# 가설검정 결과, 실제로는 귀무가설이 참인데도 불구하고 이를 기각하는 오류는?

> source: MyMerci (mymerci.kr)  
> url: https://mymerci.kr/pages/nclex_q.php?qn_id=290971  
> language: ko  
> subject: 추론통계

## 문제

가설검정 결과, 실제로는 귀무가설이 참인데도 불구하고 이를 기각하는 오류는?

## 보기

1. 제1종 오류 **✔ 정답**
2. 표본오차
3. 시스템 오류
4. 제2종 오류
5. 측정오차

**정답: 1**

## 해설

제1종 오류(α 오류)는 귀무가설이 참인데 기각하는 오류이다. 제2종 오류(β 오류)는 귀무가설이 거짓인데 채택하는 오류이다.

## 심화 해설

보건행정 핵심 해설
이 문제는 통계적 가설검정에서 발생할 수 있는 두 가지 주요 오류 유형을 구분하는 능력을 평가하고 있어요. 보건행정 및 의료정보학 연구에서 데이터 분석과 근거 기반 의사결정은 매우 중요하므로, 통계적 오류의 개념을 명확히 이해하는 것이 필수적이에요.

**핵심 개념 분석 (Key Concept)**
통계적 가설검정은 표본 데이터를 바탕으로 모집단에 대한 가설(주로 귀무가설(Null Hypothesis, H₀)과 대립가설(Alternative Hypothesis, H₁))의 진위를 판단하는 과정이에요. 이 판단 과정에서 표본의 변동성으로 인해 항상 오류 가능성이 존재해요. 그 중 가장 기본이 되는 두 가지 오류가 바로 핵심! 제1종 오류(Type I Error, α error)와 제2종 오류(Type II Error, β error)예요.

**정답 근거 (Answer Rationale)**
문제에서 묻는 것은 "**실제로는 귀무가설이 참인데도 불구하고 이를 기각하는 오류**"예요. 이 정의는 제1종 오류의 정확한 설명이에요. 제1종 오류는 '가짜 양성(False Positive)'이라고도 불리며, 연구자가 설정한 유의수준(Significance Level, α)(예: 0.05, 5%)이 바로 이 오류를 범할 허용 가능한 최대 확률을 의미해요. 따라서 정답은 **① 제1종 오류**입니다.

**오답 분석 (Distractor Analysis)**
혼동 주의! 각 오답 선택지가 왜 틀린지, 그리고 어떤 개념과 혼동할 수 있는지 살펴볼게요.

② **표본오차(Sampling Error)**: 표본을 추출할 때 모집단 전체를 조사하지 못해 발생하는 오차예요. 가설검정 오류와는 다른, 더 넓은 개념의 통계적 오차에 속해요.

③ **시스템 오류(System Error)**: 통계적 개념이 아닌, 측정 도구나 절차, 컴퓨터 시스템의 결함으로 인해 발생하는 오류를 지칭하는 일반적인 용어예요.

④ **제2종 오류(Type II Error, β error)**: 이는 혼동 주의! 문제의 정반대 상황이에요. "실제로는 귀무가설이 거짓(즉, 대립가설이 참)인데도 이를 채택하는 오류"를 말해요. '가짜 음성(False Negative)'이라고도 불러요. 검정력(Power, 1-β)은 제2종 오류를 범하지 않을 확률을 의미해요.

⑤ **측정오차(Measurement Error)**: 데이터를 수집하거나 측정하는 과정에서 도구의 부정확성, 관찰자의 주관성 등으로 인해 발생하는 오류예요. 이는 표본오차와 마찬가지로 가설검정 이전의 데이터 품질 문제와 관련이 있어요.

**연관 개념 정리 (Related Concepts)**
- **유의수준(α)**: 제1종 오류를 범할 허용 확률. 일반적으로 0.05(5%) 또는 0.01(1%)로 설정해요.
- **검정력(Power, 1-β)**: 제2종 오류를 범하지 않을 확률, 즉 실제 효과가 존재할 때 이를 올바르게 검출해낼 확률이에요. 연구 설계 시 충분한 표본 수를 확보하는 것이 검정력을 높이는 핵심이에요.
- **p-값(p-value)**: 귀무가설이 참이라는 가정 하에, 현재 표본에서 관찰된 결과보다 더 극단적인 결과가 나올 확률이에요. p-값이 유의수준(α)보다 작으면 귀무가설을 기각해요.

개념 정리

| 오류 유형 | 별칭 | 정의 | 관련 확률 | 비유 (의학 검사 예시) |
| --- | --- | --- | --- | --- |
| 제1종 오류 (Type I) | α 오류, 가짜 양성 | 귀무가설(H₀)이 참인데 기각하는 오류 | 유의수준 (α) | 건강한 사람을 질병이 있다고 진단 |
| 제2종 오류 (Type II) | β 오류, 가짜 음성 | 귀무가설(H₀)이 거짓인데 채택하는 오류 | 검정력 (1-β) | 실제 환자를 건강하다고 진단 |

한눈에 비교!

| 비교 항목 | 제1종 오류 (α) | 제2종 오류 (β) |
| --- | --- | --- |
| 상황 | H₀가 참일 때 | H₀가 거짓(즉, H₁가 참)일 때 |
| 판단 | H₀를 기각 (잘못된 기각) | H₀를 채택 (잘못된 채택) |
| 위험성 | 무의미한 차이를 의미 있다고 결론 내림 (예: 효과 없는 신약을 유효하다고 발표) | 실제 의미 있는 차이를 놓침 (예: 유효한 신약을 효과 없다고 판단) |
| 통제 방법 | 유의수준(α)을 낮게 설정 (예: 0.01) | 표본 크기(n)를 증가시켜 검정력(1-β) 높임 |

실무 포인트
보건행정이나 의료연구에서:
1. **신약/신기술 평가**: 제1종 오류를 엄격히 통제(α를 매우 작게 설정)해야 해요. 효과 없는 치료법이 시장에 나오는 것을 방지하기 위함이에요.
2. **감염병 스크리닝**: 제2종 오류를 최소화(검정력 높임)하는 것이 더 중요할 수 있어요. 한 명의 환자라도 놓치면 공중보건 위험이 커지기 때문이에요.
3. **정책 효과 분석**: 분석 보고서를 읽을 때, 사용된 α 값과 검정력을 확인하면 결과의 신뢰도를 평가하는 데 도움이 돼요.

암기 팁
- **"1(종)은 참을 기각"**: 제1종 오류는 '참'인 가설을 '기각'하는 오류라고 연상하세요.
- **"α(알파)는 첫 번째 글자"**: 알파벳 순서로 A(Alpha)가 첫 번째이듯, 제1종 오류는 α 오류라고 불러요.
- **의학 검사 비유**: "건강한 사람을 병자로 (1종) / 병자를 건강하다고 (2종)"로 외우면 쉽게 구분할 수 있어요.

국시 빈출 포인트
통계 부분에서 제1종/제2종 오류의 정의는 **매우 높은 빈도**로 출제돼요. 정의를 그대로 묻거나, 실제 연구 시나리오(예: "유의수준 α=0.05로 설정한 의미는?")를 통해 간접적으로 물어보는 경우가 많아요. 반드시 정의를 구분해서 암기하고, α, β, 검정력(1-β)의 관계를 이해해야 해요.

기출 변형 주의!
1. **역방향 질문**: "제2종 오류의 정의로 옳은 것은?"으로 물어볼 수 있어요.
2. **개념 적용형**: "효과가 없는 신약을 유효하다고 결론내리는 것은 어떤 오류에 해당하는가?" (정답: 제1종 오류)
3. **수치 연결형**: "유의수준 α=0.01로 설정할 때, 제1종 오류를 범할 확률은?" (정답: 1% 또는 0.01)

## 임상 시나리오

보건행정 실무 가이드
**실무 시나리오 (Clinical Scenario)**
"병원 기획조정실에서 새로운 원무처리 시스템 도입 후 진료 접수 대기 시간이 단축되었다는 효과 분석을 의뢰했어요. 당신은 6개월간의 데이터를 수집해 통계 검정을 실시한 결과, p-value가 0.03으로 나왔어요(유의수준 α=0.05). 새로운 시스템이 효과가 있다고 결론을 내릴 때, 어떤 통계적 오류를 범할 위험이 있고, 그 위험의 크기는 얼마인가요?"

**행정 중재 전략 (Admin Intervention)**
1. **상황 파악**: p-value(0.03) < α(0.05)이므로, 통계적으로 유의미하다고 판단하여 "귀무가설(새 시스템은 효과가 없다)"을 기각하게 돼요.
2. **법적/규정 검토**: 이 결론은 제1종 오류(α 오류)를 범할 위험이 내포되어 있어요. 즉, 실제로는 새 시스템이 효과가 없음에도 불구하고, 표본 데이터의 변동 때문에 효과가 있다고 잘못 결론 내릴 5%의 확률이 존재하는 거예요.
3. **대응 및 처리**: 보고서에 결론을 제시할 때, "유의수준 5%에서 통계적으로 유의미한 개선 효과가 관찰되었으나, 이는 제1종 오류(α 오류)를 범할 가능성이 있습니다"라고 명시하여 결론의 한계를 투명하게 공개해야 해요. 더 확고한 결론을 원한다면 데이터 수집 기간을 늘리거나(표본 크기 증가), α 값을 0.01처럼 더 엄격하게 설정한 추가 분석을 제안할 수 있어요.
4. **사후 기록/보고**: 모든 통계 분석 보고서에는 사용된 유의수준(α), 검정력 분석(또는 표본 크기 근거), 실제 p-value를 반드시 기록하여 결과의 재현성과 투명성을 확보해야 해요.

**법적 안전 및 주의사항 (Precautions)**
- 근거 기반 의사결정을 위해 통계 결과를 과도하게 확대 해석하지 마세요. '통계적 유의성'과 '실제적/임상적 유의성'은 다를 수 있어요.
- 연구 윤리 차원에서, p-value만 보고 결론을 내리기보다 효과의 크기(Effect Size)와 신뢰구간(Confidence Interval)을 함께 제시하는 것이 바람직해요.

업무 프로토콜

| 단계 | 행동 | 산출물/확인사항 |
| --- | --- | --- |
| 1. 가설 설정 | 귀무가설(H₀)과 대립가설(H₁)을 명확히 수립 | 연구계획서 |
| 2. 기준 설정 | 유의수준(α, 보통 0.05)과 목표 검정력(보통 0.8) 결정 | 표본 크기 계산 근거 |
| 3. 데이터 분석 | 적절한 통계 검정법 선택 후 p-value 계산 | 통계 분석 결과표 |
| 4. 결론 도출 | p-value와 α 비교 → H₀ 기각/채택 결정 | 결론 및 한계점 명시 |
| 5. 보고 | α, β 오류 가능성, 효과 크기, 신뢰구간 포함하여 보고 | 최종 분석 보고서 |

선배의 한마디
"통계는 숫자 놀음이 아니라, 불확실성 아래에서 합리적인 의사결정을 돕는 도구예요. 제1종, 제2종 오류 개념은 그 불확실성을 정량화하는 핵심이에요. 병원에서 새로운 정책을 도입할지, 보험 급여 항목을 평가할지, 의료의 질(QI) 개선 효과를 판단할지 모든 곳에서 이 개념이 적용된다고 생각하세요. '이 결론이 틀릴 확률은 얼마나 될까?'를 항상 염두에 두는 것이 전문 보건행정가의 자세랍니다!"

## 같은 주제 문제

- [통계적 가설검정에서 귀무가설(H0)이 참인데 기각하는 오류는?](https://mymerci.kr/pages/nclex_q.php?qn_id=290960)
- [가설검정 시 사용하는 유의수준(α)의 일반적인 기준값은?](https://mymerci.kr/pages/nclex_q.php?qn_id=290961)
- [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)

---

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

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