다중 선형회귀분석에서 새로운 독립변수를 추가했을 때, 수정된 결정계수(Adjusted R²)가 감소했다. 이는 무엇을 의미하는가?

수정된 결정계수는 변수 추가에 따른 패널티를 고려한다. 변수 추가 후 이 값이 감소했다면, 그 변수가 모형의 설명력을 충분히 높이지 못하고 자유도만 낮춘 것으로 해석되어 모형 적합도가 나빠졌음을 의미한다.

보건행정 핵심 해설 이 문제는 보건통계 및 연구방법론에서 핵심적인 회귀분석 모형 평가 지표인 수정된 결정계수(Adjusted R²)의 해석을 묻고 있어요. 병원 경영 분석, 의료 서비스 품질 평가, 보건정책 효과 분석 등에서 데이터 기반 의사결정을 할 때 반드시 이해해야 할 개념이죠. 핵심 개념 분석 (Key Concept) - 결정계수(R²): 회귀모형이 종속변수의 변동을 얼마나 잘 설명하는지 나타내는 지표로, 0에서 1 사이의 값을 가져요. 값이 1에 가까울수록 모형의 설명력이 높아요. - 수정된 결정계수(Adjusted R²): 일반 R²의 한계를 보완한 지표예요. R²는 독립변수를 무조건 추가하면 값이 증가하는 경향이 있어 혼동 주의! 과적합(Overfitting)의 위험이 있어요. 수정된 R²는 변수 추가에 따른 자유도 감소 패널티를 적용하여, 새 변수가 진정으로 설명력을 높이는지 평가해줘요. 정답 근거 (Answer Rationale) 핵심! 수정된 결정계수(Adjusted R²)는 **새로운 독립변수가 모형에 기여하는 설명력의 순수한 증가분**이 **변수 추가로 인한 자유도 감소 패널티**보다 클 때만 증가해요. 만약 이 값이 감소했다면, 새 변수가 추가된 비용(자유도 감소)에 비해 얻는 이득(설명력 증가)이 적다는 의미이며, 이는 전체적으로 모형의 예측 정확도나 일반화 능력이 저하되었다고 해석할 수 있어요. 따라서 모형의 적합도가 나빠졌다고 보는 것이 맞아요. 오답 분석 (Distractor Analysis) - ①번 '새 변수가 모형의 설명력을 유의미하게 향상시켰다': 일반 R²는 증가할 수 있지만, 수정된 R²가 감소했다면 통계적으로 유의미한 향상이 아니에요. 설명력 향상보다 자유도 손실이 더 크다는 뜻이죠. - ②번 '잔차의 정규성이 개선되었다': 수정된 R²의 변화는 잔차의 정규성과 직접적인 관련이 없어요. 잔차 분석은 별도의 검정(Durbin-Watson, Shapiro-Wilk 등)으로 확인해요. - ④번 '새 변수가 통계적으로 유의하지 않다': 혼동 주의! 매우 관련성 높은 설명이지만, 수정된 R² 감소의 **필수 충분 조건은 아니에요**. 통계적 유의성(p-value)과 수정된 R² 변화는 강한 상관관계가 있지만, 개념상 완전히 동일한 지표는 아니에요. - ⑤번 '다중 공선성이 해소되었다': 오히려 의미 없는 변수를 추가하면 다중 공선성(Multicollinearity)이 증가할 가능성이 높아요. 수정된 R² 감소는 공선성 해소를 의미하지 않아요. 연관 개념 정리 (Related Concepts) - AIC(Akaike Information Criterion)와 BIC(Bayesian Information Criterion): 모형 선택의 다른 지표로, 값이 작을수록 좋은 모형이에요. 이들도 변수 추가에 대한 패널티를 포함하고 있어 수정된 R²와 유사한 역할을 해요. - 과적합(Overfitting): 모형이 학습 데이터에 지나치게 맞춰져 새로운 데이터에 대한 예측력이 떨어지는 현상이에요. 수정된 R²는 이를 방지하는 데 도움을 줘요.
개념 정리

용어	정의	특징
결정계수 (R²)	회귀모형이 종속변수 변동을 설명하는 비율	변수 추가 시 항상 증가 또는 유지. 과적합 평가 불가.
수정된 결정계수 (Adjusted R²)	변수 개수(자유도)에 대해 보정한 R²	변수 추가 시 설명력 증가가 패널티보다 커야 증가. 모형 선택의 핵심 지표.
AIC / BIC	모형의 적합도와 복잡도를 동시에 고려한 정보 기준	값이 작을수록 좋은 모형. 예측 정확도에 초점.

한눈에 비교!

상황	R² 변화	수정된 R² 변화	해석
유용한 변수 추가	증가	증가	모형 적합도 향상. 변수 유지 권장.
쓸모없는 변수 추가	약간 증가	감소	모형 적합도 악화. 변수 제거 고려.
매우 유용한 변수 추가	크게 증가	크게 증가	모형 적합도 현저히 향상.

실무 포인트 보건행정 실무에서(예: 병원 재입원율 예측 모형 개발, 신규 의료 프로그램 효과 분석) 회귀분석을 할 때는 무조건 R²가 높은 모형을 선택하면 안 돼요. 수정된 R², AIC, BIC를 함께 보고, 교차검증(Cross-validation)을 통해 모형의 실제 예측력을 확인하는 절차가 필수적이에요. 의미 없는 변수를 많이 넣은 복잡한 모형은 해석이 어렵고 실용성이 떨어질 수 있어요.
암기 팁 "수정된 R², 올라가면 GOOD, 내려가면 BAD"라고 기억하세요. 변수를 추가했는데 수정된 R²가 내려갔다면, 그 변수는 모형에 해가 되는 '나쁜 변수'일 가능성이 높아요.
국시 빈출 포인트 보건의료정보관리사/병원행정사 시험에서는 통계 부분에서 수정된 R²의 정의와 해석이 단골 출제예요. R²와의 차이점, 변수 추가 시 어떤 변화가 일어나는지 묻는 문제가 많으니 개념을 확실히 이해해야 해요.
기출 변형 주의! - 계산형: R²와 수정된 R² 공식을 제시하고, 변수 개수와 표본 크기가 주어졌을 때 값을 계산하도록 할 수 있어요. - 사례형: "병원 만족도 조사 데이터로 회귀분석을 했더니 수정된 R²가 0.45에서 0.43으로 감소했다. 연구자의 다음 행동으로 가장 적절한 것은?" 같은 형태로 출제될 수 있어요.

보건행정 실무 가이드 실무 시나리오 (Clinical Scenario) "보건소에서 지역 주민의 당뇨병 관리 프로그램 효과를 분석하고 있어요. 초기 모형에는 '연령', '기초 혈당' 변수만 있었어요. 프로그램 참여 여부를 나타내는 새 변수('참여=1, 미참여=0')를 추가했더니, 일반 R²는 0.01만 올랐지만 수정된 R²는 오히려 0.02가 떨어졌어요. 이 결과를 어떻게 보고서에 해석하고, 프로그램 기획팀에 어떤 조언을 해야 할까요?" 행정 중재 전략 (Admin Intervention) 1. 상황 파악: 수정된 R² 감소는 새 변수(프로그램 참여)의 설명력이 기대만큼 크지 않음을 의미해요. 2. 법적/규정 검토: 통계적 유의성(p-value)을 반드시 확인해요. p-value가 0.05보다 크다면, 변수 자체가 통계적으로 유의하지 않다는 강력한 증거가 되죠. 3. 대응 및 처리: 보고서에는 "프로그램 참여 변수를 추가한 결과, 모형의 일반화 능력(수정된 R²)이 다소 저하되었습니다. 이는 현재 분석에서 프로그램 참여가 당뇨병 관리 결과를 설명하는 데 기여하는 바가 제한적일 수 있음을 시사합니다"라고 객관적으로 기술해요. 4. 조언: 프로그램 기획팀에는 "단순 참여 여부보다는 참여 강도(세션 출석률), 프로그램 내용 만족도, 교육 이수 시간 등 더 세분화된 변수를 수집하여 분석해볼 것을 제안합니다"라고 실용적인 피드백을 줄 수 있어요. 법적 안전 및 주의사항 (Precautions) 통계 분석 결과를 왜곡하거나 과장하여 보고하는 것은 연구 윤리 및 정책 결정에 심각한 오류를 초래할 수 있어요. 핵심! 수정된 R² 감소와 같은 부정적 결과도 솔직하게 보고하고, 그 원인을 탐색하는 것이 전문가의 자세예요.
업무 프로토콜 회귀모형 구축 및 평가 단계 1. 변수 후보 수집 및 이론적 근거 마련. 2. 초기 모형 적합 및 R², 수정된 R² 확인. 3. 새 변수 추가 후 수정된 R² 변화 방향 관찰. 4. 수정된 R² 감소 시: 해당 변수의 p-value, 표준화 계수(Beta) 등을 종합 평가. 5. 최종 모형 선정: 수정된 R², AIC/BIC, 교차검증 오차를 종합적으로 고려. 6. 결과 해석 및 보고서 작성: 통계적 유의성과 실질적 의미(Effect size)를 함께 설명.
선배의 한마디 "보건행정에서 데이터 분석은 결국 '더 나은 의사결정'을 위한 도구예요. 수정된 R²가 내려갔다고 해서 그 분석이 실패한 것은 아니에요. 오히려 '이 변수는 생각만큼 영향이 없구나'라는 소중한 통찰을 준 것이죠. 숫자에 휘둘리지 않고, 그 속에 담긴 보건 현장의 이야기를 읽어내는 것이 진짜 실력이에요!"