더빈-왓슨(Durbin-Watson) 통계량은 주로 무엇을 검출하기 위해 사용되는가?

더빈-왓슨 통계량은 시계열 데이터나 순서가 있는 데이터에서 잔차들 간의 1차 자기상관(인접 관측치 간의 상관관계)이 존재하는지 여부를 검정하는 데 사용된다.

보건행정 핵심 해설 이 문제는 보건통계 및 병원 경영 데이터 분석에서 중요한 회귀분석 가정 검정 도구에 대한 이해를 묻고 있어요. 보건행정 현장에서는 질병 발생률 예측 모델, 병원 재정 예측, 의료 자원 수요 분석 등 다양한 데이터 분석에 회귀분석이 활용되며, 그 결과의 신뢰성을 검증하는 것이 매우 중요해요. 핵심 개념 분석 (Key Concept) 더빈-왓슨 통계량(Durbin-Watson statistic)은 회귀분석(Regression Analysis) 후 남은 잔차(Residuals)를 검토할 때 사용하는 대표적인 검정 통계량이에요. 회귀분석의 기본 가정 중 하나는 '잔차들이 서로 독립적이다(무상관성)'라는 점이에요. 더빈-왓슨 통계량은 특히 핵심! 시계열 데이터(Time Series Data)나 순서가 의미 있는 데이터에서 인접한 잔차들 사이에 자기상관(Autocorrelation)이 존재하는지(특히 1차 자기상관) 검정하는 데 사용돼요. 예를 들어, 월별 병원 방문자 수 데이터를 분석할 때, 이번 달 방문자 수가 지난달 방문자 수의 영향을 받는다면 잔차에 자기상관이 존재하게 되고, 이는 모델의 정확도를 떨어뜨려요. 정답 근거 (Answer Rationale) 정답은 ④ 잔차의 자기상관이에요. 더빈-왓슨 통계량(d)의 계산식은 인접한 잔차 간 차이의 제곱합을 잔차 제곱합으로 나눈 값으로, 이 값이 2에 가까우면 자기상관이 없고, 0에 가까우면 양의 자기상관, 4에 가까우면 음의 자기상관이 있다고 판단해요. 이는 통계학 교과서와 보건통계 관련 서적에 명확히 정의된 개념이에요. 오답 분석 (Distractor Analysis) 혼동 주의! 각 오답은 회귀분석의 다른 가정 위반을 검출하는 통계량이나 방법과 혼동하기 쉬운 포인트예요.
① 비선형성: 잔차 대 예측값 산점도를 통해 육안으로 확인하거나, 다항회귀/변수 변환을 통해 검토해요.
② 다중 공선성: 분산팽창지수(VIF, Variance Inflation Factor)나 상태지수(Condition Index)를 사용하여 검정해요.
③ 이상치의 존재: 표준화 잔차, Cook's distance, Leverage(지레점) 값을 계산하여 판단해요.
⑤ 이분산성: 잔차 대 예측값 산점도를 보거나, 브로슈-패간 검정(Breusch-Pagan test), 화이트 검정(White test) 등을 사용해요. 연관 개념 정리 (Related Concepts) 회귀분석의 4대 기본 가정(선형성, 독립성, 등분산성, 정규성)과 각 가정 위반을 검정하는 방법을 함께 정리하는 것이 좋아요. 보건행정 데이터(예: 지역별 의사 수와 평균 수명 데이터)를 분석할 때 이러한 검정을 통해 모델의 타당성을 확보해야 정책 제안의 근거가 강해져요. 개념 정리

용어	의미	검정 방법/통계량
잔차의 자기상관	인접한 관측치의 잔차들이 서로 상관관계를 갖는 현상	더빈-왓슨 통계량
다중 공선성	독립변수들 사이에 강한 상관관계가 존재하는 현상	분산팽창지수(VIF)
이분산성	잔차의 분산이 일정하지 않고 특정 패턴을 보이는 현상	브로슈-패간 검정
정규성 위반	잔차의 분포가 정규분포를 따르지 않는 현상	Q-Q Plot, 샤피로-윌크 검정

한눈에 비교!

검정 대상	주요 통계량/방법	판단 기준 (예시)
자기상관	더빈-왓슨 통계량(d)	d ≈ 2: 무상관, d → 0: 양의 상관, d → 4: 음의 상관
다중공선성	분산팽창지수(VIF)	VIF > 10: 심각한 공선성 존재
이분산성	브로슈-패간 검정(BP test)	p-value < 0.05: 이분산성 존재

실무 포인트 병원 경영분석팀이나 기획팀에서 월별 매출, 신규 환자 수, 재원일수 등의 시계열 데이터를 회귀분석하여 다음 분기 예산을 편성하거나 인력 배치 계획을 수립할 때, 반드시 더빈-왓슨 검정을 수행해야 해요. 자기상관이 발견된다면 시차변수를 모델에 추가하거나, 시계열 전용 분석 방법(ARIMA 모델 등)을 고려해야 정확한 예측이 가능해져요. 암기 팁 "더빈-왓슨은 자기를 상관시킨다"라고 연상하세요. '자기상관'이라는 키워드와 강하게 연결지어 기억할 수 있어요. 다른 검정 방법들은 각각 VIF(공선성), BP(이분산성) 등 영어 약자와 연결되어 있으니 대비해서 외우면 좋아요. 국시 빈출 포인트 보건의료정보관리사/병원행정사 시험에서는 핵심! 더빈-왓슨 통계량의 용도(자기상관 검정)를 직접 묻는 단순 지식 문제가 가장 흔하게 출제돼요. 간혹 회귀분석 가정과 검정 방법을 매칭시키는 형태로도 나올 수 있어요. 기출 변형 주의! 동일한 개념을 다음과 같이 변형하여 출제될 수 있어요: - "시계열 데이터의 회귀분석에서 잔차의 독립성 가정을 검정하기 위한 통계량은?" → 정답: 더빈-왓슨 통계량 - "다중 공선성을 검정하는 지표로 옳은 것은?" → 정답: 분산팽창지수(VIF) (더빈-왓슨이 오답으로 등장)

보건행정 실무 가이드 실무 시나리오 (Clinical Scenario) "병원 기획팀에서 최근 5년간의 월별 응급실 내원 환자 수 데이터를 수집했습니다. 이 데이터를 바탕으로 내년도 응급실 인력 및 장비 투자 계획을 수립하기 위해, 계절(월)을 독립변수로 하고 내원 환자 수를 종속변수로 하는 회귀분석을 실시했어요. 분석 결과, 결정계수(R²)는 높게 나왔지만, 더빈-왓슨 통계량 값이 0.8로 계산되었습니다. 이 결과는 무엇을 의미하며, 기획팀은 다음에 어떤 분석을 고려해야 할까요?" 행정 중재 전략 (Admin Intervention) 1. 상황 파악: 더빈-왓슨 통계량(d)이 2보다 현저히 작은 0.8로 나왔습니다. 이는 강한 양의 자기상관이 존재함을 의미해요. 즉, 이번 달 응급실 환자 수가 많으면 다음 달에도 많을 가능성이 높다는 패턴이 잔차에 남아 있다는 뜻이에요. 2. 법적/규정 검토: 통계적 모델의 가정 위반 자체는 법적 문제는 아니지만, 잘못된 모델을 근거로 한 예측은 비합리적인 자원 배분을 초래하여 병원 경영상의 손실을 유발할 수 있어요. 3. 대응 및 처리: - 핵심! 현재의 단순 회귀모델을 그대로 사용해서는 안 됩니다. - 시계열 분석 전용 기법인 ARIMA(AutoRegressive Integrated Moving Average) 모델을 적용하는 것을 고려해야 해요. - 또는, 회귀모델에 시차변수(Lagged Variable)(예: 지난달 환자 수)를 추가하여 자기상관을 모델 내부에서 설명하도록 할 수 있어요. 4. 사후 기록/보고: 분석 보고서에 "기본 회귀분석 가정 중 독립성 가정이 위반되어(d=0.8) 자기상관이 존재함을 확인하였으며, 이에 따라 ARIMA 모델을 추가로 적용하여 예측 정확도를 높임"이라고 명시해야 해요. 법적 안전 및 주의사항 (Precautions) 데이터 분석 결과를 공식 보고서나 정책 제안서에 사용할 때는 사용한 통계 방법의 가정과 그 검정 결과를 반드시 명시해야 해요. 가정을 무시한 채 결과만 제시하는 것은 전문성 결여로 비춰질 수 있으며, 이로 인한 잘못된 결정에 대한 책임 소지가 있을 수 있어요. 업무 프로토콜 시계열 데이터 회귀분석 프로토콜 1. 데이터 수집 및 정제 → 2. 탐색적 데이터 분석(EDA) 및 시각화 → 3. 회귀모델 적합 → 4. 가정 검정(필수!): - 정규성(Q-Q Plot) - 등분산성(잔차 vs. 적합값 Plot) - 독립성(더빈-왓슨 검정) - (필요시) 다중공선성(VIF) 5. 가정 위반 시 대체 모델 탐색(시계열 모델, 변수 변환 등) → 6. 최종 모델 선정 및 해석 → 7. 보고서 작성 선배의 한마디 "보건행정에서 데이터는 '숫자'가 아니라 '의사결정의 근거'예요. 더빈-왓슨 검정 같은 통계적 검증 과정은 그 근거의 신뢰성을 담보하는 '품질 검사'와 같아요. 검사를 생략하고 부품을 조립하면 언젠가 큰 문제가 생기듯이, 가정 검정 없이 분석 모델을 사용하면 잘못된 정책으로 이어질 수 있어요. 통계의 원리를 이해하면 데이터에 대한 확신을 가지고 업무를 수행할 수 있을 거예요!"