보건행정 핵심 해설
이 문제는 보건통계 및 연구 방법론에서 가장 기초적이면서도 중요한 개념인
상관계수(Correlation Coefficient)의 적용 조건을 묻고 있어요. 특히,
피어슨 상관계수(Pearson Correlation Coefficient)와
스피어만 상관계수(Spearman's Rank Correlation Coefficient)를 구분하는 핵심 포인트를 확인하는 문제예요.
핵심 개념 분석 (Key Concept)
상관계수는 두 변수 간의 관계 강도와 방향을 수치화한 지표예요. 하지만 모든 척도의 데이터에 동일한 상관계수를 쓰면 잘못된 결과가 나올 수 있어요.
핵심! 피어슨 상관계수는
연속형 변수(Continuous Variable) 간의
선형 관계(Linear Relationship)를 측정하기 위해 설계되었어요. 이는 계산 공식이 평균과 표준편차를 사용하기 때문에, 데이터가 등간척도(Interval Scale)나 비율척도(Ratio Scale)처럼 숫자 간의 간격과 비율에 의미가 있어야 정확한 해석이 가능하기 때문이에요.
정답 근거 (Answer Rationale)
정답은
②번 '등간척도 이상'이에요. 그 이유는 다음과 같아요.
1.
등간척도(Interval Scale): 온도(섭씨/화씨), IQ 점수, 리커트 척도(Likert Scale) 등 숫자 간의 차이(간격)에 의미가 있는 척도예요. 피어슨 상관계수 계산이 가능해요.
2.
비율척도(Ratio Scale): 키, 체중, 나이, 수입 등 절대적 영점(0)이 존재하고 비율 계산이 의미 있는 척도예요. 등간척도의 모든 속성을 포함하므로 당연히 피어슨 상관계수 적용이 가능해요.
따라서 "등간척도 이상"이라는 표현은 등간척도와 그보다 높은 측정 수준(비율척도)을 모두 포함하는 말이에요.
오답 분석 (Distractor Analysis)
혼동 주의! 다른 선택지들이 틀린 이유를 명확히 이해해야 해요.
- ①번 '비율척도만': 너무 제한적인 조건이에요. 등간척도 데이터(예: 만족도 점수)로도 피어슨 상관계수를 계산하는 연구는 매우 흔해요. 비율척도만 가능하다는 주장은 통계학적 원칙과 맞지 않아요.
- ③번 '서열척도': 서열척도(Ordinal Scale)는 순위만 매길 수 있는 척도(예: 성적 등급, 만족도 순위)예요. 서열척도 데이터 간의 관계를 분석할 때는
스피어만 상관계수를 사용해야 해요. 피어슨 상관계수를 사용하면 순위 정보의 왜곡이 발생할 수 있어요.
- ④번 '명목척도': 명목척도(Nominal Scale)는 범주를 구분하는 데만 사용되는 척도(예: 성별, 혈액형)예요. 숫자 자체에 크기나 순서의 의미가 없기 때문에 상관계수 계산 자체가 불가능해요. 이 경우에는 카이제곱 검정(Chi-square test) 등을 사용해 연관성을 분석해요.
- ⑤번 '어떤 척도라도 가능': 가장 큰 오류예요. 척도에 맞지 않는 통계 방법을 사용하면
핵심! 1종 오류(Type I Error, 가설을 잘못 채택)나 2종 오류(Type II Error, 가설을 잘못 기각)의 위험이 크게 증가해요. 연구의 타당성을 해치는 심각한 실수예요.
연관 개념 정리 (Related Concepts)
-
스피어만 상관계수(Spearman's rho): 서열척도(등간척도 데이터를 순위로 변환한 경우도 포함) 데이터에 사용하는 비모수적(Non-parametric) 상관계수예요.
-
측정 척도의 4가지 수준: 명목(Nominal) < 서열(Ordinal) < 등간(Interval) < 비율(Ratio) 순으로 정보량이 많아지고, 적용 가능한 통계 분석 방법도 다양해져요.
-
선형성(Linearity)과 정규성(Normality): 피어슨 상관계수를 제대로 해석하려면 두 변수 간 관계가 선형적이어야 하며, 이상적으로는 데이터가 정규분포를 따라야 해요(엄격한 조건은 아님).
개념 정리
| 구분 | 피어슨 상관계수 | 스피어만 상관계수 |
|---|
| 측정 대상 | 연속형 변수 간 선형 관계 | 서열(순위) 변수 간 단조 관계 |
| 필요 척도 | 등간척도 이상 | 서열척도 이상 |
| 계산 원리 | 공분산 / (표준편차의 곱) | 순위 데이터의 피어슨 계수 |
| 보건연구 예시 | 나이(비율)와 혈압(비율)의 관계 | 진료 만족도 순위(서열)와 재방문 의도 순위 관계 |
한눈에 비교!
| 측정 척도 | 특징 | 적용 가능한 통계(예시) |
|---|
| 명목척도 | 범주 분류 (성별, 질병 유무) | 빈도, 비율, 카이제곱 검정 |
| 서열척도 | 순위 부여 (통증 강도: 약함, 중간, 심함) | 중앙값, 스피어만 상관계수 |
| 등간척도 | 간격 의미 있음 (체온, 만족도 점수) | 평균, 표준편차, 피어슨 상관계수, t-검정 |
| 비율척도 | 절대적 영점 존재 (키, 체중, 진료 횟수) | 기하평균, 변동계수, 모든 매개변수 통계 |
실무 포인트
병원에서
의료의 질(Quality of Care) 연구나
환자 만족도 조사(Patient Satisfaction Survey)를 할 때, 수집한 데이터의 척도를 먼저 파악하는 것이 첫걸음이에요. 예를 들어, 리커트 5점 척도(1=매우 불만족 ~ 5=매우 만족)로 조사한 만족도 데이터는 엄밀히 말해 서열척도에 가깝지만, 통상적으로 등간척도로 가정하고 피어슨 상관계수를 사용하기도 해요. 하지만 이는 논란의 여지가 있으므로, 연구 설계 단계에서 통계 전문가와 상의하거나 보수적으로 스피어만 상관계수를 사용하는 것이 안전할 수 있어요.
암기 팁
"
피어슨은 등간부터, 스피어만은 서열부터"라고 외우세요! 또는 "피어슨은
연속형(Continuous) 친구, 스피어만은
순위형(Rank) 친구"라고 생각하면 쉽게 구분할 수 있어요.
국시 빈출 포인트
측정 척도와 적합한 통계 분석법을 연결하는 문제는
매년 빠지지 않고 출제되는 초고빈도 주제예요. 특히 피어슨 vs 스피어만, 카이제곱 검정의 적용 조건을 묻는 형태로 자주 나와요. 단순히 정의를 아는 수준을 넘어, "왜 그 통계 방법을 써야 하는가"에 대한 원리를 이해해야 변형 문제에도 대응할 수 있어요.
기출 변형 주의!
이 개념은 다음과 같이 변형되어 출제될 수 있어요.
1.
사례 적용형: "환자 100명의 나이와 수술 후 회복 기간 데이터를 분석하여 두 변수의 관계를 알아보고자 한다. 적합한 상관계수는?" → 나이와 기간은 모두 비율척도이므로 정답은 '피어슨 상관계수'.
2.
참/거짓 판단형: "명목척도 데이터에 피어슨 상관계수를 적용할 수 있다. (O/X)" → 당연히 X.
3.
다지선다 연결형: (측정 척도)와 (적용 통계법)을 짝지으시오.