연구모형의 구조적인 형태에 부합하는 고급 통계분석 방법의 합리적인 선정 지침을 안내합니다. 연구가설의 검증을 위해 사용해야 하는 통계기법은 연구자가 설정한 모형의 틀과 그 속에 포함된 변인들이 맺고 있는 연결 구조로부터 자연스럽게 도출됩니다. 아울러 각각의 분석 기법에서 연구가설의 채택 여부를 판가름하는 주요 통계 수치와 모형 적합도 지수를 살펴보고, 분석을 거쳐 도출된 결과를 학위논문 본문의 체계에 맞추어 명료하게 기술하는 표준적인 보고 방식을 순서대로 설명합니다.
이 글의 순서 7개 항목
기초적인 기술통계 분석과 변수 간의 상관분석을 완료한 연구자는 연구가설을 정밀하게 검증하기 위한 본격적인 분석 단계로 나아가게 됩니다. 이 단계에 이르러 연구자가 가장 깊이 고민하는 질문은 바로 자신이 수행하는 연구에 어떠한 통계분석 기법을 선택하여 적용해야 하는가 하는 점입니다. 이러한 물음에 대한 명확한 해답은 연구자가 설정한 구체적인 연구가설과 변인들의 관계를 도식화한 연구모형의 구조 속에 이미 담겨 있습니다. 연구모형 속에서 인과관계를 나타내는 경로선의 방향과 변수들이 서로 결합된 형태에 따라, 분석 목적에 가장 부합하는 고급 통계 분석 기법이 필연적으로 결정되기 때문입니다.
이를 구체적으로 살펴보면, 여러 개의 독립변수와 통제변수가 하나의 종속변수에 직접적으로 미치는 영향을 분석하기 위해서는 다중선형회귀분석(multiple linear regression analysis)을 사용합니다. 반면에 독립변수가 미치는 영향력이 중간에 놓인 매개변수를 거쳐 종속변수로 전달되는 인과적인 경로 체계를 규명하고자 할 때는 프로세스 매크로(PROCESS macro) 등을 활용하여 매개효과 분석(mediation analysis)을 수행합니다. 아울러 독립변수가 종속변수에 미치는 영향의 크기나 방향이 제3의 상황적인 조건에 따라 달라지는 상호작용 효과를 검증하고자 할 때는 조절효과 분석(moderation analysis)을 적용합니다. 나아가 관측 문항의 측정오차를 모형에 반영하면서 동시에 다수의 잠재변인들이 맺고 있는 복합적인 인과 경로를 하나의 단일한 모형 안에서 동시에 추정해야 할 때는 구조방정식 모형(structural equation modeling, SEM) 분석이 표준적인 해결책이 됩니다.
본 글에서는 연구 모형의 네 가지 전형적인 형태에 대응하는 핵심 고급 통계분석 기법의 개념과 적용 원리를 차례대로 살펴보고자 합니다.
연재글 순서
- 논문의 주제를 선정하는 방법: 지도교수가 원하는 연구 주제가 갖추어야 하는 세 가지 조건
- 선행연구 고찰과 이론적 배경: 문헌고찰의 결과를 논증으로 바꾸는 방법
- 연구계획서와 프로포절: 심사를 통과하는 설계 순서와 작성법
- 설문조사의 설계와 표본: 데이터 수집에서 실패하지 않는 설문지를 만드는 방법
- 논문작성을 위한 기초 통계: 신뢰도와 타당도부터 t-검정과 분산분석까지
- 고급 통계분석: 회귀분석, 매개효과 vs. 조절효과, 구조방정식 모형분석의 선택 기준
- 논문 본문의 작성: 서론부터 초록까지 챕터별로 쓰는 순서와 방법
- 인용과 연구윤리: 표절 없이 쓰고 검사까지 통과하는 법
- 학술지 투고와 논문심사: 저널의 선택부터 심사 대응까지
고급 통계분석 기법은 무엇을 기준으로 선택하나요?
고급 통계 분석 기법을 선택하는 가장 중요한 기준은 연구모형이 가지는 구조적인 형태와 변수 간 경로의 특성입니다. 기초 통계에 속하는 독립표본 t-검정, 분산분석(ANOVA), 상관분석이 집단 간 평균의 차이나 변수 사이의 관련성 유무를 확인하는 수준에 머무른다면, 고급 통계 분석은 특정한 변수의 영향력이 어떠한 경로와 작동 원리를 거쳐 최종 결과에 도달하는지를 인과적으로 명확하게 규명합니다. 연구모형에서는 변수나 구성개념 사이에 형성된 인과관계를 화살표 형태의 경로선으로 시각화합니다. 연구모형 속에 내재된 논리적인 연결 구조를 정확하게 파악한다면 연구의 목적에 부합하는 분석기법을 자연스럽게 결정할 수 있습니다. 학위논문에서 보편적으로 활용되는 연구모형의 전형적인 구조는 크게 다음의 네 가지 범주로 분류할 수 있습니다.
- 다중선형회귀분석(Multiple Linear Regression) 다수의 독립변수나 외생변수가 단일 종속변수(내생변수)에 직접적인 영향을 미치는 직접 인과 경로 구조를 검증할 때 적용합니다.
- 매개효과 분석(Mediation Analysis) 독립변수가 미치는 영향력이 제3의 매개변수를 경유하여 종속변수로 전달되는 간접적인 인과 경로와 전달 메커니즘을 밝힐 때 활용합니다.
- 조절효과 분석(Moderation Analysis) 독립변수가 종속변수에 미치는 영향의 크기나 방향이 상황적인 조건이나 맥락을 대변하는 조절변수에 따라 달라지는 상호작용 경로 구조를 평가할 때 사용합니다.
- 구조방정식 모형(Structural Equation Modeling, SEM) 분석 여러 잠재변수 간의 복합적인 인과관계가 서로 유기적으로 얽혀 있어, 개별 회귀식으로 분리하지 않고 단일 모형 내에서 측정오차를 통제하며 동시에 추정해야 하는 종합적인 경로 구조를 다룰 때 사용합니다.
고급 통계분석 기법을 선택할 때는 반드시 유념해야 할 중요한 원칙이 있습니다. 복잡하고 어려운 기법을 적용했다고 해서 논문의 질적 가치가 저절로 높아지는 것은 아닙니다. 오히려 연구 모형의 복잡도나 가설 검증의 필요성에 비해 지나치게 과도한 기법을 도입하면, 논문 심사 과정에서 ‘해당 기법을 선택해야만 했던 학문적 당위성’에 대한 비판과 집중적인 질문에 직면할 수 있습니다(‘심사 예상 질문과 답변 전략’).
회귀분석은 언제 사용해야 하나요?
다중회귀분석은 다수의 독립변수가 단일 종속변수에 미치는 영향을 동시에 추정하고 검증하는 대표적인 통계 기법입니다. 예를 들어서, 직무 스트레스, 보상 체계, 대인관계 갈등이 이직 의도에 미치는 영향을 규명하고자 할 때 다중회귀분석을 적용합니다. 이때 연구 대상자의 성별, 연령 등과 같은 인구통계학적 특성은 독립변수의 순수한 영향을 확인하기 위한 통제변수(control variable)로 모형에 함께 투입되는 경우가 많습니다.
그러나 통제변수 투입에는 각별한 주의와 학문적인 신중함이 요구됩니다. 이론적인 근거가 없이 무분별하게 통제변수를 추가할 경우 모형의 자유도가 감소하거나 다중공선성이 발생하는 등 통계적인 부작용을 초래할 수 있기 때문입니다.
회귀분석 결과표(회귀계수표)에서 우선적으로 확인해야 할 핵심 지표는 크게 세 가지입니다.
첫째, 표준화 회귀계수(standardized beta, β)는 각 독립변수가 종속변수에 미치는 영향의 방향(정/부)과 변수 간의 상대적인 영향력의 크기를 나타냅니다. 둘째, 유의확률(p-값)은 해당 독립변수의 영향력이 표본 오차에 의한 것이 아니라 통계적으로 유의미한지를 검증하는 기준이 됩니다. 셋째, 모형의 설명력(explanatory power)을 나타내는 결정계수(R²)는 투입된 독립변수들이 종속변수의 총변량(total variance) 중에서 몇 퍼센트(%)를 설명하는지를 나타냅니다. 이 세 가지의 값들을 종합하여 학술 논문에 결과를 기술하면 다음과 같은 정형화된 보고 문장이 완성됩니다.
“다중회귀분석을 수행한 결과, 직무 스트레스는 이직 의도에 통계적으로 유의한 정(+)의 영향을 미치는 것으로 나타났다(β=0.42, p<0.001). 또한 본 회귀모형의 설명력은 31.0%인 것으로 나타났다(R²=0.310).”
한편, 회귀분석 결과를 해석하기에 앞서, 모형에 투입된 독립변수들 간의 다중공선성(multicollinearity) 문제를 반드시 사전에 진단해야 합니다. 독립변수 간의 상관관계가 지나치게 높으면 각 변수가 종속변수에 미치는 고유한 영향력을 분리하여 정확히 추정하기 어렵고 회귀계수의 표준오차가 과도하게 커지기 때문입니다. 다중공선성 진단에는 주로 분산팽창지수(Variance Inflation Factor, VIF)를 활용하며, 통상적으로 VIF 값이 10.0 미만(엄격한 기준 적용 시 5.0 미만)일 경우 다중공선성으로 인한 통계적 왜곡 문제가 심각하지 않은 것으로 판단합니다.
매개효과 vs. 조절효과는 서로 어떻게 다른가요?
매개효과(mediation effect)는 독립변수가 종속변수에 영향을 미칠 때 제3의 매개변수를 경유하여 인과적 영향을 전달하는 전이 메커니즘을 의미합니다. 반면 조절효과(moderation effect)는 독립변수가 종속변수에 미치는 영향의 강도나 방향이 제3의 변수인 조절변수의 수준(상황적 조건)에 따라 달라지는 현상을 뜻합니다.
두 개념의 차이는 직무 환경의 구체적인 사례를 통해 명확히 구분할 수 있습니다. 직무 스트레스가 직무 만족도를 떨어뜨리고, 그 결과로 이직 의도가 높아진다면 이때의 직무 만족은 인과적인 경로를 매개하는 ‘매개변수’입니다. 반면 상사의 지원 수준에 따라 직무 스트레스가 이직 의도에 미치는 부정적 영향의 크기가 완화되거나 달라진다면(예: 상사의 지원이 높을수록 스트레스의 영향이 약화되는 경우), 상사의 지원은 ‘조절변수’가 됩니다. 즉, 매개효과는 원인이 결과로 이어지는 인과적인 ‘경로(메커니즘)’를 규명하는 것이며, 조절효과는 그 영향력이 발현되거나 변화하는 ‘조건(상황적인 맥락)’을 설명합니다. 매개효과 vs. 조절효과의 차이를 정확하게 이해한다면, 연구가설과 모형을 설계하는 과정에서 논리적인 오류를 크게 줄일 수 있습니다.
현재 매개효과 검증에는 통계 분석 패키지인 SPSS의 확장 도구인 프로세스 매크로(PROCESS macro)를 활용하는 방식이 보편적인 학술적 표준으로 정착되었습니다. 프로세스 매크로는 자료의 정규분포 가정을 엄격하게 요구하지 않는 부트스트래핑(bootstrapping), 즉 표본을 반복하여 복원 추출하는 재표본 추출 기법(re-sampling)을 통해 간접효과를 정밀하게 추정합니다. 통계적인 유의성에 대한 판정은 간접효과의 95% 부트스트랩 신뢰구간(bootstrap confidence interval)을 기준으로 삼으며, 산출된 신뢰구간의 범위 안에 0이 포함되지 않을 때 매개효과가 통계적으로 유의하다고 판정합니다(‘PROCESS Macro를 활용한 경로와 조건의 검증’). 학위논문 본문에 기술하는 결과 보고 문장의 정형화된 예시는 다음과 같습니다.
독립변수가 매개변수를 경유하여 종속변수에 미치는 간접효과의 유의성을 검증하기 위하여, PROCESS 매크로(Model=4)를 활용하여 N=5,000회의 부트스트래핑을 수행하였다. 분석을 수행한 결과, 독립변수가 매개변수를 거쳐 종속변수로 이어지는 간접효과의 비표준화 계수는 0.235(표준오차 0.052)로 추정되었으며, 95% 부트스트랩 신뢰구간은 [0.134, 0.348]로 나타났다. 계산된 신뢰구간의 하한값과 상한값 사이에 0이 포함되지 않았으므로, 독립변수가 종속변수에 미치는 영향에서 매개변수의 간접효과는 통계적으로 유의한 것으로 나타났다.
조절효과 분석은 독립변수와 조절변수의 곱으로 생성된 상호작용항(interaction term)을 회귀모형에 투입하여 검증합니다. 상호작용항을 생성하기 전에 각 변수의 평균을 차감하는 평균 중심화(mean centering)를 적용하면 변수 간에 존재하는 상관관계로 발생하는 다중공선성(multicollinearity) 문제를 효과적으로 완화할 수 있습니다. 상호작용항의 회귀계수가 통계적으로 유의하면 조절효과가 존재하는 것으로 해석할 수 있습니다. 조절의 구체적인 형태와 방향성은 조절변수 수준(예: 평균 ±1S.D.)에 따른 단순 기울기(simple slope) 그래프로 시각화하여 제시하는 것이 일반적인 관행입니다.
구조방정식 모형분석은 언제 사용해야 하나요?
구조방정식 모형 분석은 다수의 변수들 간에 이루어진 여러 인과관계를 단일 모형 내에서 동시에 추정할 수 있는 통계 분석 기법입니다. 이 기법은 전통적인 다중회귀분석과 크게 두 가지 측면에서 구별됩니다. 첫째, 설문 문항의 합산이나 평균을 변수로 사용하는 회귀분석과는 달리, 측정 오차(measurement error)를 통제하고 반영한 ‘잠재변수(latent variable)’를 활용합니다. 둘째, 다수의 독립변수와 종속변수와의 관계로 이루어진 복잡한 경로 모형(path model)을 여러 회귀방정식으로 쪼개지 않고 한 번에 추정할 수 있습니다. 따라서 다중 매개 구조를 가지거나 종속변수가 여러 개인 연구 모형을 검증할 때는 구조방정식 모형 분석이 가장 적합한 분석기법입니다.
구조방정식 모형 분석을 수행하는 과정은 일반적으로 2단계 접근법(two-step approach)을 따릅니다. 1단계에서는 확인적 요인분석(confirmatory factor analysis; CFA)을 수행하여 측정 변수들이 의도한 잠재변수를 타당하게 측정하고 있는지의 여부를 평가합니다. 이를 측정모형(measurement model)의 타당도 평가라고 일컫습니다. 그리고 2단계에서는 잠재변수 간의 인과관계를 나타내는 구조모형(structural model)을 추정합니다. 수집된 데이터가 연구 모형을 얼마나 잘 설명하고 있는지의 여부는 적합도 지수(fit indices)로 평가합니다. 통상적으로 CFI와 TLI 지수가 0.9 이상이고, RMSEA가 0.08 이하일 때 수용이 가능한(acceptable) 모형으로 판단합니다(‘구조방정식 모형 분석: 측정모형과 구조모형의 평가’).
분석에 활용되는 소프트웨어와 접근 방식은 크게 두 가지로 구분됩니다. AMOS를 활용하는 공분산 기반의 구조방정식(CB-SEM)은 이론적인 근거를 기반으로 탄탄하게 설계한 연구모형을 검증하는 전통적인 방식입니다. 일반적으로 200명 이상의 충분한 표본 크기가 요구됩니다. 반면에, SmartPLS 등을 활용하는 부분최소제곱 기반 구조방정식(PLS-SEM)은 상대적으로 표본 크기가 작거나, 이론적인 근거가 비교적 약하고 다분히 탐색적인 성격이 강한 연구에서 효과적인 대안으로 활용됩니다.
통계분석 기법을 구조방정식 모형 분석으로 선택할 때에는 주의해야 할 점이 있습니다. 3-4개의 비교적 소수의 변수들로 이루어진 연구모형이라면, 다중회귀분석이나 PROCESS 매크로만을 사용하더라도 충분히 연구 가설을 검증할 수 있습니다. 복잡한 인과관계를 담지 않는 연구모형을 검증할 때에 맹목적으로 구조방정식을 도입하는 것은 논문의 질적 향상에 기여하지 못합니다. 오히려 논문 심사과정에서 ‘구조방정식 모형분석을 굳이 선택한 논리적인 당위성’에 대한 불필요한 의문만을 일으킬 수 있습니다. 종합한다면, 연구의 목적과 연구모형의 복잡도에 맞는 통계적 분석기법을 선택하는 것이 중요합니다.
| 가상 사례: 관광학 석사과정의 한 연구자는 지역 축제로부터 관광객이 인식하는 서비스 품질이 그들의 재방문 의도에 미치는 영향과 함께 방문객 만족에 의한 매개효과를 규명하는 연구를 설계하였습니다. 당초에 연구자는 구조방정식 모형(SEM) 분석으로 접근하려는 계획을 가지고 있었습니다. 그러나 수집된 유효 표본이 N=180명에 그치게 되었고, 이에 따라 공분산 기반의 분석을 위해 권장되는 표본의 크기인 200명에 미치지 못했습니다. 이에 따라 연구자의 지도교수는 연구모형이 세 변수로 이루어졌다는 구조를 가지기 때문에 다중회귀분석과 PROCESS 매크로를 병용하는 방안을 권장하였습니다. 연구자는 주요 통제변수를 투입하는 다중회귀분석을 수행하여 서비스 품질의 영향, 즉 직접효과를 평가하였습니다. 그리고 PROCESS 매크로를 활용하여 부트스트래핑(bootstrapping)에 의한 매개효과를 분석했습니다. 분석을 수행한 결과, 방문객 만족에 의한 간접효과가 통계적으로 유의한지를 관찰하기 위하여 부트스트랩 신뢰구간을 조사하였습니다. 95% 신뢰구간이 0을 포함하지 않은 것으로 확인되었으며, 따라서 간접효과는 통계적으로 유의한 것으로 확인되었습니다. 아울러, 표본 크기와 모형의 복잡도를 고려하여 다중회귀분석을 분석기법으로 접근한 논리적인 근거를 논문의 연구방법론 챕터에 구체적으로 기술하였습니다. (본 사례는 실제로 이루어진 통계 컨설팅 사례를 바탕으로 재구성한 가상의 시나리오입니다.) |
자주 묻는 질문 (FAQ)
Q. 매개효과와 조절효과가 하나의 연구모형에서 동시에 검증될 수 있나요?
A. 매개효과와 조절효과는 하나의 연구모형 내에서 결합하여 검증할 수 있는데, 이는 ‘조절된 매개효과’입니다. PROCESS 매크로에는 다양한 형태의 결합 모형을 검증할 수 있는 분석 모형 템플릿(model numbers)이 모듈로 구축되어 있습니다. 다만 모형의 복잡성이 커질수록 통계 결과의 해석 과정에서 난이도가 크게 높아집니다. 석사학위 논문 또는 박사학위 논문의 연구에서는 지도교수와의 충분한 협의를 거쳐 연구모형의 정교화 수준을 신중히 결정하는 것이 바람직합니다.
Q. AMOS vs. SmartPLS 중에서 무엇을 선택해야 하나요?
A. 선행 연구를 통해 이론적 배경이 명확하게 확립되어 있고 충분한 크기의 표본을 확보할 수 있는 연구 조건에서는, 전체 모형의 적합도를 엄격하게 검증할 수 있는 공분산 기반의 구조방정식 모형(Covariance-Based SEM) 소프트웨어인 AMOS를 사용하는 것이 적절합니다. 이와 달리, 확보한 표본의 크기가 상대적으로 작거나, 기존의 이론을 엄밀하게 확인하기보다는 새로운 인과 경로를 모색하려는 탐색적인 성격이 강한 연구에서는 자료의 정규분포 요건에 구애받지 않는 부분최소제곱 기반의 구조방정식 모형(Partial Least Squares SEM) 분석 도구인 SmartPLS가 효과적인 대안이 될 수 있습니다. 그러므로 연구자는 통계분석 기법을 최종 선택할 때 연구가 지향하는 본래의 목적과 수집한 데이터의 통계적인 속성을 종합적으로 고려해야 합니다. 나아가 연구자가 속한 세부 학문 분야의 주요 학술지에서 통용되는 방법론적인 관행과 최근의 게재 경향을 사전에 면밀하게 점검하여 연구의 수용성을 높여야 합니다(‘저널 선택의 과학’).
Q. 표본의 크기가 200명에 미치지 못하면 구조방정식을 사용할 수 없나요?
A. 공분산 기반의 구조방정식은 엄격한 표본 크기와 다변량 정규성 가정, 모형 적합도의 판정 기준 등으로 인해 검증 과정(예., 모형적합도 평가)이 상당히 까다로운 편입니다. 이러한 제약에 직면한 연구자가 고려할 수 있는 대안은 크게 두 가지입니다. 첫째는 분석 기법을 부분최소제곱 기반의 SmartPLS(PLS-SEM)로 전환하는 것입니다. 둘째는 연구모형의 구조를 간명화하여 다중회귀분석과 PROCESS 매크로를 통해 연구가설을 검증하는 것입니다. 어떠한 대안을 선택하든, 연구 모형의 특성과 데이터의 한계를 감안하여 분석 기법을 선택한 논리적이고 문헌적인 근거와 당위성을 논문의 연구방법론 챕터에 명확하게 서술해야 합니다.
Q. 회귀분석이나 경로모형에서 모형의 설명력을 나타내는 결정계수(R²)는 어느 정도 수준이어야 타당하다고 볼 수 있습니까?
A. 결정계수(R²)의 적정 수준에 대해 사전에 정해진 절대적인 기준이나 합격선은 존재하지 않습니다. 인간의 태도와 행동을 다루는 사회과학 연구의 특성을 고려한다면, 통상적으로 R² 값이 0.20에서 0.40 사이에 분포하는 경우가 일반적입니다. 다만, R²의 값보다는 연구모형이 어떠한 변수들을 다루어야 한다는 연구자의 주장을 뒷받침하는 이론적인 근거와 논리적 타당성이 학술적으로 더 중요하게 평가됩니다.
Q. 분산팽창지수(VIF)가 10을 초과할 경우 어떻게 대처해야 합니까?
A. 분산팽창지수가 10을 초과한다는 것은 회귀모형 내에 높은 상관관계를 가지는 독립변수들이 동시에 투입되어 심각한 다중공선성 문제가 발생했음을 의미합니다. 이에 대한 대표적인 해결 방안은 크게 두 가지입니다. 첫째, 개념적, 통계적으로 중복성이 높은 변수 중에서 하나를 모형에서 제거하는 것입니다. 둘째, 밀접하게 연관된 변수들을 요인분석 등을 거쳐 하나의 상위 개념(또는 차원)으로 통합 또는 합산하여 단일 변수로 활용하는 것입니다. 연구자는 이론적인 타당성과 연구 목적을 고려해 어떠한 조치를 적용했는지, 그리고 그 근거가 무엇인지를 논문의 연구방법론 또는 분석 결과에 명확히 기술해야 합니다.
Q. 매개효과 검증에서 부트스트래핑이란 무엇인가요?
A. 부트스트래핑은 기존에 수집된 표본 데이터로부터 복원추출(resampling with replacement)을 수천 회 반복하여 간접효과의 경험적인 표본분포(empirical sampling distribution)를 직접 계산하는 비모수적인 통계 기법입니다. 전통적인 소벨 검증(Sobel test)과는 달리 정규분포 가정을 전제하지 않으므로, 분포가 왜곡되기 쉬운 매개효과 검증에 특히 유용합니다. 분석에서는 이렇게 생성된 분포를 토대로 간접효과의 95% 신뢰구간(CI)을 계산합니다. 그리고 신뢰구간 내에 0이 포함되지 않을 때(즉, 하한값과 상한값 사이에 0이 존재하지 않을 때) 매개효과가 통계적으로 유의하다고 판정합니다. 학술 연구에서 PROCESS 매크로를 적용할 때는 추정치의 안정성을 확보하기 위해 재표본 추출 반복 횟수(bootstrap resamples)를 N=5,000회로 설정하는 것이 일반적인 관행이자 권장 기준입니다.
결론
고급 통계분석 기법을 선택하는 핵심 기준은 연구 모형의 ‘구조적인 경로와 인과관계의 형태’입니다.
다수의 독립변수가 하나의 종속변수에 미치는 직접적인 영향을 규명할 때는 다중회귀분석이 적합합니다. 한편, 독립변수의 영향력이 제3의 변수를 경유하여 전달되는 인과적인 메커니즘을 검증할 때는 PROCESS 매크로와 부트스트래핑을 활용하는 매개효과 분석을 접근 기법으로 사용합니다. 반면에, 특정한 조건이나 집단에 따라 변수 간 관계의 강도와 방향이 달라지는 상호작용을 검증할 때에는 조절효과 분석이 타당한 기법입니다. 나아가, 측정 오차를 통제한 다수의 잠재변수 간의 복합적인 경로를 동시에 추정해야 하는 모형에는 확인적 요인분석을 거치는 구조방정식 모형 분석이 표준적인 해법이 됩니다.
분석 결과의 통계적인 타당성을 판정하는 기준으로는 다중공선성을 진단하는 분산팽창지수(VIF) 10 미만, 매개효과의 유의성을 입증하는 부트스트랩 신뢰구간의 0 미포함 여부, 그리고 구조모형의 적합도를 평가하는 CFI 및 TLI 0.90 이상, RMSEA 0.08 이하 등이 널리 통용됩니다.
무엇보다 연구가설을 검증할 수 있는 범위 내에서 가장 단순한 기법이 가장 우수한 기법이라는 ‘간명성의 원칙(principle of parsimony)’이 모든 방법론적인 의사결정 과정에서 최우선적인 기준이 되어야 합니다.
