보건행정 핵심 해설
이 문제는 보건통계학 및 병원 경영 데이터 분석에서 핵심 도구인
단순 선형회귀분석(Simple Linear Regression)의 성과 평가 지표인
결정계수(Coefficient of Determination, R²)에 대한 정확한 이해를 묻고 있어요. 보건행정 현장에서는 의료 서비스 이용량 예측, 병원 비용 분석, 공중보건 프로그램 효과 평가 등 다양한 데이터 분석에 회귀분석이 활용되기 때문에, R²의 의미를 정확히 아는 것이 중요해요.
핵심 개념 분석 (Key Concept)
결정계수(R²)는 회귀모형의
설명력(Explanatory Power)을 평가하는 지표예요. 구체적으로는, 종속변수(예: 입원일수, 의료비)의 총 변동 중에서 독립변수(예: 나이, 질병 중증도)를 통해 회귀식이 얼마나 잘 설명하는지를 비율(0~1)로 나타냅니다.
1에 가까울수록 모형의 설명력이 높고, 0에 가까울수록 설명력이 낮아요.
정답 근거 (Answer Rationale)
핵심! 정답인 ⑤번 "
독립변수가 종속변수의 변동을 설명하는 비율을 나타낸다."는 R²의 정의를 가장 정확하고 간결하게 표현한 설명이에요. 수식으로는 R² = SSR/SST = 1 - (SSE/SST)로 표현됩니다. 여기서 SSR은 회귀로 설명된 변동(Regression Sum of Squares), SST는 총 변동(Total Sum of Squares), SSE는 설명되지 않은 잔차 변동(Error Sum of Squares)을 의미해요.
오답 분석 (Distractor Analysis)
혼동 주의! 각 오답이 왜 틀렸는지, 어떤 개념과 혼동하기 쉬운지 살펴볼게요.
① "항상 0과 1 사이의 값을 가지며, 1에 가까울수록 모형이 나쁘다.": 전반부는 맞지만, 후반부가 완전히 반대로 설명했어요.
1에 가까울수록 모형이 좋은 것이지, 나쁜 것이 아니에요. 이는 R²의 기본 성질을 혼동하게 만드는 함정이에요.
② "두 변수 간 인과관계의 방향과 강도를 나타낸다.": 이는
상관계수(Correlation Coefficient, r)에 대한 설명이에요. 상관계수는 -1에서 1 사이의 값을 가지며, 부호는 방향, 절댓값은 강도를 나타내죠. R²는 상관계수 r의 제곱과 같다는 점에서 연관은 있지만, 직접적으로 인과관계의 방향을 나타내지는 않아요.
③ "잔차의 평균을 나타내는 지표이다.": 잔차(Residual)의 평균은 항상 0이어야 하는 회귀분석의 기본 가정 중 하나예요. 잔차의 분산이나 표준편차를 나타내는 지표는 있지만, R²는 잔차 자체의 평균을 나타내는 지표가 아니에요.
④ "회귀계수의 통계적 유의성을 검정하는 지표이다.": 회귀계수(예: 기울기 β)의 통계적 유의성을 검정하는 것은
t-검정(t-test)이나 이에 따른 p-value예요. R²는 모형 전체의 설명력을 보는 지표이지, 개별 계수의 유의성을 판단하는 지표는 아니에요.
연관 개념 정리 (Related Concepts)
-
조정된 결정계수(Adjusted R²): 독립변수의 개수가 증가하면 R²는 자연스럽게 커지는 경향이 있어요. 이를 보정하여 변수 개수에 따른 과적합(Overfitting)을 고려한 지표가 조정된 R²예요. 변수 선택 시 더 유용한 지표입니다.
-
상관계수(r)와 R²의 관계: 단순 선형회귀에서 R²는 상관계수 r의 제곱(r²)과 정확히 일치해요. r이 0.7이면 R²는 0.49가 되어, 독립변수가 종속변수 변동의 49%를 설명한다는 의미입니다.
개념 정리
| 용어 | 정의 | 범위/특징 |
|---|
| 결정계수 (R²) | 회귀모형이 종속변수의 변동을 설명하는 비율 | 0 ≤ R² ≤ 1, 클수록 설명력 높음 |
| 상관계수 (r) | 두 변수 간 선형 관계의 방향과 강도 | -1 ≤ r ≤ 1, 절댓값이 클수록 강한 관계 |
| 조정된 R² | 독립변수 개수를 고려하여 보정한 설명력 지표 | 변수 추가 시 무조건 증가하지 않음, 모형 비교에 유용 |
| 잔차 (Residual) | 실제 관측값과 회귀식의 예측값 차이 | 평균은 0, 정규분포를 따르는 것이 이상적 |
한눈에 비교!
| 비교 항목 | 결정계수 (R²) | 상관계수 (r) |
|---|
| 주요 용도 | 회귀모형의 설명력 평가 | 두 변수 간 선형적 연관성 평가 |
| 값의 범위 | 0 ~ 1 | -1 ~ +1 |
| 방향성 표시 | 없음 (항상 0 이상) | 있음 (부호로 정/부적 관계 표시) |
| 관계 | 단순 선형회귀에서: R² = r² |
| 보건행정 적용 예 | "환자 만족도 설문 점수가 서비스 대기 시간 변동의 60%를 설명한다(R²=0.6)." | "나이와 만성질환 수 간에는 양의 상관관계가 있다(r=0.5)." |
실무 포인트
병원 경영기획팀이나 QI(Quality Improvement)팀에서 데이터를 분석할 때, R²를 어떻게 해석하고 보고해야 할까요?
1.
해석 주의: R²가 높다고 해서 반드시
인과관계(Causality)를 의미하는 것은 아니에요. 단지 통계적 설명력이 높은 모형일 뿐이에요. 인과관계는 연구 설계와 이론적 배경을 통해 판단해야 해요.
2.
보고 시: "본 회귀분석 모형은 독립변수 X가 종속변수 Y 변동의 약 [R² 값*100]%를 설명하는 것으로 나타났습니다."라고 명확히 기술하세요.
3.
의사 결정 활용: R² 값이 너무 낮다면(예: 0.2 미만), 해당 독립변수는 예측 모형으로서 유용성이 낮을 수 있어요. 다른 중요한 변수를 찾거나 모형을 재검토해야 하는 신호로 삼을 수 있어요.
암기 팁
-
R²는 "설명력 비율": R²의 R을 "Ratio(비율)"의 R로 생각하세요. "설명하는 비율"입니다.
-
1에 가까우면 GOOD!: R²는 점수처럼 생각하세요. 1점 만점에 0.9점이면 아주 좋은 모형, 0.1점이면 설명을 거의 못하는 모형이에요.
-
r vs R² 구분법: "상관계수 r은 관계의
r향(방향)과
r강도(강도)를 본다", "결정계수 R²는
R설명 비율을 본다"로 연상하세요.
국시 빈출 포인트
결정계수 R²는
보건통계학과
병원경영학(연구방법론) 영역에서 꾸준히 출제되는 개념이에요. 출제 패턴은 크게 두 가지:
1.
정의 직접 묻기: (이 문제처럼) R²에 대한 설명으로 옳은/틀린 것을 고르기.
2.
값 해석하기: 주어진 R² 값(예: 0.75)을 보고 "독립변수가 종속변수 변동의 75%를 설명한다"는 해석이 옳은지 판단하기.
기출 변형 주의!
동일한 개념을 다음과 같이 변형하여 출제될 수 있어요:
-
계산형: "SST=100, SSR=80일 때 R²는 얼마인가?" (정답: 0.8)
-
사례 적용형: "의료비(종속변수)와 입원일수(독립변수)의 회귀분석 결과 R²=0.6이 나왔다. 이 결과를 해석하시오."
-
오개념 판단형: "R²가 0.9이므로 두 변수 간 인과관계가 확실하다"라는 진술의 옳고 그름 판단.