회귀분석에서 오차항의 등분산성 가정이 위배된 상태를 무엇이라고 하는가?

이분산성은 오차항의 분산이 관측치마다 달라지는 현상으로, 회귀계수 추정치의 효율성을 떨어뜨리고 표준오차 추정을 왜곡시킬 수 있다.

보건행정 핵심 해설 이 문제는 보건통계학 및 병원 경영 데이터 분석에서 핵심적인 회귀분석(Regression Analysis)의 기본 가정과 그 위반 사례를 묻고 있어요. 특히, 핵심! 통계적 모델의 신뢰성을 판단하는 중요한 기준인 오차항(Error Term)의 가정을 이해해야 해요. 핵심 개념 분석 (Key Concept): 회귀분석은 독립변수(X)가 종속변수(Y)에 미치는 영향을 추정하는 통계 기법이에요. 이때, 추정치의 타당성과 효율성을 보장하기 위해 오차항에 대한 몇 가지 기본 가정(Classical Linear Regression Model Assumptions)이 필요해요. 그 중 하나가 바로 등분산성(Homoscedasticity)이에요. 이는 모든 관측치에서 오차항의 분산이 일정하다는 가정이에요. 정답 근거 (Answer Rationale): 정답은 ③ 이분산성(Heteroscedasticity)이에요. 핵심! '등분산성' 가정이 위배되었다는 것은, 오차항의 분산이 관측치마다 다르다는 것을 의미하며, 이를 통계학 용어로 '이분산성'이라고 불러요. 예를 들어, 병원의 월별 수익을 예측하는 모델에서, 규모가 큰 병원(고수익)의 예측 오차 분산이 작은 병원의 그것과 다를 수 있어요. 이는 최소제곱법(OLS)으로 추정한 회귀계수는 여전히 불편추정량(Unbiased Estimator)일 수 있지만, 효율성이 떨어지고 표준오차(Standard Error) 추정이 왜곡되어 가설 검정의 신뢰도를 해칠 수 있어요. 오답 분석 (Distractor Analysis):
혼동 주의! ①번 '다중공선성(Multicollinearity)'은 독립변수들 간에 높은 상관관계가 존재하여, 각 변수의 개별 효과를 분리해 추정하기 어려워지는 현상이에요. 등분산성과는 다른 개념의 가정 위반이에요.
②번 '자기상관(Autocorrelation)'은 시계열 데이터에서 주로 발생하며, 시간상 인접한 관측치들의 오차항끼리 상관관계를 갖는 현상이에요. 공간적 데이터에서도 발생할 수 있어요.
④번 '정규성 위배(Non-normality)'는 오차항의 분포가 정규분포를 따르지 않는 경우를 말해요. 표본 크기가 충분히 크면 중심극한정리(Central Limit Theorem)에 의해 어느 정도 극복될 수 있어요.
⑤번 '이상치(Outlier)'는 다른 관측치들과 현저히 다른 값을 가진 데이터 포인트로, 회귀선에 과도한 영향을 미쳐 모형을 왜곡시킬 수 있어요. 이분산성을 유발할 수도 있지만, 동일한 개념은 아니에요. 연관 개념 정리 (Related Concepts): 회귀분석의 주요 가정은 선형성, 독립성, 등분산성, 정규성이에요. 보건행정 현장에서는 병원 성과 지표 분석, 의료비 예측 모형, 역학 연구 등 다양한 분야에서 회귀분석이 활용되므로, 이러한 가정 위반을 진단하고(예: 잔차도(Residual Plot) 검토) 대처하는 방법(예: 가중최소제곱법(Weighted Least Squares), 변수 변환)을 알아두는 것이 중요해요. 개념 정리

용어	의미	주요 영향
등분산성(Homoscedasticity)	모든 관측치에서 오차항의 분산이 일정함.	효율적인 최소제곱추정량(OLS Estimator) 보장.
이분산성(Heteroscedasticity)	오차항의 분산이 관측치마다 다름. (등분산성 위반)	표준오차 추정 왜곡 → 가설 검정 신뢰도 하락.
다중공선성(Multicollinearity)	독립변수들 간 강한 상관관계 존재.	계수 추정 불안정, 분산 증가, 개별 효과 해석 어려움.
자기상관(Autocorrelation)	시계열에서 인접 오차항 간 상관관계 존재.	표준오차 과소 추정 → 유의성 과대 평가.

실무 포인트 병원 경영 데이터(예: 입원일수, 의료비, 환자 만족도 점수)를 회귀분석할 때는 잔차 분석(Residual Analysis)을 꼭 수행해야 해요. 산점도(Scatter Plot)나 잔차도를 통해 이분산성 패턴(예: 깔때기 모양)을 눈으로 확인할 수 있어요. 발견 시, 로그 변환(Log Transformation)이나 강건 표준오차(Robust Standard Errors) 사용을 고려해요. 보건행정사/정보관리사 국가고시에서는 통계 기법의 원리와 적용 조건을 묻는 문제가 꾸준히 출제되니, 용어 정의와 영향력을 명확히 구분해 두세요. 암기 팁 "등분산"은 "분산이 동등하다"는 뜻이에요. 이것이 깨지면 "이분산", 즉 "분산이 다르다"는 뜻이에요. "Homo-"는 '같은', "Hetero-"는 '다른'이라는 그리스어 접두사에서 왔어요. Homoscedasticity vs Heteroscedasticity! 국시 빈출 포인트 회귀분석 가정 위반 유형을 직접적으로 묻는 기본 문제가 자주 나와요. 각 위반 현상의 정의와 그것이 회귀분석 결과에 미치는 주요 영향(예: 효율성 감소, 표준오차 왜곡 등)을 짝지어 출제되는 패턴을 익히세요.

보건행정 실무 가이드 실무 시나리오 (Clinical Scenario): "병원 기획팀에서 지역 내 요양병원(Skilled Nursing Facility)의 월 평균 입원 환자 수를 예측하는 모델을 개발 중이에요. 독립변수로 병상 수, 전문의 수, 지역 노인 인구 비율 등을 사용했어요. 분석 후 잔차도를 확인했더니, 병상 수가 적은 소규모 병원들의 잔차는 좁게 분포하는 반면, 대규모 병원들의 잔차는 매우 넓게 퍼져 있는 패턴이 관찰되었어요." 행정 중재 전략 (Admin Intervention): 1. 상황 파악: 이는 전형적인 이분산성 징후입니다. 규모(병상 수)가 커질수록 예측 오차의 변동성(분산)도 함께 커지는 현상이에요. 2. 법적/규정 검토: 통계적 모델 자체에 대한 법규는 없지만, 보고서나 정책 제안서에 사용된 분석 결과의 신뢰성은 매우 중요해요. 왜곡된 표준오차로 인해 잘못된 결론(예: 특정 변수가 유의미하다고 잘못 판단)을 내릴 수 있어요. 3. 대응 및 처리: - 데이터 변환: 종속변수(입원 환자 수)에 로그(Log) 변환을 적용해 분산을 안정화시켜 볼 수 있어요. - 모형 수정: 규모의 효과를 명시적으로 반영하기 위해 '병상 수' 변수를 사용한 가중최소제곱법(WLS)을 고려해요. - 강건한 추정: 최종 보고 시, 이분산성에 강건한 표준오차(Heteroscedasticity-robust standard errors, 예: White standard errors)를 사용하여 회귀계수의 유의성을 재검토해야 해요. 4. 사후 기록/보고: 분석 보고서에 사용된 방법론, 발견된 이분산성 문제, 그리고 이를 해결하기 위해 취한 조치(예: "로그 변환 후 강건 표준오차 사용")를 명시적으로 기록해야 해요. 이는 분석의 투명성과 신뢰성을 높이는 중요한 부분이에요. 법적 안전 및 주의사항 (Precautions): 보건의료 데이터 분석은 개인정보보호법(Personal Information Protection Act, PIPA) 준수가 최우선이에요. 통계 모델링을 위해 개인 식별 정보가 포함된 원본 데이터를 사용할 때는 반드시 익명화(Anonymization) 또는 가명화(Pseudonymization) 처리를 해야 해요. 잘못된 통계 분석 결과를 근거로 한 경영 의사결정은 병원 자원의 비효율적 배분으로 이어질 수 있어 주의해야 해요. 업무 프로토콜 회귀분석 모델 검증 단계: 1. 모델 적합: 기본 OLS 회귀분석 수행. 2. 가정 진단: 잔차도, VIF(다중공선성 지표), 정규 확률도(Normal Q-Q Plot) 등을 통한 가정 위반 검토. 3. 문제 식별: 이분산성 등 특정 문제 패턴 확인. 4. 조치 적용: 변수 변환, 모형 수정, 강건 추정법 도입. 5. 결과 보고: 최종 모형, 조치 내역, 해석 및 한계점 명시. 선배의 한마디 "통계는 숫자 뒤에 숨은 이야기를 읽는 도구예요. 이분산성 같은 '가정 위반'은 모델이 우리 데이터의 현실을 제대로 반영하지 못하고 있다는 신호일 뿐이에요. 두려워하지 말고, 왜 그런 패턴이 생겼는지 데이터의 맥락(예: 병원 규모의 차이)을 생각해보세요. 그 과정에서 오히려 업무에 대한 더 깊은 통찰을 얻을 수 있을 거예요!"