다중 선형회귀모형의 기본 가정으로 옳지 않은 것은?

다중 선형회귀의 기본 가정은 선형성, 오차의 독립성, 등분산성, 오차의 정규성 등이다. 독립변수들 간의 완전한 무상관(상관관계 0)은 필수 가정이 아니며, 강한 상관(다중공선성)이 문제가 될 뿐이다.

보건행정 핵심 해설 이 문제는 보건통계학과 병원 경영 데이터 분석에서 핵심 도구인 다중 선형회귀분석(Multiple Linear Regression)의 기본 가정을 묻고 있어요. 보건행정 현장에서는 의료 서비스 이용량 예측, 병원 비용 분석, 환자 만족도 영향 요인 규명 등 다양한 연구와 의사결정에 회귀분석이 활용되기 때문에, 그 가정을 정확히 이해하는 것이 올바른 분석과 결과 해석의 출발점이에요. 핵심 개념 분석 (Key Concept) 다중 선형회귀모형은 여러 개의 독립변수(예: 환자 나이, 입원 기간, 수술 유형)가 하나의 종속변수(예: 총 진료비, 재원일수)에 미치는 영향을 분석하는 통계 모형이에요. 이 모형이 타당한 추정과 검정을 제공하기 위해 만족해야 하는 몇 가지 기본 가정이 존재해요. 정답 근거 (Answer Rationale) 정답은 ②번 "독립변수들은 서로 상관관계가 없어야 한다."입니다. 핵심! 다중 선형회귀의 핵심 가정은 독립변수들 간에 완전한 무상관(상관계수 0)을 요구하지 않아요. 실제 보건 데이터에서는 변수들 간에 어느 정도의 상관관계가 존재하는 것이 일반적이에요 (예: 나이와 만성질환 수). 문제는 독립변수들 간에 지나치게 높은 상관관계, 즉 다중공선성(Multicollinearity)이 존재할 때 발생해요. 다중공선성은 회귀계수 추정의 불안정성과 해석의 어려움을 초래하므로, 분석 시 진단하고 관리해야 할 문제이지만, 모형의 필수 전제 가정은 아니에요. 오답 분석 (Distractor Analysis) ① 혼동 주의! "독립변수는 확률변수가 아니어야 한다."는 옳은 설명입니다. 고전적 회귀분석에서 독립변수는 고정된 값(fixed values)으로 가정하며, 확률변수로 취급하지 않아요. 이는 오차항에 대한 가정을 명확히 하기 위한 것이에요. ③ "독립변수와 종속변수 사이에는 선형 관계가 존재한다."는 옳은 설명입니다. 이는 선형성(Linearity) 가정으로, 모형의 기본 구조를 정의하는 가장 중요한 가정 중 하나예요. ④ "오차항은 평균이 0이고 분산이 일정한 정규분포를 따른다."는 옳은 설명입니다. 이는 정규성(Normality)과 등분산성(Homoscedasticity) 가정을 포함하고 있어요. 오차항의 분산이 일정하지 않으면 이분산성(Heteroscedasticity) 문제가 발생해요. ⑤ "오차항들은 서로 독립이다."는 옳은 설명입니다. 이는 독립성(Independence) 가정으로, 한 관측치의 오차가 다른 관측치의 오차에 영향을 주지 않아야 함을 의미해요. 시계열 데이터나 군집 데이터에서 이 가정이 위배될 수 있어요. 연관 개념 정리 (Related Concepts) 회귀분석 가정 위반 시 문제점과 검정 방법도 함께 알아두세요. - 선형성 위반: 예측력 저하. 산점도나 잔차도를 통해 확인. - 독립성 위반: 표준오차 추정 오류. Durbin-Watson 통계량 등으로 검정. - 등분산성 위반: 회귀계수 검정의 비효율성. White test나 Breusch-Pagan test로 검정. - 정규성 위반: 표본이 크면 중심극한정리(Central Limit Theorem)에 의해 큰 문제가 되지 않을 수 있음. Q-Q plot, Shapiro-Wilk test로 검정. - 다중공선성: VIF(Variance Inflation Factor) 지표(보통 10 이상)나 상태지수(Condition Index)로 진단. 개념 정리 다중 선형회귀의 기본 가정은 CLINE 또는 LINE으로 외울 수 있어요.
C: 독립변수는 확률변수가 아님 (고정값, Fixed)
L: 선형성 (Linear Relationship)
I: 오차항의 독립성 (Independence of Errors)
N: 오차항의 정규성 (Normality of Errors)
E: 오차항의 등분산성 (Equal Variance of Errors, Homoscedasticity) 한눈에 비교!

구분	다중공선성(Multicollinearity)	가정 위반(Assumption Violation)
성격	독립변수들 간의 문제	모형의 필수 전제 조건 불만족
관계	가정이 아님. 분석 시 진단 및 처리 대상	L, I, N, E는 반드시 검토해야 할 기본 가정
주요 영향	계수 추정 불안정, 해석 곤란	추정의 편의(Bias), 검정의 유효성 상실
해결 방안	변수 제거, 주성분 분석(PCA), 능형회귀(Ridge)	변수 변환, 가중회귀, 일반화선형모형(GLM) 등 모형 변경

실무 포인트 병원 경영 데이터(예: 진료비 데이터)를 회귀분석할 때는 먼저 산점도 행렬(Scatterplot Matrix)과 상관관계 행렬을 확인하여 변수 간 관계와 잠재적 다중공선성을 파악하세요. 분석 후에는 반드시 잔차 분석(Residual Analysis)을 통해 등분산성, 정규성, 독립성 가정이 충족되는지 시각적/통계적으로 검증해야 해요. 가정이 심각하게 위배된 분석 결과는 잘못된 정책 결정으로 이어질 수 있어요. 암기 팁 가정을 "오차는 LINE을 따라 걷는다"고 생각해보세요.
Linearity (선형성), Independence (독립성), Normality (정규성), Equal variance (등분산성). 이 LINE을 벗어나는 오차는 문제가 있는 거예요! 그리고 독립변수는 이 LINE을 만드는 '고정된 설계도'라고 기억하세요(C). 국시 빈출 포인트 회귀분석 가정은 서술형 또는 OX 문제로 자주 출제돼요. "다중공선성이 회귀분석의 기본 가정이다"라는 문장이 거짓임을 정확히 알아야 해요. 또한, 각 가정의 이름(예: 등분산성)과 그 위반 시 발생하는 문제점(예: 이분산성)을 연결 지어 출제되기도 해요. 기출 변형 주의! 같은 개념을 다음과 같이 변형하여 출제할 수 있어요. - 사례형: "병원 만족도 조사 데이터를 회귀분석한 결과, 잔차도에서 특정 패턴이 관찰되었다. 이는 어떤 가정 위반을 시사하는가?" (패턴에 따라 등분산성 또는 독립성 위반) - 선택지 변형: 오답 선택지에 "독립변수와 종속변수는 정규분포를 따라야 한다" 같은 함정을 넣을 수 있어요. 정규분포를 따라야 하는 것은 오차항이지 변수 자체가 아니라는 점을 주의하세요!

보건행정 실무 가이드 실무 시나리오 (Clinical Scenario) 병원 기획팀에서 최근 1년간 외래 진료비(종속변수)에 영향을 미치는 요인을 분석하려고 해요. 독립변수로 '환자 연령', '방문 횟수', '처방 약품 수', '기본 진료비'를 선정했어요. 데이터를 수집해 다중 회귀분석을 돌렸더니, '기본 진료비'와 '처방 약품 수'의 회귀계수가 매우 불안정하고, VIF 값이 15로 나왔어요. 또한, 잔차 대 예측값 플롯에서 깔때기 모양의 패턴이 보여요. 행정 중재 전략 (Admin Intervention) 1. 상황 파악: 높은 VIF는 다중공선성 문제를, 깔때기 패턴은 이분산성(등분산성 위반) 문제를 각각 나타내요. 2. 법적/규정 검토: 통계적 모형의 가정 위반은 잘못된 결론을 도출하여 병원 경영 전략을 잘못 이끌 수 있는 '분석상의 리스크'에 해당해요. 3. 대응 및 처리: - 핵심! 다중공선성 해결: '기본 진료비'와 '처방 약품 수'는 서로 강한 상관관계가 있을 수 있어요. 하나의 변수를 제거하거나, 두 변수를 결합한 새로운 지표(예: '약품 제외 진료비')를 생성하는 방안을 검토해요. - 이분산성 해결: 종속변수인 '진료비'에 로그 변환(Log Transformation)을 적용하여 데이터의 스케일을 조정한 후 다시 분석해요. - 분석 후 재검증: 수정된 모형으로 다시 분석한 후 VIF와 잔차도를 확인하여 가정 위반 문제가 해결되었는지 반드시 확인해요. 4. 사후 기록/보고: 최종 분석 보고서에는 사용한 변수, 발견된 문제점(다중공선성, 이분산성), 그리고 이를 해결하기 위해 취한 조치(변수 변환 등)를 상세히 기술해야 해요. 이는 분석의 투명성과 신뢰성을 높이는 핵심이에요. 법적 안전 및 주의사항 (Precautions) 보건통계 분석 결과는 병원 평가, 보험 청구 정당성 분석, 공공 보건 정책 수립 등에 활용될 수 있어요. 따라서 통계적 가정을 무시한 오류 있는 분석은 잘못된 의사결정을 초래할 뿐만 아니라, 경우에 따라 공신력 있는 보고서를 왜곡했다는 문제 제기까지 받을 수 있어요. 항상 기본 가정을 점검하는 습관을 들여야 해요. 업무 프로토콜 회귀분석 수행 시 필수 점검 리스트
1. 사전 점검: 산점도/상관행렬 확인 → 다중공선성 의심 지표 파악.
2. 모형 적합: 회귀분석 수행.
3. 사후 진단: - VIF 확인 (10 이상이면 문제). - 잔차도 확인: 등분산성(무작위 분포), 독립성(자기상관 없음). - Q-Q plot 확인: 정규성(점들이 대각선 상에 위치).
4. 문제 해결: 가정 위반 시 적절한 변수 변환 또는 모형 수정.
5. 보고: 모든 과정과 결정 사항을 기록. 선배의 한마디 "보건행정에서 데이터는 힘이에요. 하지만 그 힘을 제대로 쓰려면 통계 도구를 올바르게 이해해야 해요. 회귀분석의 가정은 단순한 규칙이 아니라, '데이터가 우리에게 말해주는 이야기를 어떻게 믿을 수 있을까'에 대한 근본적인 질문에서 나온 거예요. 가정을 체크하는 것은 데이터를 존중하고, 분석 결과에 책임을 지는 첫걸음이에요. 복잡한 병원 데이터를 다룰 때 이 기본을 잊지 마세요!"