# 대립가설(H1 또는 Ha)에 대한 설명으로 옳은 것은?

> source: MyMerci (mymerci.kr)  
> url: https://mymerci.kr/pages/nclex_q.php?qn_id=290986  
> language: ko  
> subject: 추론통계

## 문제

대립가설(H1 또는 Ha)에 대한 설명으로 옳은 것은?

## 보기

1. 통계적 검정의 기준이 되는 가설이다.
2. 항상 '차이가 없다'는 내용을 담는다.
3. 기각될 가능성이 없는 가설이다.
4. 연구자가 증명하고자 하는 가설이다. **✔ 정답**
5. 표본으로부터 직접 계산되는 값이다.

**정답: 4**

## 해설

대립가설은 연구자가 주장하고자 하는 가설로, 일반적으로 '차이가 있다', '효과가 있다' 등의 내용을 담는다. 귀무가설이 통계적 검정의 기준이 된다.

## 심화 해설

보건행정 핵심 해설
이 문제는 통계학적 가설 검정(Hypothesis Testing)의 기본 개념 중 대립가설(Alternative Hypothesis, H1 또는 Ha)의 정의와 역할을 묻고 있어요. 보건행정 및 의료연구에서 데이터 분석과 정책 효과 평가의 근간이 되는 매우 중요한 개념이니 확실히 이해해야 해요.

**핵심 개념 분석 (Key Concept)**
통계적 가설 검정은 핵심! 두 가지 상반된 가설을 설정하고, 표본 데이터를 통해 어느 가설을 지지할지 판단하는 과정이에요. 귀무가설(Null Hypothesis, H0)은 '차이가 없다', '효과가 없다'는 보수적이고 중립적인 주장입니다. 반면, 대립가설(Alternative Hypothesis, H1 또는 Ha)은 연구자가 실제로 입증하고 싶은 주장, 즉 '차이가 있다', '효과가 있다', '어떤 관계가 있다'는 내용을 담는 가설이에요.

**정답 근거 (Answer Rationale)**
정답은 **④ 연구자가 증명하고자 하는 가설이다.**입니다.
핵심! 대립가설의 정의는 "연구자가 표본을 통해 지지하고자 하는, 귀무가설과 대립되는 가설"입니다. 연구의 목적은 대개 이 대립가설을 뒷받침하는 증거(통계적으로 유의한 결과)를 찾는 것이에요. 예를 들어, "새로운 치료법 A가 기존 치료법 B보다 효과가 더 좋다"는 연구자의 주장이 바로 대립가설이 되는 거죠.

**오답 분석 (Distractor Analysis)**
혼동 주의! 각 오답이 틀린 이유를 정리하면 다음과 같아요.
① "통계적 검정의 기준이 되는 가설이다." → 이는 귀무가설(H0)의 특징입니다. 검정은 귀무가설이 참이라는 가정 하에 진행돼요.
② "항상 '차이가 없다'는 내용을 담는다." → 이는 귀무가설(H0)의 전형적인 내용입니다. 대립가설은 '차이가 있다', '효과가 있다' 등의 내용을 담아요.
③ "기각될 가능성이 없는 가설이다." → 오히려 연구의 목적은 귀무가설을 기각하고 대립가설을 채택하는 것이에요. 대립가설은 '채택'의 대상이죠.
⑤ "표본으로부터 직접 계산되는 값이다." → 이는 검정 통계량(Test Statistic, 예: t값, χ²값)에 대한 설명입니다. 가설은 주장(명제)이지 계산된 값이 아니에요.

**연관 개념 정리 (Related Concepts)**
가설 검정의 흐름을 정리하면: 연구 질문 설정 → 귀무가설(H0)과 대립가설(H1) 설정 → 유의수준(α, 예: 0.05) 결정 → 표본 수집 및 검정 통계량 계산 → p-value 계산 → p-value와 α 비교 → 판단(귀무가설 기각/채택)입니다. 여기서 p-value는 "귀무가설이 참일 때, 현재 표본 결과보다 더 극단적인 결과가 나올 확률"을 의미해요.

개념 정리

| 구분 | 귀무가설 (Null Hypothesis, H0) | 대립가설 (Alternative Hypothesis, H1 또는 Ha) |
| --- | --- | --- |
| 정의 | 검정의 대상이 되는, '차이/효과 없음'을 기본으로 하는 가설 | 연구자가 증명하고자 하는, H0와 대립되는 가설 |
| 내용 | μ1 = μ2 (두 집단 평균 같음), ρ = 0 (상관 없음) | μ1 ≠ μ2 (다름), μ1 > μ2 (더 큼), ρ ≠ 0 (상관 있음) |
| 검정에서의 역할 | 통계적 검정의 기준 (기각 대상) | 연구자가 지지하고 싶은 주장 (채택 대상) |
| 결과 해석 | p-value < α → H0 기각 (통계적 유의성 있음) | H0 기각 시, H1에 대한 증거가 있다고 해석 |

한눈에 비교!

| 혼동 개념 | 의미 | 대립가설과의 차이 |
| --- | --- | --- |
| 제1종 오류(Type I Error) | H0가 참인데 기각하는 오류 (False Positive) 유의수준 α가 이 오류의 확률 | 대립가설을 지지하기 위해 H0를 기각하는 과정에서 발생 가능한 위험 |
| 제2종 오류(Type II Error) | H0가 거짓인데 채택하는 오류 (False Negative) 확률은 β, 검정력(Power)은 1-β | 대립가설이 참인데 이를 뒷받침할 증거를 찾지 못해 발생하는 오류 |
| 검정 통계량(Test Statistic) | 표본 데이터로부터 계산된 값 (t, F, χ² 등) | 대립가설은 '주장'이고, 검정 통계량은 이 주장을 평가하기 위해 사용하는 도구(값) |

실무 포인트
보건행정 실무에서 가설 검정은 정책 효과 평가, 새로운 진료 프로토콜 효과 분석, 환자 만족도 비교 등 다양한 분야에 적용돼요. 예를 들어, "원무과 고객응대 교육 프로그램 도입 후 고객 민원 건수가 유의미하게 감소했는가?"를 분석할 때, H0: "교육 전후 민원 건수 평균이 같다", H1: "교육 후 민원 건수 평균이 더 낮다"로 설정하고 t-검정 등을 실시하게 됩니다. 분석 결과를 보고서에 담을 때는 "귀무가설을 기각한다"는 통계적 결론보다 "교육 프로그램 도입이 민원 감소에 통계적으로 유의한 효과가 있었다(p < .05)"와 같이 대립가설의 내용을 중심으로 해석하는 것이 좋아요.

암기 팁
- **귀(歸)무(無)가설**: '귀'환(歸)해서 '무'다름(無)을 본다 → 차이가 없다는 기본 가정.
- **대립(對立)가설**: '대립'한다 → 기본 가설(H0)에 반대되는, 연구자가 '대립'시켜서 주장하는 가설.
- H0는 'Zero(0)' 효과, H1은 'One(1)' 이상의 효과라고 연상해도 좋아요.

국시 빈출 포인트
이 주제는 핵심! "귀무가설 vs 대립가설 정의", "제1종/제2종 오류 정의 및 예시", "p-value의 의미", "유의수준 α의 역할" 등으로 자주 출제됩니다. 특히 오답 선지로 "대립가설이 통계적 검정의 기준이다"라는 함정이 매우 흔하니 주의하세요. 항상 "기준=귀무가설, 주장=대립가설"이라고 기억하세요.

기출 변형 주의!
동일 개념을 다음과 같이 변형 출제할 수 있어요.
- **사례형**: "어느 병원에서 두 가지 수술 기법의 평균 회복 기간을 비교 연구한다. 연구자가 '새 기법의 회복 기간이 더 짧다'고 주장할 때, 이는 어떤 가설에 해당하는가?" → 대립가설(H1)
- **역(逆)개념 확인형**: "통계적 검정에서 직접적으로 검정의 대상이 되는 가설은?" → 귀무가설(H0)
- **오류 개념 연결형**: "귀무가설이 사실인데 기각하는 오류는?" → 제1종 오류(Type I Error)

## 임상 시나리오

보건행정 실무 가이드
**실무 시나리오 (Clinical Scenario)**
"보건소에서 새로운 금연 캠페인 프로그램의 효과를 평가하려고 해요. 프로그램 참여자 100명과 비참여자 100명의 6개월 후 금연 성공률을 비교할 때, '프로그램이 금연 성공률을 높인다'는 주장을 통계적으로 입증하려면 어떻게 가설을 설정하고 분석해야 할까요?"

**행정 중재 전략 (Admin Intervention)**
1. **상황 파악**: 평가 목표는 '프로그램 효과 증명'. 따라서 효과 있음(성공률 높임)이 연구자의 주장(대립가설)이 됩니다.
2. **법적/규정 검토**: 통계 분석은 연구윤리심의위원회(IRB) 승인을 받은 연구 설계에 따라 진행해야 합니다. 공공기관 연구에서는 특히 주의해야 해요.
3. **대응 및 처리**:
- 가설 설정: H0(귀무가설): "프로그램 참여군과 비참여군의 금연 성공률은 같다." H1(대립가설): "프로그램 참여군의 금연 성공률이 비참여군보다 높다." (단측 검정)
- 분석 방법: 두 집단 비율 비교이므로 카이제곱(χ²) 검정 또는 비율의 Z-검정을 사용합니다.
- 유의수준 설정: 일반적으로 α = 0.05를 적용합니다.
4. **사후 기록/보고**: 분석 결과(p-value)를 바탕으로 결론을 내립니다. 예를 들어, "p-value = 0.03 (< 0.05)이므로, 귀무가설을 기각합니다. 새로운 금연 캠페인 프로그램이 금연 성공률을 통계적으로 유의미하게 높인다는 증거가 있습니다." 라고 효과 평가 보고서에 기재합니다.

**법적 안전 및 주의사항 (Precautions)**
- 혼동 주의! 통계적 유의성(p < .05)과 실제 현장에서의 중요성(효과 크기, Effect Size)은 다릅니다. 매우 작은 차이도 표본이 크면 통계적으로 유의해질 수 있으니, 결과 해석 시 효과 크기도 함께 보고해야 해요.
- 연구 결과를 발표하거나 정책 건의 시, 제1종 오류(가짜 양성) 가능성을 언급하는 것이 과학적 엄밀성을 높입니다. (예: "본 결과는 5% 유의수준에서 유의하지만, 제1종 오류 가능성이 존재합니다.")

업무 프로토콜
**프로그램 효과성 통계 평가 프로토콜**
1. **목표 설정**: 증명하고자 하는 효과(대립가설 내용)를 명확히 정의.
2. **연구 설계**: 비교군 설정, 표본 크기 결정, 측정 변수 선정.
3. **가설 설정**: H0와 H1을 수학적 형식(μ, p 등)으로 명시.
4. **데이터 수집 및 분석**: 적절한 검정 방법 선택 → 소프트웨어(SPSS, R 등)로 분석.
5. **결론 도출 및 보고**: p-value와 유의수준 비교 → H0 기각/채택 결정 → 대립가설 관점에서 실무적 결론 기술.

선배의 한마디
"통계는 숫자 놀음이 아니라, 불확실한 세상에서 합리적인 결정을 내리기 위한 도구예요. '대립가설'이라는 말 속에는 연구자나 행정가의 '희망'이나 '가설'이 담겨 있어요. 그 희망이 데이터라는 객관적 증거로 얼마나 지지받는지를 엄격하게 검증하는 과정이 바로 가설 검정이죠. 보건행정가라면 보고서의 숫자 뒤에 숨은 '주장'과 그 주장의 '통계적 근거'를 꼼꼼히 읽을 줄 아는 안목을 길러야 해요!"

## 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._