다중 선형회귀분석에서 모형의 적합도를 평가하는 지표로 가장 적절하지 않은 것은?

독립변수의 개수 자체는 모형 적합도를 평가하는 지표가 아니다. 수정된 결정계수, F-통계량, AIC 등은 모형의 설명력과 간명성을 평가하는 지표이다.

보건행정 핵심 해설 이 문제는 보건통계학과 연구방법론의 핵심인 회귀분석에서, 모형의 성능을 평가하는 다양한 지표를 구분하는 능력을 묻고 있어요. 보건행정 현장에서는 정책 효과 분석, 의료비 예측 모델링, 병원 경영 지표 분석 등에 회귀분석이 널리 활용되므로, 어떤 지표가 모델 평가에 적합한지 이해하는 것이 매우 중요해요. 핵심 개념 분석 (Key Concept) 다중 선형회귀분석(Multiple Linear Regression)은 여러 개의 독립변수(X)가 하나의 종속변수(Y)에 미치는 영향을 분석하는 통계 기법이에요. 여기서 핵심!은 분석 후 얻은 모형이 데이터를 얼마나 잘 설명하는지, 즉 '적합도(Goodness of Fit)'를 평가해야 한다는 점이에요. 적합도 평가 지표는 크게 두 가지 관점에서 나뉘어요: 1) 모형의 설명력(Explanatory Power)을 평가하는 지표, 2) 모형의 간명성(Parsimony)과 예측 정확도를 종합 평가하는 지표. 정답 근거 (Answer Rationale) 정답은 ③ 독립변수의 개수입니다. 독립변수의 개수는 모형을 구성하는 '입력 요소'의 수일 뿐, 그 모형이 데이터에 얼마나 잘 맞는지를 직접적으로 평가하는 '지표'가 될 수 없어요. 오히려 변수를 무분별하게 추가하면 혼동 주의! 과적합(Overfitting)이 발생해 표본 내에서는 설명력이 높아 보이지만, 새로운 데이터에 대한 예측력은 떨어질 수 있어요. 따라서 변수 개수 자체는 평가 기준이 아니라, 평가 시 고려해야 할 '요인' 중 하나에 불과해요. 오답 분석 (Distractor Analysis) ① 수정된 결정계수(Adjusted R-squared): 결정계수(R-squared)는 모형이 종속변수의 변동을 얼마나 설명하는지 보여주는 지표예요. 하지만 변수를 추가하면 R-squared는 무조건 증가하는 문제가 있어요. 수정된 결정계수는 변수의 개수(모형의 복잡도)를 고려하여 조정한 값으로, 불필요한 변수를 추가할 경우 오히려 감소하기 때문에 모형 비교에 더 유용한 지표예요.
② 잔차제곱합(Residual Sum of Squares, RSS): 관측값과 모형이 예측한 값의 차이인 '잔차'를 제곱하여 모두 더한 값이에요. 이 값이 작을수록 모형이 데이터에 잘 적합되었다고 평가할 수 있어요. 모형 적합도를 평가하는 기본적인 지표 중 하나입니다.
④ AIC(Akaike Information Criterion): '아카이케 정보 기준'이라고 불리며, 모형의 적합도와 간명성(변수 개수에 따른 패널티)을 동시에 고려해요. AIC 값이 작을수록 더 좋은 모형으로 평가됩니다. 예측 정확도를 중시하는 모형 선택에서 널리 쓰여요.
⑤ F-통계량(F-statistic): 회귀모형 전체의 유의성을 검정하는 지표예요. '모든 독립변수의 계수가 0이다(즉, 모형이 의미 없다)'는 귀무가설을 검정합니다. F-통계량이 크고 p-value가 작을수록 모형 전체가 통계적으로 유의미하다고 판단할 수 있어요. 연관 개념 정리 (Related Concepts) - BIC(Bayesian Information Criterion): AIC와 유사하지만, 표본 크기에 더 큰 패널티를 주는 모형 선택 기준이에요. - MSE(Mean Squared Error) & RMSE(Root MSE): 잔차제곱합을 표본 수로 나눈 평균제곱오차와 그 제곱근으로, 예측 오차의 평균 크기를 해석하기 쉬운 단위로 나타냅니다. - 다중공선성(Multicollinearity): 독립변수들 간에 높은 상관관계가 있을 때 발생하는 문제로, VIF(Variance Inflation Factor) 지표로 진단합니다. 모형의 안정성을 해치므로 평가 시 확인해야 해요. 개념 정리

지표	역할	해석
수정된 결정계수	설명력 평가 (변수 개수 보정)	클수록 좋음. 불필요한 변수 추가 시 감소
잔차제곱합(RSS)	적합 오차 총량 평가	작을수록 좋음
AIC / BIC	적합도 & 간명성 종합 평가	작을수록 좋은 모형
F-통계량	모형 전체 유의성 검정	크고 p-value 작을수록 유의미
독립변수 개수	모형 복잡도 요인	평가 지표가 아님

한눈에 비교!

비교 항목	AIC (Akaike Information Criterion)	BIC (Bayesian Information Criterion)
핵심 목적	예측 정확도 최대화	진정한 모형 발견 확률 최대화
패널티 강도	변수 개수(k)에 비례	변수 개수(k)와 표본 크기(n)의 로그에 비례
표본 크기 영향	상대적으로 덜 민감	표본이 클수록 변수 추가에 대한 패널티 큼
선택 모형 특성	상대적으로 복잡한 모형 선호 경향	상대적으로 간단한 모형 선호 경향

실무 포인트 보건행정 실무에서, 예를 들어 '지역별 의료이용 횟수에 영향을 미치는 요인(인구구조, 병원 수, 소득 수준 등) 분석'을 한다고 가정해볼게요. 1. 모형 구축: 여러 후보 변수를 투입해 다중 회귀모형을 만듭니다. 2. 적합도 평가: 핵심! 단순히 R-squared만 보지 말고, 수정된 R-squared와 AIC를 함께 확인합니다. 변수를 추가해도 수정된 R-squared가 크게 오르지 않거나 AIC가 증가한다면 그 변수는 불필요할 가능성이 높아요. 3. 보고서 작성: 최종 모형의 설명력은 수정된 R-squared로, 모형의 전체 유의성은 F-통계량과 그 p-value로 제시하는 것이 표준이에요. 암기 팁 "지표는 FIT하다!"
- F: F-통계량 (전체 검정)
- I: Information Criterion (AIC/BIC - 정보 기준)
- T: 수정된 결정계수 (AdjusTed R-squared)
→ 이 세 가지는 모형 적합도 평가의 대표적인 '지표'입니다. '독립변수 개수'는 이 FIT 안에 들어가지 않아요! 국시 빈출 포인트 통계 부분에서는 '적합도 지표'와 '모형 선택 기준'이 자주 출제돼요. 특히 핵심! R-squared와 수정된 R-squared의 차이, AIC/BIC의 의미와 사용 목적을 명확히 구분할 수 있어야 합니다. "가장 적절하지 않은 것"을 고르는 문제는 오답 선지에 흔히 쓰이는 통계량을 넣어 개념 이해도를 높이려는 의도예요. 기출 변형 주의! 이 개념은 다음과 같이 변형 출제될 수 있어요:
- "다중공선성을 진단하는 지표로 가장 적절한 것은?" → VIF (Variance Inflation Factor)
- "로지스틱 회귀분석의 모형 적합도를 평가하는 지표는?" → Hosmer-Lemeshow 검정, ROC 곡선 아래 면적(AUC) 등
- 계산형: "독립변수가 3개이고 표본 수가 100일 때 AIC 공식을 쓰시오" → AIC = n * log(RSS/n) + 2k (또는 다른 형태의 동등 공식)

보건행정 실무 가이드 실무 시나리오 (Clinical Scenario) "보건소 기획팀에서 지역 주민의 만성질환 유병률을 낮추기 위한 정책을 수립하려고 해요. 이를 위해 과거 데이터를 바탕으로 '당뇨병 발병 위험 요인'을 분석하는 예측 모형을 개발하게 되었습니다. 다양한 인구사회학적 변수(나이, 성별, BMI, 운동 여부, 흡연 여부 등)를 후보로 삼아 다중 로지스틱 회귀분석을 시행했는데, 너무 많은 변수를 넣자 표본 데이터에 대한 분류 정확도는 95%로 매우 높게 나왔습니다. 하지만 이 모형으로 새로운 지역 데이터를 적용해보니 예측 정확도가 70%로 크게 떨어졌어요. 무슨 문제가 발생한 걸까요?" 행정 중재 전략 (Admin Intervention) 1. 상황 파악: 이는 전형적인 과적합(Overfitting) 현상입니다. 변수를 무분별하게 추가하며 모형이 표본 내의 노이즈까지 학습해버린 결과예요. 2. 법적/규정 검토: 통계 모델링 자체에 대한 법규는 없지만, 정책 근거로 사용되는 모형의 신뢰성은 매우 중요합니다. 부정확한 모형으로 잘못된 정책을 수립하면 예산 낭비와 효과 미흡이라는 행정적 책임 문제가 발생할 수 있어요. 3. 대응 및 처리: - 모형 평가 지표 변경: 표본 내 정확도만 보지 말고, AIC나 BIC를 확인해 변수 개수에 따른 패널티를 고려한 모형을 선택해야 해요. - 검증 방법 도입: 데이터를 훈련용(Training set)과 검증용(Validation set)으로 나누거나, 교차검증(Cross-validation)을 실시해 모형의 일반화 성능을 평가해야 합니다. - 변수 선택 기법 적용: 전진선택법(Forward Selection), 후진제거법(Backward Elimination) 등 체계적인 방법으로 의미 있는 변수만을 선별해 모형을 재구성합니다. 4. 사후 기록/보고: 최종 채택된 모형의 선정 근거로 수정된 지표(Adjusted R-squared 또는 AIC 값)와 교차검증 정확도를 보고서에 명시하여 모형의 신뢰성을 입증합니다. 법적 안전 및 주의사항 (Precautions) - 핵심! 보건 정책이나 병원 경영 의사결정에 통계 모형을 활용할 때는, 그 모형이 새로운 상황에 대한 예측력을 갖추었는지 반드시 검증해야 합니다. 과적합된 모형을 사용한 결정은 큰 오류를 초래할 수 있어요. - 연구 윤리 차원에서, 분석 방법과 모형 선택 기준을 투명하게 공개하는 것이 좋습니다. 업무 프로토콜 보건정책 분석용 통계모형 개발 프로토콜 1. 목적 설정: 설명(요인 규명) vs 예측 정확도 중 주목적 설정. 2. 데이터 준비 및 분할: 데이터를 훈련세트(70~80%)와 테스트세트(20~30%)로 무작위 분할. 3. 모형 구축 및 후보 선정: 다양한 변수 조합으로 여러 모형 후보 생성. 4. 모형 평가 및 선택: - 설명 목적: 수정된 R-squared, 변수 유의성(p-value) 중점 평가. - 예측 목적: 테스트세트의 RMSE 또는 AIC/BIC로 평가. 5. 최종 검증 및 보고: 선택된 모형의 성능을 최종 테스트세트로 확인하고, 모든 평가 지표와 함께 결과 보고. 선배의 한마디 "통계는 숫자 놀음이 아니라, 불확실성 속에서 합리적인 결정을 돕는 도구예요. 보건행정가라면 R-squared 하나에 현혹되지 말고, AIC/BIC처럼 '적합도와 간명성의 균형'을 추구하는 지표의 철학을 이해해야 해요. 복잡한 모형이 항상 좋은 모형은 아니에요. 현장에서 적용 가능한 간결하면서도 강력한 모형을 만드는 것이 진정한 실력이죠!"