Excel에서 두 집단 간 평균 차이를 검정하는 t-검정을 수행할 때, 등분산 가정 여부를 확인하기 위해 먼저 실시해야 하는 검정은?

독립표본 t-검정 시 두 집단의 분산이 동일한지(등분산) 여부를 판단하기 위해 F-검정을 먼저 실시하며, 그 결과에 따라 등분산 가정 t-검정 또는 이분산 가정 t-검정을 선택한다.

보건행정 핵심 해설 이 문제는 보건통계 및 연구방법론에서 매우 중요한 가설 검정(Hypothesis testing)의 절차와 원리를 묻고 있어요. 특히, 병원 경영 데이터 분석이나 임상연구 결과 해석 시 빈번하게 사용되는 독립표본 t-검정(Independent samples t-test)의 전제 조건을 확인하는 방법에 대한 내용이에요. 핵심 개념 분석 (Key Concept) 독립표본 t-검정은 서로 다른 두 집단(예: 치료군 vs 대조군, 병원 A 직원 vs 병원 B 직원의 만족도)의 평균을 비교할 때 사용하는 통계적 검정 방법이에요. 이 검정을 올바르게 적용하기 위한 중요한 전제 조건 중 하나가 바로 핵심! 두 집단의 분산이 동일한가(등분산, Homogeneity of variance) 여부예요. 분산이 다르면(이분산, Heteroscedasticity) 검정 공식이 달라지기 때문에, 먼저 이 가정을 검증해야 해요. 정답 근거 (Answer Rationale) 정답은 ③번 F-검정(F-test)이에요. 그 이유는 두 집단의 분산을 비교하는 가장 기본적인 검정 방법이 F-검정이기 때문이에요. 구체적으로는 두 표본 분산의 비율(큰 분산 / 작은 분산)을 F 통계량으로 계산하여, 이 값이 유의한지 확인함으로써 등분산 가정이 성립하는지 판단해요. Excel의 데이터 분석 도구에서 't-검정: 등분산 가정 두 표본'을 선택하면, 내부적으로 이 F-검정을 수행한 후 결과를 보여주기도 해요. 오답 분석 (Distractor Analysis) 혼동 주의! 각 오답 선택지는 모두 통계 분석 방법이지만, t-검정의 전제 조건 검증과는 다른 목적을 가지고 있어요.
① 회귀분석(Regression analysis): 독립변수와 종속변수 간의 인과 관계나 예측 모형을 만들 때 사용해요. 평균 차이 검정과는 목적이 달라요.
② 카이제곱 검정(Chi-squared test): 주로 명목척도 자료(예: 성별, 질병 유무)의 독립성 또는 적합성을 검정할 때 사용해요. 연속형 변수의 분산을 비교하는 데는 쓰이지 않아요.
④ ANOVA(Analysis of Variance, 분산분석): 이는 세 개 이상의 집단 평균을 비교할 때 사용하는 방법이에요. 두 집단 비교에는 t-검정을, 세 집단 이상에는 ANOVA를 사용한다는 점을 구분해야 해요. ANOVA도 등분산 가정이 필요하지만, 두 집단을 비교하는 이 단계에서는 F-검정이 더 직접적인 방법이에요.
⑤ 상관분석(Correlation analysis): 두 연속형 변수 간의 관련성(방향과 강도)을 파악할 때 사용하며, 평균 차이 검정과는 개념이 다르요. 연관 개념 정리 (Related Concepts) * 등분산 가정 t-검정 vs 이분산 가정 t-검정: F-검정 결과 p-value가 유의수준(예: 0.05)보다 크면 등분산 가정을 채택하고 일반 t-검정을, 작으면 등분산 가정을 기각하고 웰치의 t-검정(Welch's t-test) 같은 이분산 가정 검정을 사용해요. * 레빈 검정(Levene's test): 등분산 검정에 더 강건하다고 알려진 또 다른 방법이에요. F-검정은 정규분포에 민감하지만, 레빈 검정은 정규성에서 벗어난 자료에 대해 더 안정적인 결과를 줄 수 있어요. SPSS 등 통계 패키지에서는 레빈 검정을 기본으로 제공하기도 해요. 개념 정리

용어	의미	t-검정에서의 역할
F-검정	두 집단의 분산이 동일한지 비교하는 검정	등분산 가정 여부 확인 → 검정 방법 선택의 기준
등분산(Homoscedasticity)	두 집단의 분산이 같음	'등분산 가정 두 표본' t-검정 사용
이분산(Heteroscedasticity)	두 집단의 분산이 다름	'이분산 가정 두 표본' t-검정 사용

한눈에 비교!

검정 방법	주요 목적	사용 시기/조건
t-검정	두 집단의 평균 차이 검정	비교 집단이 2개일 때, 등분산 여부 확인 필요
F-검정 (이 문제의 맥락)	두 집단의 분산 차이(등분산 여부) 검정	t-검정 또는 ANOVA 수행 전 가정 확인용
ANOVA	세 집단 이상의 평균 차이 검정	비교 집단이 3개 이상일 때, 등분산 가정 필요
카이제곱 검정	범주형 변수 간 독립성 또는 적합성 검정	빈도수(명목/서열 자료)를 분석할 때

실무 포인트 * 병원 성과 평가 시: 두 개의 병동이나 두 개의 년도 간 환자 만족도 평균 점수를 비교할 때 t-검정을 사용하게 돼요. 이때, 먼저 데이터의 분산을 확인(F-검정 또는 레빈 검정)하여 올바른 t-검정 방법을 선택하지 않으면 통계 결과를 잘못 해석할 위험이 있어요. * 연구 논문 읽기/쓰기 시: "독립표본 t-검정을 실시하였다"라는 문구만 있는 게 아니라, "등분산성을 확인한 후(F=..., p=...) 등분산 가정 하의 t-검정을 실시하였다"와 같이 전제 조건 검증 과정을 보고서나 논문에 명시하는 것이 전문성과 신뢰도를 높이는 방법이에요. 암기 팁 * "F는 분산(Fariance)의 F!" 두 집단 분산을 비교하는 F-검정이라는 점을 연상하세요. * "t-검정 전, 먼저 F로 분산을 확인해!" 순서를 기억하세요. 국시 빈출 포인트 보건의료정보관리사/병원행정사 시험에서 통계 부분은 이론적 개념을 직접 묻거나, 간단한 사례를 제시하고 적절한 분석 방법을 고르는 문제가 출제돼요. 특히 t-검정, 카이제곱 검정, 상관분석, 회귀분석의 목적과 사용 조건을 명확히 구분하는 것이 핵심이에요. 기출 변형 주의! * 사례형: "A병원과 B병원 간 직원의 평균 근속년수를 비교하고자 한다. 가장 적절한 통계 검정 방법과 그 전에 수행해야 할 검정은?" → 정답: 독립표본 t-검정 / F-검정(등분산 검정) * 역방향 질문: "F-검정을 실시하는 주된 목적은?" → 정답: 두 집단의 분산 동질성(등분산성) 검정

보건행정 실무 가이드 실무 시나리오 (Clinical Scenario) "보건행정학과 대학원생인 여러분이 병원 경영팀 인턴으로 참여했습니다. 병원 관리자는 '응급실 개편 전후로 환자 대기 시간에 유의미한 차이가 있는지'를 분석해 달라고 요청했어요. 여러분은 개편 전 50명, 개편 후 50명의 환자 대기 시간 데이터를 수집했습니다. 이제 통계 분석을 시작하려고 해요." 행정 중재 전략 (Admin Intervention) 1. 상황 파악: 두 개의 독립된 집단(개편 전 vs 개편 후)의 평균(대기 시간)을 비교하는 문제입니다. 2. 법적/규정 검토: 통계적 방법론에는 '법규'는 없지만, 연구의 타당성을 확보하기 위한 방법론적 규범(Methodological norm)이 존재합니다. 올바른 검정 방법 선택은 신뢰할 수 있는 결과 도출의 기본입니다. 3. 대응 및 처리: * 먼저, 수집된 두 집단 데이터의 분산을 계산하거나, Excel의 '데이터 분석' 도구에서 'F-검정: 두 표본에 대한 분산'을 실행합니다. * F-검정 결과, 유의확률(p-value)이 0.05보다 크다면 → '등분산 가정'을 만족한다고 판단 → 't-검정: 등분산 가정 두 표본'을 선택하여 분석을 진행합니다. * F-검정 결과, p-value가 0.05보다 작다면 → 등분산 가정을 기각 → 't-검정: 이분산 가정 두 표본'을 선택하여 분석을 진행합니다. 4. 사후 기록/보고: 분석 보고서에 "등분산성은 F-검정을 통해 확인하였으며(F=1.23, p=0.32), 등분산 가정이 성립함에 따라 등분산 가정 두 표본 t-검정을 실시한 결과..."와 같이 분석 과정을 투명하게 기록합니다. 이는 결과에 대한 신뢰도를 높이고, 향후 검증이나 질의에 대비하는 중요한 절차입니다. 법적 안전 및 주의사항 (Precautions) 통계 분석의 오남용은 핵심! 연구 윤리 문제로 이어질 수 있어요. p-value hacking(원하는 결과가 나올 때까지 여러 방법으로 검정하는 것)이나 전제 조건을 무시한 검정 방법 선택은 잘못된 결론을 도출해 병원 정책 결정을 그르칠 수 있어요. 항상 객관적이고 표준화된 분석 절차를 따르는 자세가 필요해요. 업무 프로토콜 두 집단 평균 비교 분석 프로토콜 1. 데이터 수집 및 정리 (두 독립 집단의 연속형 데이터). 2. 기술통계(평균, 표준편차) 확인. 3. 등분산성 검정 실시 (F-검정 또는 레빈 검정). 4. 등분산성 결과에 따라 적절한 t-검정 방법 선택 및 실행. 5. 결과 해석 (t값, 자유도, p-value, 평균 차이, 신뢰구간). 6. 결과 보고 및 시각화 (차트 포함). 선배의 한마디 "통계는 숫자 놀음이 아니라, 데이터 속에 숨은 '진실'을 찾아내는 도구예요. t-검정 하나를 할 때도 '왜 등분산을 확인해야 하지?'라고 생각하면, 그 원리는 다른 복잡한 분석을 이해하는 데도 큰 도움이 될 거예요. 보건행정가에게 데이터 분석 능력은 이제 선택이 아닌 필수 역량이에요. 기초를 탄탄히 다져두세요!"