📋 목차
통계 프로그램에서 수십 줄짜리 결과표를 받은 순간부터 진짜 고민이 시작돼요. 계수와 유의확률을 읽을 수 있어도 그것을 논문 문장으로 옮기려면 손이 멈추기 쉽거든요. 매개효과는 간접효과의 신뢰구간을 확인해야 하고, 조절효과는 상호작용항뿐 아니라 조건부 효과까지 이어서 해석해야 해요. 숫자 한 줄을 빼먹으면 분석은 맞아도 결과 보고가 불완전해지는 셈이에요.
Andrew F. Hayes가 Guilford Press에서 2022년에 펴낸 조건부 과정 분석서와 PROCESS 공식 자료를 보면 매개·조절 분석은 개별 회귀계수만 읽는 작업이 아니에요. 매개효과는 간접효과가 0을 포함하는지 확인하고, 조절효과는 예측변수의 기울기가 조절변수 값에 따라 얼마나 달라지는지 보여줘야 하죠. 부트스트랩을 5,000회만 설정해도 수작업 검정보다 훨씬 안정적인 신뢰구간을 얻을 수 있어요. 이 글에서는 가상의 연구 결과를 이용해 분석값을 논문 문장으로 바꾸는 흐름을 끊김 없이 보여줄게요.
매개효과와 조절효과, 뭐가 다른 걸까
매개효과는 독립변수 X가 종속변수 Y에 영향을 미치는 과정에 매개변수 M이 끼어 있는지를 보는 분석이에요. 쉽게 말하면 X가 곧바로 Y를 바꾸는 것만이 아니라 M을 변화시키고, 그 변화가 다시 Y로 이어지는 경로를 확인하는 거죠. 학습시간이 성적을 높이는 과정에서 학업몰입이 작동하는지를 보는 연구가 대표적이에요. 원인에서 결과까지 이어지는 중간 통로를 찾는 분석인 셈이에요.
조절효과는 X와 Y의 관계가 조절변수 W의 수준에 따라 달라지는지를 확인해요. 같은 학습시간을 투입해도 자기효능감이 높은 학생과 낮은 학생에게서 성적 향상 폭이 다르게 나타날 수 있잖아요. 이때 핵심은 X 곱하기 W로 만든 상호작용항의 회귀계수예요. 관계가 언제 강해지고 약해지는지를 묻는 분석이라고 보면 편해요.
두 분석을 구분하는 가장 쉬운 기준은 질문의 방향이에요. 매개효과는 왜 또는 어떤 과정을 거쳐 효과가 발생하는지를 묻고, 조절효과는 누구에게 또는 어떤 조건에서 효과가 달라지는지를 묻죠. 사실 변수 이름만 보고 매개와 조절을 나누면 연구모형이 흔들리기 쉬워요. 연구가 던지는 이론적 질문부터 읽어야 한다고요.
매개모형에서는 X에서 M으로 향하는 a경로와 M에서 Y로 향하는 b경로를 곱해 간접효과를 구해요. X에서 Y로 직접 이어지는 경로는 c′로 표시하고, 매개변수를 넣지 않은 전체효과는 c로 나타내죠. lavaan 공식 튜토리얼이 2026년에 제시하는 기본 모형도 간접효과를 a 곱하기 b로 정의해요. 짧은 식인데 해석할 정보는 꽤 많아요.
조절모형의 회귀식은 Y가 b0 더하기 b1X 더하기 b2W 더하기 b3XW로 예측되는 형태예요. 이 가운데 b3가 상호작용효과이며, W가 한 단위 변할 때 X의 기울기가 얼마나 바뀌는지를 뜻해요. UCLA OARC의 상호작용 분석 자료에서도 연속형 조절효과를 예측변수의 기울기가 조절변수 수준에 따라 변하는 현상으로 설명해요. 이 차이를 처음 이해했을 때 결과표가 전혀 다르게 보여서 놀랐어요!
매개효과와 조절효과가 모두 유의하다고 해서 의미가 같은 것은 아니에요. 간접효과 0.18은 X가 M을 거쳐 Y에 전달한 효과의 크기이고, 상호작용계수 0.18은 W가 한 단위 증가할 때 X의 기울기가 0.18만큼 변했다는 뜻이거든요. 숫자가 우연히 같아도 해석 문장은 완전히 달라져요. 계수 이름을 적지 않은 채 효과가 0.18이라고만 쓰면 독자는 무엇을 검정했는지 알 수 없어요.
매개변수와 조절변수를 한 모형에 함께 넣는 조건부 간접효과 분석도 있어요. 이 경우 X가 M을 거쳐 Y로 전달되는 간접효과가 W의 수준마다 달라지는지를 살피게 되죠. PROCESS 공식 사이트가 2026년에 안내하는 조건부 과정 분석은 이런 조절된 매개모형까지 회귀 기반으로 추정해요. 단순 매개와 단순 조절을 이해한 뒤 접근해야 결과 문장이 꼬이지 않아요.
가설 문장에서도 차이가 바로 드러나요. 매개가설은 학업몰입이 학습시간과 성적의 관계를 매개할 것이라고 쓰고, 조절가설은 자기효능감이 학습시간과 성적의 관계를 조절할 것이라고 표현해요. 무엇을 통과하는지와 무엇에 따라 달라지는지를 구별한 적 있어요? 그 한 문장이 모형 설정과 결과 보고의 방향을 결정해요.
분석 교정을 외부에 맡긴다고 가정하면 기본 검토비를 10만 원만 잡아도 매개와 조절을 따로 의뢰할 때 20만 원이 돼요. 결과표를 읽는 기준을 알면 단순 문장 교정에 들어갈 비용과 시간을 줄일 수 있죠. 뭐, 모든 연구자가 분석 전문가가 될 필요는 없어요. 적어도 어떤 수치를 문장에 남겨야 하는지는 알아야 연구의 논리를 지킬 수 있어요.
매개효과는 경로의 전달을, 조절효과는 관계의 변화를 보여준다고 기억하면 돼요. 두 개념을 섞지 않으면 PROCESS Model 4와 Model 1을 선택하는 단계도 훨씬 단순해져요. Model 4는 기본 매개모형에, Model 1은 단일 조절모형에 주로 사용돼요. 이 구분만 잡아도 분석 결과를 문장으로 쓰는 절반은 해결된 셈이에요.
매개효과와 조절효과를 구분하는 기준
| 항목 | 매개효과 | 조절효과 | 핵심 수치 |
|---|---|---|---|
| 연구 질문 | 왜 효과가 생기는가 | 언제 효과가 달라지는가 | 간접효과 또는 상호작용계수 |
| 기본 식 | a × b | b3 × XW | 95% 신뢰구간 |
| PROCESS 모형 | Model 4 | Model 1 | 부트스트랩 5,000회 |
| 후속 해석 | 직접·간접·전체효과 | 단순기울기·조건부 효과 | 계수, SE, t, p, CI |
모형 번호부터 고르면 해석이 어긋날 수 있어요
연구 질문과 변수 역할을 먼저 맞춰 보세요
분석 전에 변수와 가설을 어떻게 놓을까
분석 결과를 자연스럽게 쓰려면 프로그램을 실행하기 전에 변수 역할부터 한 문장으로 고정해야 해요. 독립변수는 원인이거나 선행요인으로 설정한 X이고, 종속변수는 설명하려는 결과 Y예요. 매개변수 M은 X의 영향이 전달되는 과정이며, 조절변수 W는 X와 Y의 관계가 달라지는 조건이죠. 네 변수의 자리가 흔들리면 아무리 정확한 계수도 설득력 있게 쓰기 어려워요.
가설은 분석 결과를 미리 단정하는 문장이 아니라 검정할 관계를 구체화하는 문장이에요. 학습시간은 학업몰입을 높이고, 학업몰입은 성적을 높일 것이라는 두 경로를 먼저 세울 수 있어요. 이어서 학업몰입이 학습시간과 성적 사이를 매개할 것이라고 적으면 경로와 간접효과가 연결돼요. 가설의 동사와 결과 문장의 동사가 대응해야 읽는 흐름이 매끄러워져요.
조절가설은 관계의 방향까지 예상할 수 있다면 구체적으로 쓰는 편이 좋아요. 자기효능감이 높을수록 학습시간이 성적에 미치는 정적 영향이 강해질 것이라고 표현할 수 있죠. 방향을 예상하기 어렵다면 관계가 자기효능감 수준에 따라 달라질 것이라고 비방향 가설을 세워도 돼요. 근데 분석이 끝난 뒤 결과에 맞춰 가설 방향을 바꾸면 연구의 투명성이 떨어져요.
통제변수는 많이 넣을수록 좋은 장식이 아니에요. 성별, 연령, 학년처럼 이론적으로 X, M, W, Y와 연관될 가능성이 있는 변수만 선택해야 해요. 통제변수를 추가하면 다른 예측변수가 일정하다는 조건에서 각 회귀계수를 해석하게 되죠. 투입 근거를 설명하지 못하는 변수는 모형을 복잡하게 만들 뿐이에요.
연속형 변수를 평균중심화하면 평균이 0이 되도록 각 관측값에서 표본평균을 빼요. 중심화는 상호작용항의 유의성을 만들어 내는 기술이 아니라 하위항 계수의 해석 기준을 바꾸는 작업이에요. W가 평균인 지점에서 X의 조건부 효과를 읽을 수 있어 결과 설명이 편해지죠. 중심화만 하면 다중공선성이 사라진다는 표현은 지나친 해석이에요.
범주형 조절변수는 코딩 기준을 결과 문장에 밝혀야 해요. 예를 들어 대면수업을 0, 온라인수업을 1로 코딩했다면 X의 계수는 기준집단인 대면수업에서의 기울기를 뜻해요. 상호작용계수는 온라인수업 집단의 기울기가 대면수업 집단보다 얼마나 다른지를 보여주죠. 코딩표를 빠뜨린 원고를 보면 계수 방향이 뒤집혀 보여서 정말 충격적이에요!
표본 수는 유의확률만으로 결정하지 말고 모형의 복잡성과 기대효과를 함께 고려해야 해요. 상호작용효과는 주효과보다 검정력이 낮게 나타나는 경우가 있어 작은 표본에서 놓치기 쉽거든요. 사전 검정력 분석이나 시뮬레이션을 이용하면 필요한 표본 수를 더 논리적으로 설명할 수 있어요. 표본 100명과 500명에서 같은 계수가 나와도 신뢰구간 폭은 달라질 수 있어요.
결측치 처리 방식도 분석 전에 결정해야 해요. 목록별 삭제를 사용하면 한 변수라도 값이 빠진 사례가 분석에서 제외되어 실제 표본 수가 줄어들어요. 다중대치나 완전정보최대우도법을 사용할 때는 적용 조건과 대치 횟수 또는 추정법을 연구방법에 적어야 하죠. 결과표의 N이 원자료 표본 수와 다른 이유를 확인한 적 있어요?
분석 대행비를 모형 하나에 15만 원만 잡아도 변수 위치를 잘못 지정해 재분석하면 30만 원이 들어갈 수 있어요. 비용보다 더 아까운 것은 이미 작성한 가설과 결과표를 전부 고쳐야 하는 시간이죠. 솔직히 프로그램 옵션을 누르는 일보다 연구모형을 문장으로 설명하는 일이 더 어려울 때가 많아요. 분석 전에 X, M, W, Y를 한 줄로 적어 두면 이런 재작업을 줄일 수 있어요.
분석 계획에는 사용 프로그램과 버전, 모형 번호, 부트스트랩 횟수, 신뢰수준, 공변량을 포함하면 좋아요. 예를 들면 SPSS용 PROCESS를 이용해 Model 4를 분석하고 부트스트랩 표본은 5,000개로 설정했다고 쓸 수 있어요. APA가 2020년 제7판 출판 매뉴얼에서 강조한 양적 연구 보고 기준도 분석 절차와 통계값을 투명하게 제시하는 방향을 담고 있어요. 재현 가능한 설명이 결과 문장의 신뢰를 높여요.
💡
분석 전 메모에 “X는 학습시간, M은 학업몰입, W는 자기효능감, Y는 성적”이라고 한 줄로 적어 두세요. 그 밑에 매개는 전달 과정, 조절은 관계의 변화라고 덧붙이면 모형 번호를 바꿔 입력하는 실수가 줄어들어요. 범주형 변수에는 0과 1이 무엇을 뜻하는지도 함께 적는 편이 좋아요. 이 메모가 결과 문장을 쓸 때 작은 설계도 역할을 해요.
간접효과는 경로 두 개를 따로 본다고 끝나지 않아요
곱으로 계산된 신뢰구간까지 확인해야 해요
매개효과 결과는 어떤 순서로 쓸까
매개효과 결과는 분석 방법, a경로, b경로와 직접효과, 간접효과 순으로 쓰면 읽기 편해요. 가상의 연구에서 X는 학습시간, M은 학업몰입, Y는 성적이라고 놓아볼게요. 부트스트랩 표본은 5,000개, 신뢰수준은 95%로 설정한 상황이에요. 표에 나온 값을 그대로 복사하지 말고 각 수치가 답하는 질문을 연결해야 해요.
a경로는 학습시간이 학업몰입을 예측하는지를 보여줘요. 비표준화계수 B가 0.42이고 표준오차가 0.09이며 p값이 0.001보다 작다면 학습시간이 늘수록 학업몰입이 높아졌다고 쓸 수 있어요. 95% 신뢰구간이 0.24에서 0.60이라면 0을 포함하지 않는다는 정보도 확인돼요. 계수의 양수 방향과 변수 척도를 함께 읽어야 의미가 살아나요.
b경로는 학습시간을 통제한 상태에서 학업몰입이 성적을 예측하는 정도예요. B가 0.36이고 표준오차가 0.08이며 p값이 0.001보다 작다면 학업몰입의 정적 영향이 유의했다고 표현할 수 있죠. 이때 b경로는 단순상관이 아니라 X를 모형에 함께 넣은 회귀계수예요. 통제 조건을 생략하면 결과의 뜻이 조금 달라져요.
직접효과 c′는 매개변수 M을 포함한 상태에서 X가 Y에 미치는 효과예요. 예시에서 B가 0.14이고 표준오차가 0.07이며 p가 0.048이라면 학습시간의 직접효과가 통계적으로 유의했다고 쓸 수 있어요. p값이 기준선에 가깝다면 정확한 값을 제시하는 편이 낫죠. 유의하다는 단어만 남기면 효과의 크기와 불확실성이 보이지 않아요.
간접효과는 a경로와 b경로의 곱으로 계산돼요. 0.42에 0.36을 곱하면 약 0.15가 나오며, PROCESS 출력에서는 부트스트랩 신뢰구간과 함께 제시돼요. 간접효과의 95% 부트스트랩 신뢰구간이 0.07에서 0.25라면 0을 포함하지 않으므로 매개효과를 지지한다고 판단해요. 이 수치가 보이는 순간 경로가 하나로 이어져 소름이 돋을 만큼 명확해져요!
간접효과를 검정할 때 a경로와 b경로의 p값만 보고 결론을 내리면 부족해요. 핵심 검정 대상은 두 계수의 곱인 간접효과이고, 그 표집분포는 정규분포에서 벗어날 수 있거든요. PROCESS 공식 FAQ가 설명하듯 부트스트랩은 표본을 반복 재추출해 간접효과 분포와 신뢰구간을 구성해요. 그래서 하한값과 상한값이 모두 양수이거나 모두 음수인지 확인해야 해요.
전체효과 c가 먼저 유의해야 매개효과를 검정할 수 있다는 오래된 절차만 고집할 필요는 없어요. 현대적인 매개분석에서는 전체효과의 유의성과 간접효과의 존재를 별개의 질문으로 다뤄요. 억제효과나 서로 반대 방향인 여러 경로가 있으면 전체효과가 작아도 특정 간접효과가 나타날 수 있어요. 전체효과가 유의하지 않았는데 간접효과가 나와 당황한 적 있어요?
완전매개와 부분매개라는 표현은 신중하게 사용하는 편이 좋아요. 직접효과가 유의하지 않으면 무조건 완전매개라고 단정하고, 유의하면 부분매개라고 부르는 방식은 표본 크기에 민감해요. 대신 직접효과의 추정치와 신뢰구간을 제시하고 간접효과가 지지되었는지를 분리해서 쓰면 더 정확해요. 효과가 없다고 증명한 것과 유의한 증거를 얻지 못한 것은 다른 말이에요.
통계 문장 교정을 한 페이지 5만 원만 잡아도 결과와 논의를 세 번 고치면 15만 원이 돼요. 간접효과 문장 틀을 익혀 두면 수치만 바꿔 같은 구조를 안정적으로 활용할 수 있죠. 아, 그렇다고 모든 연구에서 똑같은 문장을 붙여 넣으면 변수의 이론적 의미가 사라져요. 효과 방향과 연구 맥락을 한 문장씩 덧붙여야 독창적인 해석이 돼요.
완성 문장은 “학습시간이 학업몰입을 거쳐 성적에 미치는 간접효과는 0.15였으며, 95% 부트스트랩 신뢰구간은 0.07에서 0.25로 0을 포함하지 않았다”라고 쓸 수 있어요. 이어서 “이에 따라 학업몰입의 매개효과가 지지되었다”라고 결론을 붙이면 돼요. 연구가 횡단자료라면 원인과 결과를 확정하는 표현보다 관계와 간접경로가 확인되었다는 표현이 안전해요. 분석 설계가 허용하는 범위까지만 말하는 태도가 신뢰를 지켜줘요.
가상 매개효과 분석 결과표
| 효과 | B | SE | p 또는 하한 | 상한 |
|---|---|---|---|---|
| a경로 X→M | 0.42 | 0.09 | p<.001 | 0.60 |
| b경로 M→Y | 0.36 | 0.08 | p<.001 | 0.52 |
| 직접효과 c′ | 0.14 | 0.07 | p=.048 | 0.28 |
| 간접효과 a×b | 0.15 | 0.05 | LLCI=0.07 | ULCI=0.25 |
| 전체효과 c | 0.29 | 0.08 | p<.001 | 0.45 |
회귀계수 두 개보다 간접효과 한 줄이 핵심이에요
신뢰구간이 0을 지나는지 직접 확인해 보세요
조절효과 결과는 어디까지 써야 할까
조절효과 결과는 회귀모형 전체 설명과 상호작용항 검정, 단순기울기 해석을 이어서 써야 해요. 가상의 연구에서 X는 학습시간, W는 자기효능감, Y는 성적이라고 놓아볼게요. X와 W는 평균중심화했고 두 변수의 곱으로 상호작용항을 만들었다고 가정해요. 조절효과의 결론은 X나 W의 주효과가 아니라 XW의 계수에서 시작돼요.
회귀모형의 설명력 R제곱은 예측변수들이 Y의 변량을 얼마나 설명하는지를 보여줘요. 예시 모형의 R제곱이 0.31이라면 학습시간, 자기효능감, 상호작용항이 성적 변량의 31%를 설명했다고 쓸 수 있어요. 모형의 F값이 18.72이고 p값이 0.001보다 작다면 회귀모형 전체가 유의하다는 정보도 덧붙일 수 있죠. 설명력과 개별 계수는 서로 다른 질문에 답해요.
상호작용항의 B가 0.17이고 표준오차가 0.06이며 p가 0.006이라면 조절효과가 유의하다고 판단해요. 95% 신뢰구간이 0.05에서 0.29라면 0을 포함하지 않는다는 점도 같은 결론을 지지하죠. 양의 상호작용계수는 W가 증가할수록 X와 Y의 정적 관계가 강해지는 방향을 뜻해요. 단, 변수 코딩과 척도 방향이 반대라면 문장도 달라져요.
상호작용항이 유의하면 어느 수준에서 X의 효과가 유의한지 조건부 효과를 확인해야 해요. 연속형 W는 평균에서 표준편차 1만큼 낮은 값, 평균, 표준편차 1만큼 높은 값에서 단순기울기를 제시하는 방식이 흔해요. 자기효능감이 낮을 때 B가 0.08, 평균일 때 0.25, 높을 때 0.42라고 나올 수 있죠. 세 기울기가 벌어지는 모습을 보면 관계의 변화가 선명해서 놀랄 수밖에 없어요!
단순기울기 하나가 유의하고 다른 하나가 유의하지 않다는 사실만으로 두 기울기가 서로 다르다고 결론 내리면 안 돼요. 두 기울기의 차이를 직접 검정하는 값이 상호작용계수예요. UCLA OARC의 2026년 상호작용 자료도 단순기울기가 0과 다른지 묻는 검정과 기울기끼리 다른지 묻는 검정을 구별해요. 유의와 비유의의 차이가 언제나 유의한 차이는 아니라고요.
상호작용 그래프는 독자가 관계의 방향을 빠르게 이해하도록 도와줘요. 가로축에는 X, 세로축에는 예측된 Y를 놓고 W의 낮은 수준과 높은 수준을 서로 다른 선으로 표시할 수 있어요. 선이 교차하면 방향이 바뀌는 상호작용일 수 있고, 간격만 벌어지면 효과 크기가 달라지는 형태일 수 있죠. 그래프만 보고 유의성을 판단하지 말고 계수와 신뢰구간을 함께 읽어야 해요.
Johnson-Neyman 기법은 W의 특정 몇 지점만 고르는 대신 X의 조건부 효과가 유의해지는 W의 구간을 찾아줘요. 예를 들어 자기효능감이 3.42보다 높을 때 학습시간의 효과가 유의하다는 식으로 보고할 수 있어요. 관측된 W의 범위를 벗어난 경계값은 실제 자료가 거의 없는 구간일 수 있으니 주의가 필요해요. 경계값을 절대적인 임상 기준처럼 해석해서는 곤란해요.
조절변수의 평균중심화 여부는 결과 문장에 짧게 밝혀 두는 편이 좋아요. 중심화했다면 X의 계수는 W가 평균 수준일 때 X가 Y에 미치는 조건부 효과가 돼요. 중심화하지 않았다면 W가 0일 때의 효과인데, 척도에서 0이 현실적인 값이 아닐 수 있죠. 주효과라는 말보다 특정 W값에서의 조건부 효과라고 부르는 편이 정확해요.
상호작용 그래프 제작비를 그림 하나에 3만 원만 잡아도 수정 세 번이면 9만 원이 들어가요. 예측값 산출 기준을 처음부터 평균과 표준편차로 통일하면 불필요한 수정이 줄어들죠. 글쎄, 선 색깔보다 더 먼저 확인할 것은 축 이름과 조절변수 수준이에요. 그래프의 낮음과 높음이 어떤 수치인지 주석에 밝혀야 독자가 재현할 수 있어요.
완성 문장은 “학습시간과 자기효능감의 상호작용효과는 유의했으며 B는 0.17, 표준오차는 0.06, p는 0.006이었다”라고 시작할 수 있어요. 이어서 “자기효능감이 높을수록 학습시간이 성적에 미치는 정적 영향이 강해졌다”라고 방향을 설명하면 돼요. 조건부 효과 수치와 신뢰구간을 덧붙이면 독자는 어느 수준에서 효과가 나타났는지 확인할 수 있어요. 상호작용항만 보고 조절효과가 있었다고 끝낸 적 있어요?
가상 조절효과와 조건부 효과 결과
| 항목 | B | SE | p | 95% CI |
|---|---|---|---|---|
| 학습시간 X | 0.25 | 0.07 | <.001 | 0.11~0.39 |
| 자기효능감 W | 0.31 | 0.08 | <.001 | 0.15~0.47 |
| 상호작용 XW | 0.17 | 0.06 | .006 | 0.05~0.29 |
| W 낮음의 X 효과 | 0.08 | 0.06 | .184 | -0.04~0.20 |
| W 평균의 X 효과 | 0.25 | 0.07 | <.001 | 0.11~0.39 |
| W 높음의 X 효과 | 0.42 | 0.09 | <.001 | 0.24~0.60 |
상호작용이 유의하다는 말만으로는 부족해요
기울기가 언제 강해지는지까지 보여주세요
숫자를 문장으로 바꾸면 어떻게 달라질까
통계 결과 문장은 분석 이름, 변수 관계, 계수, 불확실성, 판단을 한 흐름으로 묶으면 돼요. “매개효과가 유의했다”라는 한 문장은 분석의 결론만 있고 근거가 없어요. 반대로 출력표의 숫자를 순서 없이 늘어놓으면 독자가 핵심 효과를 직접 찾아야 하죠. 좋은 문장은 숫자를 줄이는 것이 아니라 역할별로 배치해요.
매개효과 문장에는 간접효과의 추정치와 부트스트랩 신뢰구간이 들어가야 해요. “간접효과는 0.15였고 95% 부트스트랩 신뢰구간은 0.07에서 0.25였다”라고 쓰면 판단 근거가 드러나요. 이어서 신뢰구간이 0을 포함하지 않아 매개효과가 지지되었다고 연결할 수 있어요. p값이 출력되지 않았다고 억지로 계산할 필요는 없어요.
조절효과 문장에는 상호작용항의 계수와 유의확률을 먼저 제시해요. “학습시간과 자기효능감의 상호작용효과는 B가 0.17로 유의했다”라고 쓴 뒤 표준오차와 p값을 붙이면 돼요. 양의 계수라면 조절변수가 증가할수록 X의 기울기가 커졌다는 방향을 설명할 수 있죠. 조절효과가 긍정적이었다는 모호한 표현은 피하는 편이 좋아요.
표준화계수와 비표준화계수는 목적이 달라요. 비표준화계수 B는 원래 척도에서 한 단위 변화가 Y를 얼마나 바꾸는지 보여주며 회귀식과 간접효과 계산에 직접 쓰여요. 표준화계수 β는 척도가 다른 예측변수들의 상대적인 관계 크기를 비교할 때 참고할 수 있죠. 어떤 계수를 썼는지 기호를 분명히 해야 해요.
p값은 0.000으로 쓰지 않고 0.001보다 작다고 표현해요. 정확한 p값을 제공할 수 있다면 p가 0.032라는 식으로 제시하고, 매우 작을 때만 부등호를 쓰는 방식이 읽기 좋아요. 유의확률은 효과가 크다는 뜻도 아니고 연구가설이 참일 확률도 아니에요. 이 차이를 처음 배웠을 때 기존 문장을 전부 고치고 싶을 만큼 놀랐어요!
신뢰구간은 추정치의 불확실성을 보여주는 범위예요. 회귀계수나 간접효과의 95% 신뢰구간이 0을 포함하지 않으면 양측 검정에서 통계적 유의성을 뒷받침해요. 범위가 좁으면 추정이 상대적으로 정밀하고, 넓으면 같은 점추정치라도 불확실성이 크다고 볼 수 있죠. 신뢰구간을 쓰면 p값 하나보다 훨씬 많은 정보를 전달해요.
결과와 해석을 한 문장에 너무 많이 섞지 않는 편이 좋아요. 결과에서는 관측된 계수와 신뢰구간을 보고하고, 논의에서는 왜 그런 관계가 나타났는지 이론적으로 설명할 수 있어요. 횡단 설문자료에서 X가 M을 증가시켰고 M이 Y를 발생시켰다고 단정하면 시간적 선후관계가 증명된 것처럼 들려요. 분석 설계에 맞춰 예측했다거나 관련되었다는 동사를 고르면 과장을 줄일 수 있어요.
표에 수치를 실었다고 본문에서 핵심 결과를 모두 생략해도 되는 것은 아니에요. 본문은 가설 채택 여부를 판단하는 핵심 계수와 신뢰구간을 읽어 주고, 표는 세부 통계량을 한눈에 비교하도록 구성해요. 같은 숫자를 장황하게 두 번 설명할 필요는 없지만 주요 효과는 문장에 남겨야 하죠. 독자가 표를 보지 않아도 결론을 이해할 수 있을까요?
논문 교정 단가를 문장 하나에 5천 원만 잡아도 결과 문장 20개면 10만 원이 돼요. 계수, 표준오차, p값, 신뢰구간 순서를 고정하면 문장 누락을 스스로 점검하기 쉬워요. 어차피 연구마다 변수명과 수치는 바뀌므로 완성 문장을 통째로 외울 필요는 없어요. 문장 뼈대를 익히고 연구 맥락에 맞는 동사를 고르는 편이 훨씬 실용적이에요.
내가 생각했을 때라는 표현은 객관적인 결과 절보다 논의나 개인적 성찰에 가까워요. 결과 문장에서는 분석 결과에 따르면, 신뢰구간을 기준으로 보면, 조건부 효과를 확인한 결과처럼 근거가 드러나는 표현이 어울려요. 주어를 분석이나 효과로 두면 문장이 차분해지고 반복도 줄어들죠. 통계값이 스스로 결론을 말하도록 문장 구조를 잡으면 돼요.
직접 해본 경험
연구 결과 초고를 검토하는 상황을 재구성해 보면 가장 흔한 실패는 a경로와 b경로가 유의하다는 문장만 쓰고 간접효과를 빼먹는 일이에요. 표를 다 읽었다고 생각했는데 검토자가 “간접효과의 부트스트랩 신뢰구간은 어디 있나요”라고 지적하는 순간 얼굴이 화끈해지고 초조해지죠. 다시 출력을 열어 보니 가장 아래쪽에 있던 LLCI와 ULCI 열을 통째로 놓친 거예요. 그 뒤부터는 매개분석 문장을 쓸 때 간접효과, 하한값, 상한값을 먼저 표시해 두는 방식이 훨씬 안전했어요.
좋은 문장은 숫자를 감추지 않아요
계수와 판단 근거를 한 흐름으로 연결하세요
자주 틀리는 보고 방식, 어떻게 고칠까
가장 잦은 오류는 매개효과를 a경로와 b경로의 유의성만으로 판단하는 방식이에요. 두 경로가 각각 유의해도 간접효과의 표집분포를 직접 검정하지 않으면 핵심 가설에 답하지 못해요. 간접효과 추정치와 부트스트랩 신뢰구간을 결과 문장에 반드시 남겨야 하죠. 경로별 회귀분석은 간접효과 검정의 재료이지 결론 자체가 아니에요.
Sobel 검정만 제시하고 분석을 끝내는 원고도 볼 수 있어요. Sobel 검정은 간접효과의 정규성을 가정하므로 표본이 작거나 분포가 비대칭일 때 한계가 생길 수 있어요. 부트스트랩 신뢰구간을 사용할 수 있다면 반복 재표집을 통해 간접효과의 불확실성을 추정하는 방식이 널리 활용돼요. 사용한 부트스트랩 횟수와 신뢰수준도 함께 적어야 해요.
직접효과가 유의하지 않다는 이유만으로 X와 Y 사이에 아무 관계가 없다고 쓰는 것도 조심해야 해요. 직접효과는 M을 통제한 상태에서 남은 X의 효과이고, 전체효과와 같은 값이 아니거든요. 간접효과가 존재하면 X와 Y 사이의 관계 일부가 M을 통해 전달될 수 있어요. 효과 이름을 구별하지 않으면 결과와 논의가 서로 충돌해요.
조절분석에서는 X와 W의 주효과만 보고 조절효과를 결론 내리는 실수가 생겨요. 조절가설의 직접적인 검정치는 X와 W를 곱한 상호작용항이에요. X와 W가 각각 유의해도 상호작용항이 유의하지 않으면 두 변수의 관계가 W에 따라 달라진다는 근거는 부족해요. 반대로 주효과가 유의하지 않아도 상호작용은 나타날 수 있어요.
상호작용항이 유의하지 않은데 단순기울기 중 하나가 유의하다는 이유로 조절효과가 있다고 쓰면 안 돼요. 조절효과는 기울기 하나가 0과 다른지가 아니라 기울기들이 서로 다른지를 묻기 때문이에요. 단순기울기 검정은 유의한 상호작용의 모양을 해석하는 후속 절차로 이해하면 돼요. 이 차이를 놓치면 결과가 완전히 반대로 읽혀서 충격적이에요!
평균중심화를 유의성 확보를 위한 필수 조치처럼 설명하는 것도 피해야 해요. 중심화는 상호작용이 포함된 모형에서 0의 기준을 의미 있는 값으로 옮겨 하위항 해석을 쉽게 만들어요. 동일한 선형모형에서 상호작용계수와 모형 적합도 자체를 마법처럼 바꾸지는 않아요. 중심화 전후 결과가 왜 비슷한지 의아했던 적 있어요?
결과 문장에 표준화계수 β와 비표준화계수 B를 섞어 쓰면 간접효과 계산이 맞지 않을 수 있어요. PROCESS의 기본 간접효과는 경로별 비표준화계수의 곱으로 제시되는 경우가 일반적이에요. 표준화 간접효과를 별도로 보고할 때는 어떤 표준화 방식을 사용했는지 밝혀야 하죠. 기호 하나가 분석의 척도와 해석 단위를 바꿔요.
통계적 유의성을 실질적인 가치와 동일하게 보는 표현도 줄여야 해요. 표본이 매우 크면 작은 계수도 유의할 수 있고, 표본이 작으면 의미 있는 크기의 효과도 넓은 신뢰구간 때문에 유의하지 않을 수 있어요. 계수 크기와 단위, 신뢰구간, 연구 맥락을 함께 읽어야 실제 의미를 판단할 수 있죠. p값은 효과 크기를 대신하지 못해요.
재분석 비용을 한 번에 20만 원만 잡아도 변수 코딩 오류와 모형 오류를 각각 고치면 40만 원이 돼요. 범주형 변수의 기준집단, 결측치 처리, 척도 방향을 분석 전에 점검하면 큰 오류를 막을 수 있어요. 좀 번거로워 보여도 출력 파일과 분석 구문을 함께 보관하는 습관이 좋아요. 같은 자료로 다시 실행했을 때 같은 결과가 나와야 문장도 믿을 수 있어요.
결과를 다 쓴 뒤에는 가설, 표, 본문의 숫자가 서로 일치하는지 교차 점검해야 해요. 간접효과의 부호와 신뢰구간, 상호작용계수의 방향, 단순기울기 수준을 차례로 대조하면 돼요. 반올림 때문에 표와 본문의 수치가 다르게 보이지 않도록 소수점 자리도 통일하는 편이 좋아요. 이 점검을 통과한 문장은 심사자가 분석 흐름을 따라가기 쉬워져요.
잘못된 문장과 고친 문장
| 상황 | 피할 문장 | 고친 문장 |
|---|---|---|
| 간접효과 | a와 b가 유의해 매개효과가 있었다 | 간접효과 0.15의 95% 부트스트랩 CI가 0.07~0.25로 0을 포함하지 않았다 |
| 직접효과 | 직접효과가 비유의해 영향이 없었다 | M 통제 후 직접효과는 B=0.06, p=.214로 유의한 증거가 확인되지 않았다 |
| 조절효과 | X와 W가 유의해 조절효과가 있었다 | XW 상호작용항은 B=0.17, p=.006으로 유의했다 |
| 단순기울기 | 한 집단만 유의해 집단 차이가 있었다 | 상호작용 검정 후 W 수준별 조건부 효과를 제시했다 |
| 인과표현 | 설문자료에서 X가 Y를 발생시켰다 | X는 Y를 유의하게 예측했으며 인과 해석에는 설계상 제약이 있다 |
⚠️
횡단자료에서 매개효과가 유의하게 나왔다고 시간적 선후와 인과관계가 자동으로 입증되는 것은 아니에요. 매개변수가 실제로 독립변수보다 뒤에 발생하고 종속변수보다 앞서 변화했는지는 연구설계와 측정시점으로 뒷받침해야 해요. 실험자료나 종단자료가 아니라면 영향을 주었다는 표현보다 간접관계가 확인되었다는 문장이 안전해요. 분석 결과가 허용하는 범위를 넘지 않는 해석이 연구의 신뢰를 지켜줘요.
제출 직전 5분 점검이 큰 수정을 막아요
간접효과와 상호작용항부터 다시 대조하세요
자주 묻는 질문
Q1. 매개효과가 유의한 기준은 무엇인가요?
A1. 간접효과의 95% 부트스트랩 신뢰구간이 0을 포함하지 않으면 매개효과를 지지하는 근거로 해석해요. 하한값과 상한값이 모두 양수이거나 모두 음수인지 확인하면 돼요. a경로와 b경로의 p값만으로 결론 내리지는 않아요.
Q2. 전체효과가 유의하지 않아도 매개효과를 검정할 수 있나요?
A2. 전체효과가 유의하지 않아도 간접효과는 별도로 검정할 수 있어요. 서로 반대 방향인 경로나 억제효과가 있으면 전체효과가 작아질 수 있거든요. 간접효과의 추정치와 부트스트랩 신뢰구간을 직접 확인해야 해요.
Q3. 직접효과가 유의하지 않으면 완전매개인가요?
A3. 직접효과가 유의하지 않다는 사실만으로 완전매개를 확정하는 표현은 신중해야 해요. 유의성은 표본 크기와 표준오차의 영향을 받기 때문이에요. 직접효과와 간접효과의 추정치 및 신뢰구간을 각각 보고하는 편이 정확해요.
Q4. 조절효과가 유의한 기준은 무엇인가요?
A4. 독립변수와 조절변수를 곱한 상호작용항의 계수가 유의해야 조절효과를 지지할 수 있어요. 상호작용계수의 p값과 95% 신뢰구간을 함께 제시하면 판단 근거가 분명해져요. 이후 단순기울기나 조건부 효과로 방향을 해석해요.
Q5. 조절분석에서 평균중심화는 꼭 해야 하나요?
A5. 평균중심화는 필수적인 유의성 확보 절차가 아니라 하위항의 해석 기준을 편하게 만드는 방법이에요. 중심화하면 조절변수가 평균일 때 독립변수의 조건부 효과를 읽을 수 있어요. 사용 여부와 방법을 연구방법에 밝혀 두는 편이 좋아요.
Q6. 상호작용항이 유의하면 단순기울기도 꼭 써야 하나요?
A6. 상호작용항이 유의하다면 조절효과의 방향과 조건을 설명하기 위해 단순기울기나 조건부 효과를 제시하는 편이 좋아요. 연속형 조절변수는 낮은 수준, 평균, 높은 수준에서의 효과를 보고할 수 있어요. Johnson-Neyman 유의구간을 함께 쓰는 방법도 있어요.
Q7. 부트스트랩은 몇 회로 설정해야 하나요?
A7. 매개분석에서는 5,000회 이상의 부트스트랩 표본을 설정하는 방식이 널리 쓰여요. 반복 횟수가 많아지면 무작위 재표집에 따른 신뢰구간 끝점의 변동이 줄어들 수 있어요. 논문에는 사용한 횟수와 신뢰수준을 적어야 해요.
Q8. 결과에는 B와 β 중 무엇을 써야 하나요?
A8. 회귀식과 간접효과를 설명할 때는 비표준화계수 B를 기본으로 제시하는 경우가 많아요. 변수 간 상대적인 크기를 보여주려면 표준화계수 β를 보조적으로 제시할 수 있어요. 두 계수를 함께 쓸 때는 기호와 산출 방식을 구분해야 해요.
Q9. 횡단 설문자료로 인과관계를 말해도 되나요?
A9. 횡단자료의 유의한 매개효과만으로 인과관계를 확정하기는 어려워요. 시간적 선후관계와 대안 설명을 충분히 통제하지 못할 수 있기 때문이에요. 결과에서는 예측관계나 간접관계가 확인되었다고 쓰고 인과 해석의 한계를 밝혀야 해요.
Q10. 매개효과와 조절효과를 한 모형에서 분석할 수 있나요?
A10. 조건부 과정 분석을 이용하면 매개효과와 조절효과를 하나의 모형에서 검정할 수 있어요. 간접효과가 조절변수 수준에 따라 달라지는 조절된 매개효과도 분석할 수 있죠. 이때는 조건부 간접효과와 조절된 매개지수의 부트스트랩 신뢰구간을 보고해요.