제가 필요해요. 연관 개념 정리 (Related Concepts) - 피어슨 vs 스피어만: 피어슨은 선형 관계(linear), 스피어만은 단조 관계(monotonic, 한 방향으로 증가/감소)를 측정해요. - 켄달의 타우(Kendall's tau): 또 다른 비모수 순위 상관계수로, 동순위(tie)가 많은 데이터에 더 강건(robust)하다는 특징이 있어요. - 적용 예시: 병원 만족도 설문(1~5점 리커트 척도는 순위척도로 간주)과 재이용 의도 순위의 관계, 의료진 경력 연수와 업무 성과 평가 순위의 관계 분석 등. 개념 정리

구분	피어슨 상관계수	스피어만 순위 상관계수
데이터 요구 조건	등간/비율척도, 정규분포, 선형 관계	순위척도 또는 정규분포 불필요
계산 기반	원자료(raw data)의 공분산/표준편차	자료의 순위(rank) 값
측정 관계	선형 관계(Linear)	단조 관계(Monotonic)
통계 방법 분류	모수적(Parametric)	비모수적(Non-parametric)
보건행정 적용 예	나이와 혈압 수치(정규분포 가정 하)의 관계	진료 만족도 순위와 병원 추천도 순위의 관계

실무 포인트 보건행정이나 병원 경영 연구에서 설문조사 데이터는 대부분 리커트 척도(5점 척도 등)로 수집돼요. 통계적으로 이는 순위척도에 가깝고 정규분포를 가정하기 어려운 경우가 많아요. 따라서 만족도, 인식도, 중요도 평가 점수들 간의 관계를 분석할 때는 스피어만 상관계수를 기본으로 고려해야 해요. SPSS나 R 같은 통계 프로그램에서 "상관분석" 메뉴를 선택할 때 "피어슨"과 "스피어만"을 구분하여 선택하는 것이 바로 이 이유에서에요. 암기 팁 "스피어만은 순위man"이라고 기억하세요! 이름에 '순위'가 들어가지 않지만, '스피어맨'을 '순위맨'으로 연상하면, 이 계수가 순위(Rank)를 다루는 전문가라는 점을 쉽게 떠올릴 수 있어요. 국시 빈출 포인트 보건의료정보관리사 시험에서는 핵심! 피어슨 vs 스피어만 vs 켄달 타우의 적용 조건 비교가 단골 출제예요. 특히 "정규분포를 따르지 않는 데이터", "순위로 측정된 데이터", "비모수적 방법"이라는 키워드가 보이면 스피어만을 바로 떠올려야 해요. 기출 변형 주의! 이 개념은 다음과 같이 변형 출제될 수 있어요: - 사례형: "의료서비스 만족도(매우 불만족 1점 ~ 매우 만족 5점)와 병원 재방문 의사(전혀 아니다 1점 ~ 매우 그렇다 5점) 간 관계를 분석하기에 가장 적합한 상관계수는?" → 정답: 스피어만 순위 상관계수. - 오개념 확인형: "스피어만 상관계수는 인과관계를 증명한다. (O/X)" → 정답: X.

보건행정 실무 가이드 실무 시나리오 (Clinical Scenario) 병원 기획팀에서 신규 도입한 전자간호기록 시스템(ENRS)의 사용 편의성에 대한 간호사 설문조사(5점 척도)를 실시했어요. 동시에 같은 간호사들을 대상으로 시스템 도입 전후의 업무 처리 시간 효율성 향상 정도를 순위(1등~50등)로 매겼어요. 이 두 데이터(편의성 점수 vs 효율성 순위) 사이에 유의미한 관계가 있는지 분석하여 시스템 개선 방향을 도출해야 해요. 행정 중재 전략 (Admin Intervention) 1. 상황 파악: 두 변수 모두 정규분포를 따를 것이라는 보장이 없어요. 편의성 점수는 주관적 설문 점수(순위척도 성격), 효율성 순위는 명백한 순위척도입니다. 2. 법적/규정 검토: 통계 분석 지침에 따르면, 이러한 조건에서는 모수적 검정(피어슨)의 가정이 위배될 수 있어 결과 해석에 오류를 초래할 수 있어요. 3. 대응 및 처리: 통계 소프트웨어에서 상관분석을 실행할 때 스피어만 순위 상관계수를 선택하여 분석을 수행해요. 예를 들어 계수(r_s)가 +0.7로 나왔다면, "시스템을 편리하다고 느낄수록 업무 효율성 순위도 높아지는 강한 단조 상관관계가 있다"고 해석할 수 있어요. 4. 사후 기록/보고: 분석 보고서에 "정규성 가정을 만족하지 않아 비모수적 방법인 스피어만 순위 상관계수를 사용하였다"는 근거를 명시해야 해요. 이는 보고서의 신뢰성과 전문성을 높이는 핵심 포인트에요. 법적 안전 및 주의사항 (Precautions) 연구 결과를 발표하거나 보고할 때, 사용한 통계 방법의 가정을 충족하지 못했다면 그 결과는 통계적 오류로 이어질 수 있어요. 이는 잘못된 경영 결정(예: 효과 없는 시스템에 대한 추가 투자)으로 이어져 재정적 손실을 초래할 수 있어요. 항상 데이터의 속성(척도, 분포)을 먼저 확인한 후 적절한 분석 방법을 선택하는 습관이 필요해요. 업무 프로토콜 상관분석 방법 선택 프로토콜 1. 1단계: 변수 척도 확인 - 명목/순위/등간/비율? 2. 2단계: 정규성 검정 - 샤피로-윌크 검정(Shapiro-Wilk test) 또는 Q-Q plot 확인. 3. 3단계: 방법 선택 - 두 변수 모두 등간/비율척도 & 정규분포 O → 피어슨 상관계수. - 두 변수 중 하나라도 순위척도이거나 정규분포 X → 스피어만 순위 상관계수. - 데이터에 동순위가 매우 많을 경우 → 켄달의 타우 고려. 4. 4단계: 결과 해석 및 보고 - 상관계수 값과 p-value(유의확률)를 함께 보고, 인과관계 주의. 선배의 한마디 "보건행정에서 데이터는 우리의 눈이자 무기예요. 하지만 그 데이터를 분석하는 방법을 잘못 고르면, 오히려 잘못된 길로 안내하는 안개가 될 수 있어요. '스피어만'이라는 도구는 정규분포라는 까다로운 길이 아닌, '순위'라는 더 넓은 들판에서 관계를 찾고자 할 때 꺼내드는 믿음직한 나침반이에요. 기본 가정을 확인하는 습관, 이것이 바로 데이터 리터러시(Data Literacy)의 시작이랍니다!"