# 가설검정 시 사용하는 유의수준(α)의 일반적인 기준값은?

> source: MyMerci (mymerci.kr)  
> url: https://mymerci.kr/pages/nclex_q.php?qn_id=290961  
> language: ko  
> subject: 추론통계

## 문제

가설검정 시 사용하는 유의수준(α)의 일반적인 기준값은?

## 보기

1. 0.05 또는 0.01 **✔ 정답**
2. 0.005 또는 0.001
3. 0.95 또는 0.99
4. 0.5 또는 0.1
5. 1.0 또는 0.0

**정답: 1**

## 해설

유의수준 α는 일반적으로 0.05(5%) 또는 0.01(1%)을 사용하며, 이는 제1종 오류를 범할 최대 허용 확률을 의미한다.

## 심화 해설

보건행정 핵심 해설
이 문제는 보건통계학에서 가장 기초적이면서도 핵심적인 개념인 유의수준(Significance Level, α)의 일반적인 기준값을 묻고 있어요. 보건행정 현장에서는 연구 결과 해석, 정책 효과 평가, 의료 품질 지표(QI) 분석 등 다양한 상황에서 통계적 검정을 활용하게 되는데, 이때 유의수준의 의미를 정확히 이해하는 것이 매우 중요해요.

**핵심 개념 분석 (Key Concept)**
유의수준(α)은 제1종 오류(Type I Error)를 범할 최대 허용 확률을 의미해요. 제1종 오류란 '실제로는 차이가 없는데(귀무가설이 참인데), 통계 검정 결과 차이가 있다고 잘못 결론 내리는 오류'를 말해요. 쉽게 말해, '가짜 양성(False Positive)' 결과를 받아들일 위험률이에요. 연구자나 정책 입안자는 이 위험을 사전에 일정 수준(예: 5%)으로 통제하기로 약속하는 거죠.

**정답 근거 (Answer Rationale)**
핵심! 보건학, 의학, 사회과학 분야에서 가장 널리 통용되는 유의수준의 기준값은 0.05 (5%)와 0.01 (1%)이에요. 특히 0.05는 '통계적으로 유의하다'고 말할 때 가장 일반적으로 사용되는 문턱값(Threshold)이죠. 이 값들은 오랜 학문적 관례에 의해 정립되었으며, 대부분의 통계 소프트웨어의 기본 설정값이기도 해요.

**오답 분석 (Distractor Analysis)**
혼동 주의! ②번 '0.005 또는 0.001'은 매우 엄격한 기준으로, 특정 고신뢰도 연구나 다중 검정 보정(Bonferroni correction) 후에 사용되지만 '일반적인 기준값'이라고 보기 어려워요.

③번 '0.95 또는 0.99'는 신뢰수준(Confidence Level, 1-α)의 일반적인 값이에요. 유의수준(α)과 신뢰수준(1-α)은 합이 1이 되는 상보적인 관계라는 점을 혼동하지 마세요.

④번 '0.5 또는 0.1' 중 0.1(10%)은 간혹 사용되기도 하지만, 0.5(50%)는 허용 오류가 너무 커서 실질적으로 의미 있는 검정 기준이 될 수 없어요.

⑤번 '1.0 또는 0.0'은 극단적인 값으로, 1.0은 항상 제1종 오류를 범한다는 뜻이고, 0.0은 절대 오류를 범하지 않는다는 뜻이라 현실적으로 사용되지 않아요.

**연관 개념 정리 (Related Concepts)**
가설검정에는 제1종 오류(α) 외에도 제2종 오류(Type II Error, β)가 있어요. 이는 '실제로는 차이가 있는데(대립가설이 참인데), 차이가 없다고 잘못 결론 내리는 오류'로, '가짜 음성(False Negative)'이에요. 그리고 검정력(Power, 1-β)은 실제 차이를 올바르게 탐지할 확률을 의미해요. 좋은 연구 설계는 α를 통제하면서 검정력(1-β)을 최대화하는 것을 목표로 해요.

개념 정리

| 용어 | 기호 | 의미 | 일반적 기준 |
| --- | --- | --- | --- |
| 유의수준 | α | 제1종 오류(False Positive) 허용 한계 | 0.05, 0.01 |
| 신뢰수준 | 1-α | 귀무가설이 참일 때, 이를 기각하지 않을 확률 | 0.95, 0.99 |
| 제2종 오류 | β | 제2종 오류(False Negative)를 범할 확률 | 연구별로 설정 |
| 검정력 | 1-β | 실제 차이를 올바르게 발견할 확률 | 일반적으로 0.8 이상 권장 |

한눈에 비교!

| 비교 항목 | 유의수준 (α) | 신뢰수준 (1-α) |
| --- | --- | --- |
| 관계 | 제1종 오류 확률 | 1 - (제1종 오류 확률) |
| 해석 | "이 정도의 위험은 감수하겠다" | "이 정도는 믿을 수 있다" |
| 일반값 | 0.05 | 0.95 |
| 신뢰구간 연결 | 구간 밖에 진짜 모수가 있을 확률 α | 구간 안에 진짜 모수가 있을 확률 1-α |

실무 포인트
병원에서 의료의 질 개선(QI: Quality Improvement) 프로젝트나 신의료기술 평가를 할 때, 전후 비교 데이터를 분석하면 반드시 통계적 유의성 검정을 실시해요. 이때 p-value가 유의수준 α(예: 0.05)보다 작으면 "변화가 통계적으로 유의하다"고 보고, 정책 또는 프로토콜 변경을 고려하는 근거로 삼아요. 단, p-value가 작다고 해서 항상 '임상적' 또는 '행정적'으로 의미 있는 차이는 아니라는 점을 명심해야 해요.

암기 팁
"**알파(α)는 오류(Error)의 문턱값**"이라고 기억하세요. 알파(α)벳 A는 'Acceptable Error(허용 가능한 오류)'의 A로 연상해도 좋아요. 일반적인 값 0.05와 0.01은 "5%와 1%의 위험은 감수하자"는 사회과학적 합의라고 이해하면 외우기 쉬워요.

국시 빈출 포인트
보건의료정보관리사/병원행정사 시험에서는 유의수준 α의 **정의**와 **일반적인 수치**를 직접 묻는 기본 문제가 자주 출제돼요. 또한, p-value와의 관계(예: "p-value < 0.05일 때의 결론은?")나 제1종/제2종 오류의 정의를 구분하는 문제도 단골 메뉴이니 꼭 익혀두세요.

기출 변형 주의!
동일한 개념을 다음과 같이 변형하여 출제할 수 있어요:

• 사례형: "어느 병원에서 새로운 수술 방법 도입 후 합병률을 조사했더니 p-value가 0.03이 나왔다. 유의수준을 0.05로 설정했을 때 올바른 해석은?"

• 연결형: "다음 통계 용어와 그 설명을 연결하시오. (유의수준 - 제1종 오류의 최대 허용 확률)"

## 임상 시나리오

보건행정 실무 가이드
**실무 시나리오 (Clinical Scenario)**
"병원 경영지원실에서 신규 도입한 원무 자동화 시스템이 진료 접수 대기 시간을 단축시켰다는 주장을 검증하려고 해요. 도입 6개월 전과 후의 평균 대기 시간 데이터를 수집했고, 두 집단 간 평균 차이에 대한 t-검정을 실시한 결과 p-value가 0.04로 나왔어요. 여러분이 보고서를 작성한다면 어떻게 결론을 내리고, 경영진에게 어떤 조언을 할 건가요?"

**행정 중재 전략 (Admin Intervention)**
1. **상황 파악**: 수집된 데이터의 정확성과 검정 방법(t-검정)의 적절성을 먼저 확인해요.
2. **법적/규정 검토**: 통계적 결론 도출에는 특별한 법규는 없지만, 연구 윤리와 데이터 무결성 원칙을 준수해야 해요.
3. **대응 및 처리**: 사전에 설정한 유의수준 α=0.05와 비교합니다. p-value(0.04) < α(0.05)이므로, "**새 시스템 도입 후 대기 시간이 통계적으로 유의하게 단축되었다**"는 결론을 내릴 수 있어요.
4. **사후 기록/보고**: 보고서에는 사용한 유의수준(α=0.05), 검정 방법, p-value, 그리고 핵심! '통계적 유의성'과 '실제 현장에서의 의미(예: 대기 시간 5분 단축)'를 구분하여 설명해야 해요. 경영진은 비용 대비 효과라는 실질적 관점에서 판단할 것이기 때문이에요.

**법적 안전 및 주의사항 (Precautions)**
통계 결과를 해석할 때 가장 흔한 실수는 혼동 주의! '통계적 유의성(Statistical Significance)'과 '실질적 중요성(Practical Significance)'을 혼동하는 것이에요. p-value가 아주 작아도 평균 차이가 1초라면 현장에서는 무의미할 수 있어요. 또한, 데이터 조작이나 p-hacking(원하는 결과가 나올 때까지 분석을 반복하는 행위)은 연구 부정행위에 해당할 수 있으니 절대 금물이에요.

업무 프로토콜

| 단계 | 행동 | 산출물/참고 |
| --- | --- | --- |
| 1. 가설 설정 | 귀무가설(H₀), 대립가설(H₁) 수립 | 예: H₀: μ_전 = μ_후, H₁: μ_전 > μ_후 |
| 2. 기준 설정 | 유의수준 α 결정 (일반 0.05) | 연구 설계서에 명시 |
| 3. 검정 실행 | 적절한 통계 검정(예: t-test, χ²-test) 수행 | 통계 소프트웨어 활용 |
| 4. 결과 해석 | p-value와 α 비교, 결론 도출 | 통계적 유의성 + 실질적 의미 병기 |
| 5. 보고 | 결론을 명확히 담은 보고서 작성 | 관리자 의사결정 지원 |

선배의 한마디
"보건행정에서 데이터는 우리의 가장 강력한 무기예요! 하지만 숫자에 현혹되지 마세요. 유의수준 0.05는 마법의 숫자가 아니에요. 그 뒤에 숨은 데이터의 맥락, 연구 설계의 타당성, 그리고 궁극적으로 '환자와 병원에 어떤 실제적인 도움이 되는가'를 항상 생각하는 행정가가 되어보세요. 통계는 도구일 뿐, 판단은 여러분의 통찰력이 해내는 거랍니다."

## 같은 주제 문제

- [통계적 가설검정에서 귀무가설(H0)이 참인데 기각하는 오류는?](https://mymerci.kr/pages/nclex_q.php?qn_id=290960)
- [새로운 혈압약의 효과를 검증하기 위해 대조군과 비교하는 연구를 수행했다. 검정 결과 p-value가 0.03으로 나왔다. 이 결과의 해석으로 옳은 것은? (유의수…](https://mymerci.kr/pages/nclex_q.php?qn_id=290962)
- [가설검정에서 '검정력(power)'을 올바르게 정의한 것은?](https://mymerci.kr/pages/nclex_q.php?qn_id=290963)
- [단측 검정(one-tailed test)과 양측 검정(two-tailed test)을 구분하는 주요 기준은?](https://mymerci.kr/pages/nclex_q.php?qn_id=290964)
- [두 독립 표본의 평균을 비교하는 t-검정을 수행할 때, 먼저 확인해야 하는 전제 조건은?](https://mymerci.kr/pages/nclex_q.php?qn_id=290965)
- [카이제곱(χ²) 검정이 주로 사용되는 상황은?](https://mymerci.kr/pages/nclex_q.php?qn_id=290966)
- [가설검정에서 '귀무가설'에 대한 설명으로 옳은 것은?](https://mymerci.kr/pages/nclex_q.php?qn_id=290967)
- [유의수준 α=0.05에서 가설검정을 수행한 결과 p-value가 0.10으로 나왔다. 올바른 통계적 결론은?](https://mymerci.kr/pages/nclex_q.php?qn_id=290968)

---

More free questions: [기출문제](https://mymerci.kr/)

_학습 참고용입니다. 실제 임상은 최신 지침과 소속 기관 프로토콜을 따르세요._