통계분석 7단계. 매개효과와 조절효과: PROCESS Macro를 활용한 경로와 조건의 검증

매개효과 분석은 독립변수의 영향이 어떠한 경로를 거쳐 전달되는가를 검증하는 것이고, 조절효과 분석은 그 영향의 크기가 어떠한 조건에서 달라지는가를 평가하는 것입니다. 매개효과 vs. 조절효과를 구분하는 이론적인 기준과 PROCESS Macro를 활용한 분석 절차, 부트스트래핑(bootstrapping) 95% 신뢰구간과 상호작용항에 관한 올바른 해석 방법, 통계분석 결과를 학술 논문에 보고하는 방법을 안내합니다.

이 글의 순서 19개 항목

1. 매개효과(Mediation)와 조절효과(Moderation)의 차이
   • 1. 개념적 정의와 질문의 차이
   • 2. 변수의 발생 시점과 시간적 선후관계
   • 3. 통계적 작동 방식과 검증의 대상
2. PROCESS Macro의 활용 방법
   • 1. 프로그램 다운로드와 설치
   • 2. 데이터의 사전 점검과 정제
   • 3. 분석을 수행하기 위한 환경 세팅
3. 매개효과의 분석 방법과 절차: PROCESS Model=4의 활용
   • 1. PROCESS Macro 실행 절차
   • 2. 결과 테이블로부터 확인해야 하는 3대 효과: 총효과, 직접효과, 간접효과
   • 3. 간접효과의 유의성 판단 기준
4. 조절효과의 분석 방법과 절차: PROCESS Model=1의 활용
   • 1. PROCESS Macro 실행 절차
   • 2. 결과 테이블의 해석
   • 3. 심층 분석: 존슨-네이먼(Johnson-Neyman) 기법의 해석
   • 4. 결과의 리포팅과 시각화 기준
5. 자주 묻는 질문 (FAQ)
6. 결론

회귀분석을 통해 독립변수 A가 종속변수 B에 영향을 미치는 것으로 나타났습니다. 이 후에 연구자가 궁금해 할 만한 점은 두 가지입니다. 첫째는 ‘독립변수 A의 영향이 어떠한 경로를 거쳐서 전달되는가’이며, 둘째는 ‘독립변수 A의 영향력이 누구에게나 동일한 크기로 나타나는가’입니다. 전자의 물음에 답하기 위해서는 매개효과를 분석해야 하고, 후자를 위해서는 조절효과를 검증해야 합니다.

매개효과 vs. 조절효과의 개념을 정확하게 구분해야 합니다. 이 글에서는 두 효과를 구분하는 이론적인 기준, PROCESS Macro를 통한 검증 방법, 그리고 결과 테이블의 해석에 이르는 과정을 살펴보겠습니다.

매개효과(Mediation)와 조절효과(Moderation)의 차이

1. 개념적 정의와 질문의 차이

두 효과는 연구자가 어떠한 현상을 설명하기 위한 분석의 목적에서부터 출발점이 다릅니다.

• 매개효과 (경로와 메커니즘의 규명): 독립변수(X)가 종속변수(Y)에 직접적으로만 영향을 미치는 것이 아니라, 중간에 매개변수(M)를 거쳐서 간접적으로 영향을 미치는 관계를 의미합니다. “독립변수는 왜(Why), 그리고 어떠한 과정(How)을 거쳐 종속변수를 유발하는가?”라는 물음에 답합니다.
• 조절효과 (조건의 규명): 독립변수(X)가 종속변수(Y)에 미치는 영향의 강도나 방향이 조절변수(W)의 수준에 따라 변화하는 관계를 의미합니다. “독립변수의 영향력은 언제(When), 또는 누구에게(For whom) 더 강하게 혹은 약하게 나타나는가?”라는 경계 조건(boundary condition)을 밝힙니다.

2. 변수의 발생 시점과 시간적 선후관계

두 효과를 구분할 때 가장 확인해야 할 기준은 변수의 시간적인 발생 순서입니다.

• 매개변수(M)의 속성 (사후적인 변화): 반드시 X의 발생 이후에 나타나는 심리적 반응, 인지적 평가, 태도의 변화이어야 합니다. 즉, X의 결과물이면서 동시에 Y의 원인이 되는 ‘인과적인 징검다리’ 역할을 수행해야 성립합니다.
• 조절변수(W)의 속성 (사전적인 조건): X가 발생하기 이전부터 연구의 대상이나 환경에 이미 내재하였던 고유의 특성이어야 합니다. 성별, 연령 등의 인구통계학적 요인, 고정된 성격이나 특질, 조직 문화나 제도 등이 대표적이며, X의 영향을 받더라도 변하지 않는 독립된 외생 변수(exogeneous variable)이어야 합니다.

3. 통계적 작동 방식과 검증의 대상

매개분석의 통계적 핵심 (간접효과 검증): X → M 경로(a)와 M → Y 경로(b)의 곱인 간접효과(a×b)가 통계적으로 유의한지의 여부를 판단합니다. 현대 통계학에서는 부트스트래핑(bootstrapping) 기법을 활용해서 간접효과의 95% 신뢰구간(confidence interval; CI)에 ‘0’ 값이 포함되는지의 여부를 기준으로 매개효과의 유의성을 평가합니다.

조절분석의 통계적 핵심 (상호작용 검증): 독립변수와 조절변수를 서로 곱해서 만든 상호작용항(X×W)의 회귀계수와 설명력의 증가분(ΔR²)이 유의한지를 판단합니다. 만약 상호작용이 유의하다면, 조절변수의 수준(평균±1S.D)에 따라 X가 Y에 미치는 회귀선의 기울기가 어떻게 달라지는지를 단순기울기(simple slope) 분석이나 존슨-네이먼(Johnson-Neyman) 분석을 통해 후속검증을 수행합니다.

PROCESS Macro의 활용 방법

PROCESS Macro를 활용하기 위해서는 ‘프로그램 다운로드 및 설치(SPSS 연동)’와 ‘데이터의 사전 정제(변수 세팅)’라는 두 가지 단계를 거쳐야 합니다.

1. 프로그램 다운로드와 설치

PROCESS Macro는 SPSS에 기본으로 내장된 기능이 아닙니다. 따라서 개발자(Andrew F. Hayes)가 배포한 파일을 다운로드한 후에 대화 상자를 추가해야 합니다.

1. 공식 파일 다운로드: 공식 웹사이트(processmacro.org)에 접속한 후에 최신 버전의 Process 압축 파일(Zip)을 다운로드 받은 후에 unzip을 합니다.
2. SPSS에서 설치 메뉴로 진입:
   • SPSS 최신 버전: 상단 메뉴 확장(Extensions) → 사용자 정의 대화 상자 → 맞춤 대화 상자 설치(Install Custom Dialog)
   • SPSS 구버전: 유틸리티(Utilities) → 사용자 정의 대화 상자 → 맞춤 대화 상자 설치
3. 설치 파일 지정: 압축을 푼 폴더 안에서 process.spd 파일을 선택하고 오픈합니다.
4. 설치 완료 확인: SPSS 상단 메뉴의 분석(Analyze) → 회귀분석(Regression) 경로로 이동했을 때, 하단에 PROCESS v4.x by Andrew F. Hayes 메뉴가 정상적으로 등록되었는지를 확인합니다.

2. 데이터의 사전 점검과 정제

PROCESS Macro를 활용하기 위해서는 문법(syntax)을 엄격하게 사용해야 합니다. 만약 회귀모형에 투입하려는 데이터가 다음의 조건을 만족하지 않으면 분석이 실행되지 않거나 오류 메시지가 출력됩니다.

• 모든 변수의 숫자형(numeric) 변환: 투입하려는 모든 독립-매개-조절-종속-통제변수는 반드시 데이터 보기에서 ‘숫자(numeric)’ 형식이어야 합니다. 텍스트로 이루어진 문자형(string) 변수가 단 하나라도 포함되어 있으면 매크로가 즉시 중단됩니다.
• 단일 합성 점수(composite score) 생성: PROCESS Macro는 구조방정식(예., AMOS, SmartPLS)과는 달리 잠재변수의 값을 측정하기 위한 문항들을 사용하지 않습니다. 신뢰도 분석과 요인분석을 수행한 후에 ‘변수 계산(Compute Variable) 기능’을 통해 리커트 척도의 ‘평균 점수’를 단일 합성 변수로 생성해야 합니다.
• 결측값(missing value)의 사전 점검: PROCESS Macro는 분석에 투입된 변수 중에서 단 하나라도 결측이 있는 관측값을 일괄적으로 제외하는 목록별 결측 제외(Listwise Deletion)를 디폴트로 적용합니다. 투입 변수가 많을수록 유효 표본의 크기가 감소할 수 있으며, 따라서 결측값의 패턴을 미리 확인해야 합니다.
• 다범주 변수의 처리 준비:성별(0, 1)과 같은 이분형 변수가 아닌 3개 이상의 범주를 가진 인구통계학적 변수(예., 학력, 직급)를 통제변수나 조절변수로 투입하는 경우, 사전에 더미 코딩(dummy coding)을 하거나 PROCESS Macro 대화상자에서 Multicategorical 설정을 수행해야 합니다.

3. 분석을 수행하기 위한 환경 세팅

PROCESS Macro의 실행 창(Options)에서 연구자가 원하는 파라미터를 설정합니다.

• 평균 중심화(mean centering): 조절효과를 검증할 때에 다중공선성(multi-colinearity)을 완화하고 상호작용항의 주효과 계수에 관한 해석을 용이하게 하기 위해 Options에서 ‘상호작용을 구성하는 모든 연속형 변수의 평균 중심화(center for products)’ 옵션을 활성화합니다.
• 부트스트래핑 표본의 크기(bootstrap samples): 일반적으로 N=5,000(또는 10,000회)로 설정합니다.
• 신뢰구간(confidence level): 95% (양측 검정 기준)로 설정합니다.

매개효과의 분석 방법과 절차: PROCESS Model=4의 활용

과거에는 회귀분석을 3단계로 나누어 수행하는 방식(대표적으로, Baron & Kenny 방식)을 널리 활용하였습니다. 그러나 오늘날 현대 통계학의 기준은 크게 변화하였는데, 예를 들어서 Zhao et al.(2010)은 Baron & Kenny 방식에서 나타나는 통계적 오류를 지적하면서, 매개효과를 검증할 때 확인해야 하는 기준은 ‘간접효과(indirect effect)의 통계적 유의성’ 단 하나만이라고 주장하였습니다. 아울러 간접효과의 표본분포가 정규성을 만족하지 않는 특성을 감안해서 부트스트래핑 신뢰구간을 통해 검증하는 것이 타당하다고 논의하였습니다. 만약 회귀분석을 수행한 결과에서 직접효과의 크기가 감소하는 외형적인 양상만을 확인하고 간접효과를 검증하지 않는다면, 이는 매개효과를 검증하지 않는다는 주장이기도 합니다.

• Baron, R. M., & Kenny, D. A. (1986). The moderator-mediator variable distinction in social psychological research: Conceptual, strategic, and statistical considerations. Journal of Personality and Social Psychology, 51(6), 1173–1182. https://doi.org/10.1037/0022-3514.51.6.1173

• Zhao, X., Lynch, J. G., Jr., & Chen, Q. (2010). Reconsidering Baron and Kenny: Myths and truths about mediation analysis. Journal of Consumer Research, 37(2), 197–206. https://doi.org/10.1086/651257

1. PROCESS Macro 실행 절차

SPSS의 PROCESS 대화 상자에서 변수와 분석 조건을 다음과 같이 설정합니다.

• 변수 배치: 종속변수는 Outcome Variable (Y), 독립변수는 Independent Variable (X), 매개변수는 Mediator(s) (M) 칸에 각각 투입합니다.
• 모형 번호 지정: 단일 매개 분석을 위해 Model number=4를 지정합니다.
• 통제변수 설정: 통제해야 할 외생변수가 있다면 Covariate(s) 칸에 배치합니다.
• 옵션(Options) 세팅: 부트스트래핑의 표본 크기(Bootstrap samples)를 5,000(또는 10,000)으로 설정하고, 신뢰구간(Confidence level)은 95%로 유지합니다.

2. 결과 테이블로부터 확인해야 하는 3대 효과: 총효과, 직접효과, 간접효과

분석 출력물(Output)에서 인과 경로에 따른 세 가지 효과의 크기를 확인합니다.

• 총효과(total effect): 독립변수(X)가 종속변수(Y)에 미치는 전체 영향력입니다. 매개변수를 모형에 투입하지 않았을 때의 영향력을 의미합니다.
• 직접효과(direct effect): 매개변수(M)의 영향을 통제한 상태에서 독립변수(X)가 종속변수(Y)에 미치는 고유한 영향력입니다.
• 간접효과(indirect dffect): 독립변수(X)가 매개변수(M)를 경유해서 종속변수(Y)에 도달하는 경로의 효과이며, 이것이 매개효과입니다.

3. 간접효과의 유의성 판단 기준

매개효과의 최종 판단은 일반적인 p-값(유의확률)이 아닌, 간접효과의 부트스트래핑 신뢰구간을 기준으로 이루어져야 합니다. PROCESS Macro의 간접효과 출력 창에는 p-값이 출력되지 않기 때문에, 반드시 BootLLCI와 BootULCI의 부호와 ‘0’ 값을 포함하는지의 여부를 근거로 효과의 유의성을 기술해야 합니다.

예를 들어서, 표 2.에서와 같이 신뢰구간이 [.08, .24]이며 ‘0’ 값을 포함하지 않기 때문에 매개효과가 통계적으로 유의하다고 판정합니다. 반면, 만약 간접효과에 대한 신뢰구간이 [-.03, .11]로 계산되어 이 구간이 ‘0’ 값을 포함한다면 간접효과는 통계적으로 유의하지 않다고 판단합니다.

조절효과의 분석 방법과 절차: PROCESS Model=1의 활용

조절효과 분석은 독립변수(X)가 종속변수(Y)에 미치는 영향의 크기나 방향이 조절변수(W)의 수준에 따라 유의하게 달라지는지를 검증하는 절차입니다. 통계적으로는 독립변수와 조절변수의 곱으로 정의되는 상호작용항(X×W)의 회귀계수와 설명력의 증가량(ΔR²)이 유의한지를 확인하는 것입니다.

1. PROCESS Macro 실행 절차

SPSS의 PROCESS Macro 대화 상자에서 변수와 옵션을 다음과 같이 설정합니다.

• 변수 배치: 종속변수는 Outcome Variable (Y), 독립변수는 Independent Variable (X), 조절변수는 Moderator Variable(s) (W) 칸에 각각 배치합니다. 통제변수가 있다면 Covariate(s)에 투입합니다.
• 모형 번호 지정: 단일 조절 분석을 위해 Model number=1을 지정합니다.
• 필수 옵션(Options) 체크:
  • 평균 중심화(mean centering): Center for products 항목에서 Only continuous variables that define products를 체크합니다. 이는 다중공선성을 완화하고, 상호작용의 모형안에서 주효과 계수의 해석을 수월하게 만듭니다.
  • 조건부 효과의 기준값(conditioning): Generate code for visualizing interactions와 Johnson-Neyman technique를 체크합니다.
  • 분할 기준: 조건부 효과의 확인을 위해 조절변수의 값을 평균±1S.D로 지정합니다.

2. 결과 테이블의 해석

1단계: 상호작용항의 유의성을 확인

SPSS가 출력한 결과의 상단에 위치한 회귀분석 결과 테이블에서 상호작용항(Int_1)의 통계값을 확인합니다.

• 회귀계수(b)와 p-값: Int_1 행의 p-값이 .05 미만(p<.05)인지의 여부를 확인합니다. 이 값이 유의해야 독립변수의 영향력이 조절변수의 수준에 따라 통계적으로 유의하게 달라진다고 판정할 수 있습니다.
• 설명력 증가분(R²-chng): 상호작용항이 투입됨으로써 추가로 설명된 종속변수의 총변동 비율(ΔR²)과 이에 대한 F-검정 통계량의 유의성(p-값)을 함께 확인합니다.

2단계: 조건부 효과(conditional effects)의 확인

만약 상호작용항이 유의한 것으로 나타났다면, 조절변수(W)의 수준에 따라 X가 Y에 미치는 영향(단순기울기, Simple Slope)이 구체적으로 어떻게 달라지는지를 조사합니다.

• PROCESS Macro는 조절변수를 낮은집단(평균-1SD), 중간집단(평균), 높은집단(평균+1SD)의 세 기준값으로 나누어 각각의 효과 크기(Effect)와 표준오차(SE), t-값, p-값, 95% 신뢰구간(LLCI, ULCI)을 출력합니다.
• 예를 들어서, 낮은집단에서는 효과가 유의하지 않으나(p>.05), 중간집단과 높은집단에서는 계수(b)가 커지며 유의한(p<.05) 패턴을 가지는 것으로 해석합니다.

3. 심층 분석: 존슨-네이먼(Johnson-Neyman) 기법의 해석

평균±1SD 분할 방식은 임의의 세 지점만을 비교한다는 한계가 가지고 있습니다. 하지만 PROCESS Macro가 제공하는 존슨-네이먼(J-N) 기법은 이를 보완하는 분석 방법입니다.

• 유의 영역(region of significance)을 도출: 조절변수(W)의 전 구간에 걸쳐 X의 영향력이 통계적으로 유의해지는 정확한 임계값을 출력합니다.
• 해석의 예시: “조절변수(W)의 값이 3.42 이상인 구간에서만 독립변수(X)가 종속변수(Y)에 미치는 정(+)의 영향이 유의한 것으로 나타났다(p<.05).“와 같이 통계적 유의성이 구분되는 조건을 식별할 수 있습니다.

4. 결과의 리포팅과 시각화 기준

• 조절효과 테이블의 구성: 비표준화 회귀계수(b), 표준오차(SE), t-값, p-값, 그리고 상호작용항 투입에 따른 ΔR²와 ΔF를 기술합니다.
• 단순기울기 그래프(simple slope plot): 가로축을 독립변수(X), 세로축을 종속변수(Y)로 설정하고, 조절변수의 high/medium/low 3개의 회귀선을 하나의 평면에 시각화한 결과물을 리포팅을 합니다. PROCESS Macro 하단에 출력되는 문법 코드를 복사하고 SPSS 명령 창에 붙여넣기를 실행해서 Run을 수행한다면 회귀선 그래프를 생성할 수 있습니다.

가상 사례: 유아교육학 석사과정 연구자의 매개효과 검증과 PROCESS Macro의 활용 유아교육학 석사과정에 재학 중인 연구자 C씨는 유치원 교사의 직무스트레스(독립변수)가 이직의도(종속변수)에 미치는 관계에서 심리적 소진(매개변수)의 매개효과를 검증하려는 계획을 가지고 있었습니다. C씨는 Baron & Kenny 방식에 따라 3단계 회귀분석을 수행하였습니다. 이 과정에서 연구자는 3단계 분석에서 매개변수가 투입됨에 따라 독립변수의 직접효과 계수가 감소하는 변화만을 근거로 삼아 매개효과가 유의하다는 판단을 하였습니다. 하지만 직접효과의 크기가 감소하는 패턴만으로는 간접효과의 통계적 유의성을 입증하지 못한다는 점을 알게 되었습니다. 이에 따라 연구자는 PROCESS Macro로 접근해서 Model=4(매개 모형)로 다시 분석을 수행하였습니다. 부트스트래핑(N=5,000)을 통해 나타난 간접효과의 95% 신뢰구간은 [.09, .27]로 나타났습니다. 신뢰구간의 하한값과 상한값 사이에는 ‘0’이 포함되지 않기 때문에 간접효과가 통계적으로 유의하다고 판정하였습니다. (※ 본 사례는 유아교육학 석사학위논문 컨설팅의 사례를 바탕으로 재구성한 가상의 시나리오입니다.)

자주 묻는 질문 (FAQ)

Q. 3단계 회귀분석(Baron & Kenny 방식)만으로도 매개효과를 검증해도 무방한가요?

A. 현대 통계학의 방법론적인 기준에서는 권장되지 않습니다. 3단계 회귀분석은 매개변수를 투입한 후에 직접효과 크기가 감소하는 패턴만을 관찰할 수 있을 뿐, 매개 경로의 실체인 간접효과의 통계적 유의성을 직접 검증하지 못한다는 한계점을 가지고 있습니다. 따라서 PROCESS Macro(Model=4) 또는 구조방정식 모형(SEM) 분석으로 접근해서 간접효과를 검증해야 합니다.

Q. PROCESS Macro의 출력 테이블에서 간접효과의 p-값(유의확률)은 어디에서 확인하나요?

A. Process Macro는 간접효과에 대한 p-값을 출력하지 않습니다. 부트스트래핑은 간접효과가 비정규적인 표본분포의 특징을 가진다는 점을 감안해서 신뢰구간을 계산하는 비모수적인 접근법이기 때문입니다. 따라서 p-값이 아닌 95% 부트스트랩 신뢰구간의 하한값(BootLLCI)과 상한값(BootULCI) 사이에 0이 포함되는지의 여부로 판단해야 합니다. 논문에서 결과를 리포팅할 때에도 신뢰구간의 값을 기술해야 합니다.

Q. 조절효과를 분석하는 과정에서 독립변수와 조절변수의 평균 중심화가 필수적인가요?

A. 그렇습니다. 독립변수와 조절변수를 곱해서 상호작용항(X×W)을 생성하면 변수들과의 상관관계가 팽창해짐에 따라 다중공선성이 발생할 가능성이 높아집니다. 만약 PROCESS Macro를 활용한다면 Options 대화상자의 Center for products 옵션을 활성화시켜서 자동으로 평균 중심화를 처리합니다. 만약 Process Macro를 사용하지 않고 일반적인 회귀분석 메뉴로 진입해서 조절효과를 검증하기 위해서는 별도로 상호작용항을 생성해야 합니다.

Q. 하나의 연구모형에 여러 개의 매개변수를 동시에 투입해서 분석할 수 있나요?

A. 가능합니다. PROCESS Macro의 Model=4는 복수의 매개변수로 이루어진 ‘병렬 다중 매개 모형(Parallel Multiple Mediation Model)’을 지원합니다. 각 매개의 경로에 따른 고유한 매개효과와 신뢰구간을 독립적으로 분리해서 출력합니다. 다만, 매개변수끼리의 인과적인 선후관계가 존재해서 순차적으로 영향을 주고받는 구조라면 Model=6(직렬 다중 매개 모형, Serial Multiple Mediation Model)을 사용해야 합니다.

Q. 상호작용항이 유의한 것으로 나타났다면, 조절효과의 구체적인 작용 방향은 어떻게 제시해야 하나요?

A. 조절변수의 수준을 평균을 기준으로 ‘낮은 집단’과 ‘높은 집단’으로 분할한 뒤, 각 수준에서 독립변수가 종속변수에 미치는 단순기울기의 크기와 통계적 유의성을 계산한 후에 라인 그래프로 시각화합니다. PROCESS Macro의 Options에서 상호작용 시각화 코드를 지정하면 수준에 따른 회귀계수와 그래프 생성용 명령어가 함께 출력됩니다. 이를 통해 조절변수의 각 수준에 따라 독립변수가 가지는 영향력의 패턴을 제시할 수 있습니다.

Q. 표본의 크기가 비교적 작더라도 PROCESS Macro를 활용할 수 있나요?

A. 대규모 표본을 요구하는 구조방정식 모형(SEM) 분석과 비교한다면, 상대적으로 작은 표본의 크기로도 분석이 가능합니다. PROCESS Macro는 일반최소제곱(OLS) 회귀분석을 기반으로 작동합니다 따라서 투입하는 독립-매개-조절-통제변수의 수에 적합한 일반적인 다중회귀분석의 최소 표본 요건(예., 변수 1개당 10-15개 이상의 관측값)을 충족한다면 수행이 가능합니다. 다만, 표본의 크기가 지나치게 작다면 부트스트래핑의 신뢰구간 폭이 지나치게 확대가 되기 때문에 통계적 검정력(power)이 낮아집니다.

결론

매개효과는 영향력이 전달되는 ‘인과적인 경로(메커니즘)’를 탐색하는 작업이고, 조절효과는 영향의 크기가 달라지는 ‘외생적 조건(경계 조건)’을 검증하는 작업입니다.

매개효과와 조절효과의 검증 모두 회귀분석 기반의 PROCESS Macro를 통해 수행할 수 있습니다. 단일 매개효과의 분석을 위해서는 Model=4를, 그리고 조절효과 분석에는 Model=1을 지정합니다.

Process Macro는 매개효과의 유의확률(p-값)을 출력하지 않습니다. 따라서 간접효과의 95% 부트스트랩 신뢰구간(BootLLCI, BootULCI) 사이에 ‘0’이 포함되지 않는지를 기준으로 유의성을 판정합니다. 논문에서도 p-값이 아닌 계산된 신뢰구간의 하한값과 상한값을 기술해야 합니다.

조절효과는 상호작용항의 통계적 유의확률(p<.05)을 통해 검증합니다. Process Macro의 Options 대화상자에서 평균 중심화를 지정해야 합니다. 만약 상호작용이 유의하다면 조절변수의 수준에 따른 영향력의 차이를 단순기울기 그래프로 시각화하고 논문의 본문에서 제시합니다.