보건행정 핵심 해설
이 문제는 보건통계 분석에서 가장 기본적이고 널리 사용되는
카이제곱 검정(Chi-square test)의 원리와 SPSS 활용 시 주의사항을 묻고 있어요. 보건행정 연구나 병원 경영 데이터 분석에서 범주형 변수(예: 성별에 따른 만족도, 진료과에 따른 재입원 여부) 간 관계를 파악할 때 필수적인 도구예요.
핵심 개념 분석 (Key Concept)
카이제곱 검정은 두 개 이상의
범주형 변수(Nominal or Ordinal variable)가 서로 독립적인지(관련이 없는지), 아니면 연관성이 있는지를 검정하는 비모수 검정(non-parametric test) 방법이에요. 핵심은
관찰빈도(Observed frequency)와
기대빈도(Expected frequency)의 차이를 기반으로 통계적 유의성을 판단하는 거죠.
정답 근거 (Answer Rationale)
정답은
④ "교차표를 작성한 후 검정을 수행한다."입니다.
핵심! 카이제곱 검정의 첫 단계는 분석하려는 두 범주형 변수의 조합에 따른 사례 수를 정리한
교차표(Contingency table, Cross-tabulation)를 작성하는 것이에요. 예를 들어, '흡연 여부(예/아니오)'와 '폐암 진단 여부(유/무)'라는 두 변수의 관계를 분석할 때, 2x2 표를 만들고 각 칸에 해당하는 환자 수를 채우는 과정이 바로 교차표 작성이에요. SPSS에서도 '분석 → 기술통계 → 교차표' 메뉴를 통해 표를 만든 후, 카이제곱 검정 버튼을 눌러 분석을 실행해요.
오답 분석 (Distractor Analysis)
혼동 주의! 각 오답이 왜 틀린지 개념을 정확히 구분해야 해요.
① "상관관계의 강도를 나타내는 계수를 제공한다.": 상관관계의 강도(예: -1 ~ +1)를 나타내는 것은
피어슨 상관계수(Pearson's r)나
스피어만 상관계수(Spearman's rho)와 같은 지표예요. 카이제곱 검정은 '유의성'을 검정하지만, 연관성의 '강도'를 직접 나타내는 계수는 아니에요. (강도를 보려면 파이 계수(Phi coefficient)나 크래머의 V(Cramer's V)를 추가로 확인해야 해요.)
② "기대빈도가 5 미만인 셀이 20% 이상이어도 결과를 신뢰할 수 있다.": 이는 카이제곱 검정의 중요한
가정 위반 사례예요. 일반적으로 기대빈도가
5 미만인 셀이 많으면 카이제곱 통계량의 분포가 이론적 카이제곱 분포를 잘 따르지 않아 결과 신뢰도가 떨어져요. 이런 경우에는
피셔의 정확 검정(Fisher's exact test)을 사용하는 것이 올바른 방법이에요.
③ "두 개의 연속형 변수 간의 관계를 분석한다.": 연속형 변수(예: 나이, 혈압 수치, 비용) 간의 관계를 분석할 때는
t-검정(t-test),
분산분석(ANOVA),
상관분석(Correlation analysis) 또는
회귀분석(Regression analysis)을 사용해야 해요. 카이제곱 검정의 적용 대상은 명확히 범주형 변수입니다.
⑤ "정규분포를 따른다는 가정이 필요하다.": 정규분포 가정은 t-검정, ANOVA 등
모수 검정(Parametric test)의 핵심 조건이에요. 카이제곱 검정은
비모수 검정에 속하므로, 자료가 정규분포를 따를 필요가 없어요. 대신 위에서 언급한 '기대빈도'에 대한 조건이 중요해요.
연관 개념 정리 (Related Concepts)
카이제곱 검정에는 주로 두 가지 유형이 사용돼요.
1.
적합도 검정(Goodness-of-fit test): 하나의 범주형 변수가 특정 이론적 분포(예: 성별 비율 1:1)를 따르는지 검정.
2.
독립성 검정(Test of independence): 두 범주형 변수 사이에 연관성이 있는지 검정 (이 문제의 주제).
개념 정리
| 개념 | 내용 |
|---|
| 검정 목적 | 두 범주형 변수 간의 독립성(연관성) 검정 |
| 분석 자료 | 범주형 변수 (명목, 서열 척도)의 빈도수 |
| 핵심 계산 | 관찰빈도와 기대빈도의 차이 제곱 합 |
| SPSS 절차 | 교차표 작성 → 카이제곱 검정 실행 |
| 주요 가정 | 기대빈도가 5 미만인 셀이 너무 많으면 안 됨 (일반적으로 20% 미만) |
| 대체 방법 | 가정 위반 시 피셔의 정확 검정 사용 |
한눈에 비교!
| 검정 방법 | 분석 변수 유형 | 주요 가정 | 보건행정 활용 예 |
|---|
| 카이제곱 검정 | 범주형 vs 범주형 | 기대빈도 조건 | 의료보험 유형별 만족도 차이, 병원 위치별 내원 환자 특성 비교 |
| t-검정 | 범주형(2집단) vs 연속형 | 정규성, 등분산성 | 새로운 진료 프로토콜 도입 전후 평균 재원일수 비교 |
| 피어슨 상관분석 | 연속형 vs 연속형 | 선형성, 정규성 | 병상 수와 연간 총 수입 간의 관계 분석 |
| 로지스틱 회귀분석 | 여러 변수 → 범주형(이분) | 선형로짓 가정 | 환자의 재입원 위험에 영향을 미치는 요인(나이, 질병 중증도 등) 분석 |
실무 포인트
보건행정이나 병원 품질관리(QI) 프로젝트에서 설문조사 데이터를 분석할 때 카이제곱 검정은 정말 자주 쓰여요.
- 데이터 준비: SPSS에 데이터를 입력할 때, 성별(1=남, 2=여), 만족도(1=매우 불만, 5=매우 만족)와 같은 숫자 코드로 변환해 입력하는 것이 분석에 유리해요. 변수 측정 수준을 '명목' 또는 '서열'로 정확히 설정해야 해요.
- 결과 해석: SPSS 출력에서 p-value (유의확률)를 봐요. 일반적으로 p < 0.05이면 "두 변수 간에 통계적으로 유의한 연관성이 있다"고 해석해요. 주의! 유의하다고 해서 강한 연관성이나 인과관계를 의미하는 것은 아니에요.
- 보고서 작성: "성별과 예방접종 완료율 간에는 통계적으로 유의한 연관성이 있었다(χ² = 6.52, df = 1, p = .011)."와 같이 검정 통계량(χ²), 자유도(df), p-value를 함께 보고해야 해요.
암기 팁
"
카이(χ)는 카테고리(범주)를 본다"고 기억하세요! 카이제곱(χ²)의 χ가 마치 가지를 뻗은 모양처럼, 여러 범주(Category)를 연결해 분석한다고 연상하면 좋아요. 또, "기대빈도 5 미만이 20% 넘으면
피셔(Fisher)에게 맡겨라"는 문장으로 중요한 적용 조건을 외울 수 있어요.
국시 빈출 포인트
보건의료정보관리사/병원행정사 시험에서는 통계 부분에서 카이제곱 검정의
용도, 가정, 그리고 다른 검정법과의 구분이 자주 출제돼요. 특히 '연속형 변수 분석 방법이 아니다', '교차표를 기반으로 한다', '기대빈도 조건' 이 세 가지만 꼭 기억하면 객관식 문제를 맞힐 수 있어요.
기출 변형 주의!
이 개념은 다음과 같이 변형되어 출제될 수 있어요.
-
사례 적용형: "의료기관 만족도 조사에서 '진료과'와 '전반적 만족도(만족/보통/불만)' 간 관계를 분석하려고 한다. 가장 적합한 통계 검정 방법은?" → 정답: 카이제곱 검정.
-
오류 지적형: "기대빈도가 1인 셀이 많은 자료에 카이제곱 검정을 적용한 결과를 신뢰할 수 있다. (O/X)" → 정답: X (피셔의 정확 검정 고려).