두 변수 간의 선형 관계의 강도와 방향을 나타내는 지표로, -1부터 +1 사이의 값을 가지는 것은?

상관계수는 두 변수 간 선형 관계의 강도와 방향을 -1에서 +1 사이의 값으로 나타내는 지표이다.

보건행정 핵심 해설 이 문제는 보건통계학에서 가장 기초적이면서도 핵심적인 개념인 상관관계 분석의 지표를 묻고 있어요. 보건행정 및 의료정보 분석에서 데이터 간의 관계를 파악하는 것은 정책 효과 평가, 질병 위험요인 분석, 병원 경영 지표 간 연관성 파악 등에 필수적이죠. 핵심 개념 분석 (Key Concept): 문제의 핵심은 "두 변수 간 선형 관계의 강도와 방향"을 측정하는 지표입니다. 여기서 '강도'는 관계가 얼마나 밀접한지, '방향'은 한 변수가 증가할 때 다른 변수가 함께 증가하는지(정적), 감소하는지(부적)를 의미해요. 이러한 특성을 가장 잘 나타내는 통계량이 바로 상관계수(Correlation Coefficient)입니다. 정답 근거 (Answer Rationale): 핵심! 가장 널리 사용되는 피어슨 상관계수(r)는 정확히 -1부터 +1 사이의 값을 가집니다. r=1은 완벽한 양의 선형 관계, r=-1은 완벽한 음의 선형 관계, r=0은 선형 관계가 없음을 의미해요. 이 정의는 통계학의 기본 원리로, 보건통계 교재나 연구 방법론에서 반드시 등장하는 내용입니다. 오답 분석 (Distractor Analysis): - 혼동 주의! ①번 '결정계수(Coefficient of Determination, R²)'는 상관계수의 제곱값으로, 회귀 모형의 설명력을 나타냅니다. 값의 범위는 0~1이며, 방향성을 나타내지 않아요. - ②번 '공분산(Covariance)'은 두 변수의 연관성을 측정하지만, 값의 범위가 제한되어 있지 않아(-∞ ~ +∞) 관계의 '강도'를 표준화된 척도로 비교하기 어렵습니다. 상관계수는 공분산을 각 변수의 표준편차로 나누어 표준화한 값이에요. - ④번 '회귀계수(Regression Coefficient)'는 회귀 분석에서 독립변수가 종속변수에 미치는 평균적 영향력을 나타내며, 값의 범위에 제한이 없습니다. 방향은 알 수 있지만, 표준화되지 않아 강도의 직접적 비교는 어려워요. - ⑤번 '분산(Variance)'은 단일 변수의 변동성(흩어짐 정도)을 측정하는 지표로, 두 변수 간의 관계를 다루지 않습니다. 연관 개념 정리 (Related Concepts): 상관관계는 인과관계를 의미하지 않습니다. 두 변수가 강한 상관을 보여도, 제3의 변수(교란변수, Confounding Variable)의 영향일 수 있어요. 보건정책 분석 시 이를 구분하는 것이 매우 중요합니다. 또한, 피어슨 상관계수는 연속형 변수 간의 선형 관계만 측정합니다. 순위 자료나 비선형 관계에는 스피어만 순위상관계수 등을 사용해요.
개념 정리

용어	의미	값의 범위	주요 용도
상관계수(r)	두 변수 간 선형 관계의 강도와 방향	-1 ~ +1	위험요인-질병 간 연관성 분석
결정계수(R²)	회귀 모형의 설명력 (종속변수 변동 중 독립변수가 설명하는 비율)	0 ~ 1	정책/치료 효과 모형의 적합도 평가
공분산	두 변수의 변동이 함께 움직이는 경향	제한 없음	상관계수 계산의 기초 단계
회귀계수(β)	독립변수 1단위 변화에 따른 종속변수의 평균 변화량	제한 없음	의료비 영향요인 분석, 정책 효과량 추정

한눈에 비교!

비교 항목	상관 분석(Correlation)	회귀 분석(Regression)
목적	두 변수의 관계 존재 여부 및 강도 파악	변수 간의 인과적 영향력 예측 및 모형 구축
변수 역할	대칭적 (X와 Y 구분 없음)	비대칭적 (독립변수 X → 종속변수 Y)
핵심 지표	상관계수(r)	회귀계수(β), 결정계수(R²)
보건행정 적용 예	병상 수와 연간 입원환자 수의 연관성	의사 수 증가가 지역 건강 수준에 미치는 영향 예측

실무 포인트 의료기관의 품질 지표(Quality Indicator) 분석이나 경영 데이터 분석 시 상관계수를 자주 활용해요. 예를 들어, '간호사 1인당 담당 환자 수'와 '낙상 사고 발생률' 사이의 상관관계를 분석하여 적정 인력 배치 기준을 마련하는 데 사용할 수 있습니다. 다만, 앞서 말했듯 상관관계만으로 '인과'를 결론 내리면 안 되며, 반드시 추가 분석이나 전문가 검토가 필요합니다.
암기 팁 "상관은 선을 본다 (-1 ~ +1)" 라고 기억하세요! '상관'계수는 '선'형 관계를 측정하며, 값의 범위는 마이너스에서 플러스 1까지라는 뜻이에요.
국시 빈출 포인트 상관계수의 값의 범위(-1 ~ +1)와 혼동 주의! 결정계수(R²)와의 차이는 단골 출제 포인트입니다. 또한, "r=0.8"과 같은 수치가 주어졌을 때 관계의 강도(예: 강한 양의 상관)와 방향을 해석하는 문제도 자주 나와요.
기출 변형 주의! 이 개념은 계산 문제로 변형되어 출제될 수 있어요. 예: "공분산이 20, X의 표준편차가 5, Y의 표준편차가 4일 때 상관계수를 구하시오" (정답: r = 공분산 / (Sx * Sy) = 20/(5*4) = 1.0). 기본 공식을 꼭 익혀두세요.

보건행정 실무 가이드 실무 시나리오 (Clinical Scenario): "병원 기획팀에서 최근 3년간의 '월별 외래 환자 수'와 '월별 병원 총 매출액' 데이터를 분석하여, 환자 수 증가가 매출에 미치는 영향을 간단히 파악해 달라고 요청했습니다. 두 데이터의 추이를 한눈에 비교하고, 수치적 관계를 제시해야 합니다." 행정 중재 전략 (Admin Intervention): 1. 상황 파악: 두 변수(환자 수, 매출액) 모두 연속형 데이터입니다. 먼저 산점도(Scatter plot)를 그려 대략적인 선형 관계 여부를 확인해요. 2. 법적/규정 검토: 통계 분석 자체에 특별한 법적 제약은 없지만, 사용하는 데이터가 개인정보가 아닌 집계 데이터인지 확인해야 합니다(개인정보보호법 준수). 3. 대응 및 처리: 통계 소프트웨어(Excel, SPSS, R 등)를 이용해 피어슨 상관계수를 계산합니다. 예를 들어 r = 0.92가 나왔다면, "매우 강한 양의 상관관계가 있다"고 해석할 수 있어요. 이는 환자 수가 증가할수록 매출액도 증가하는 경향이 뚜렷함을 의미합니다. 4. 사후 기록/보고: 분석 결과(산점도, 상관계수 값, 해석)를 보고서로 작성하고, 핵심! "상관관계는 인과관계가 아님"을 명시하는 주의사항을 반드시 포함합니다. 환자 수 외에도 진료 단가, 입원 비율 등 다른 요인이 매출에 영향을 미칠 수 있기 때문이에요. 법적 안전 및 주의사항 (Precautions): 분석에 환자 개별 데이터를 사용해야 한다면, 반드시 익명화(Anonymization) 처리를 하거나 기관 내 IRB(연구윤리심의위원회, Institutional Review Board) 승인을 받아야 합니다. 부적절한 데이터 사용은 개인정보보호법 위반에 해당할 수 있어요.
업무 프로토콜 상관관계 분석 업무 흐름:
1. 분석 목적 및 변수 정의 → 2. 데이터 수집 및 정제(결측치 처리) → 3. 산점도 작성(시각적 확인) → 4. 상관계수 계산 → 5. 결과 해석 및 보고서 작성(한계점 명시)
선배의 한마디 "통계는 숫자에 숨겨진 이야기를 찾아내는 도구예요. 상관계수는 그중에서도 가장 쉽고 유용한 도구죠. 하지만 이 도구를 잘못 사용하면 엉뚱한 결론을 내리기 쉬워요. '상관 ≠ 인과'라는 마음가짐을 항상 가지고, 데이터를 바라보는 비판적 시각을 키우는 게 진짜 실력이에요. 보건행정가는 데이터를 다루는 법을 알아야 정책과 경영 결정을 과학적으로 뒷받침할 수 있답니다!"