구조방정식으로 통계적 유의성을 검증하는 6가지 방법

Q1. 구조방정식모형 전체의 적합도 유의성 검정(χ² 검정)이란?
A1.
– 정의: 자료로부터 추정한 공분산 행렬과 모형이 예측하는 공분산 행렬의 차이가 “우연히” 생겼는지 검정
– 검정통계량: χ² = (N–1)·[ln│Σ̂│ – ln│Σ(θ̂)│ + trace(Σ(θ̂)Σ̂⁻¹) – p]
·N: 표본크기, Σ̂: 관측공분산, Σ(θ̂): 모형공분산, p: 관측변수 수
– 귀무가설(H₀): 모형이 자료를 완벽히 설명(두 행렬 차이가 0)
– 유의수준: p-값 < .05면 모형 부적합 → 개선 필요
– 한계: 표본크기에 민감(크면 쉽게 귀무가설 기각), 모형 복잡도 고려 안 함

Q2. 네스티드(nested) 모형 간 χ² 차이검정이란?
A2.
– 목적: 두 개의 모형(제약 모형 vs. 자유 모형)이 통계적으로 차이가 있는지 검정
– 검정통계량: Δχ² = χ²_constrained – χ²_unconstrained, Δdf = df_constrained – df_unconstrained
– 해석: Δχ² (Δdf) 검정의 p-값 < .05면 제약이 통계적으로 유의미하게 모형 적합도를 악화시킴
– 활용: 다중집단검정, 특수경로 추가·제거
– 주의: 표본크기·모형크기에 민감

Q3. 경로계수 및 요인부하량 유의성 검정(z-검정)
A3.
– 정의: 각 추정파라미터(β, λ 등)가 0과 다른지 검정
– 검정통계량: z = θ̂ / SE(θ̂)
– 유의수준: |z| > 1.96(α = .05)일 때 해당 경로·부하량 유의미
– 보고항목: 추정치 θ̂, 표준오차 SE, z값, p-값
– 주의: 다중비교에 따른 검정력 저하 가능 → 수정지표 참고

Q4. 증분적합도지수(Comparative Fit Index, CFI & Tucker-Lewis Index, TLI)
A4. – 개념: 기준(독립) 모형 대비 개선정도를 측정
– CFI = 1 – max(χ²_m – df_m, 0) / max(χ²_baseline – df_baseline, 0)
– TLI = (χ²_baseline/df_baseline – χ²_m/df_m) / (χ²_baseline/df_baseline – 1)
– 기준: .90 이상(일부는 .95 이상) → 양호한 적합
– 장점: 표본크기 영향 상대적 완화, 모형 복잡도 반영(TLI)
– 단점: 기준 모형 성격에 따라 값 변동

Q5. 절대적합도지수(RMSEA & SRMR)
A5.
1) RMSEA(Root Mean Square Error of Approximation)
– 정의: 모형이 모집단에서 얼마나 오차를 보이는지 추정
– 공식: RMSEA = √[max((χ²_m – df_m)/(df_m·(N–1)), 0)]
– 기준: .05 이하(우수), .05–.08(양호), .10 이상(부적합)
– 90% 신뢰구간 및 p-close(p-value for RMSEA ≤ .05) 함께 보고
2) SRMR(Standardized Root Mean Square Residual)
– 정의: 표준화된 관측·예측 공분산의 평균 잔차
– 기준: .08 이하(양호)

Q6. 부트스트랩(Bootstrapping)을 이용한 간접효과 및 매개효과 유의성 검정
A6.
– 목적: 매개경로(간접효과)의 표준분포가 정규분포를 따르지 않을 때에도 신뢰구간·p-값 산출
– 절차:
1) 원표본에서 B번 재추출(보통 1,000–5,000회)
2) 각 표본별로 간접효과 추정(α·β)
3) 신뢰구간(bias-corrected 또는 percentile) 계산
– 해석: 95% 신뢰구간에 0이 포함되지 않으면 간접효과 유의미
– 장점: 분포 가정 최소화, 소표본에도 적용 가능
– 단점: 계산 부담, 추출횟수 선정에 따른 변동성 고려必要

구조방정식모형(SEM)에서 통계적 유의성을 검증하는 대표적인 여섯 가지 방법을 표 없이 글로만 풀어서 설명하면 다음과 같습니다. 1. 카이제곱(χ2) 적합도 검정 SEM에서 가장 기본이 되는 검정 방법으로, 모형이 관측된 공분산행렬과 얼마나 차이가 없는지를 살펴봅니다. 귀무가설은 “제시한 모형이 실제 자료를 잘 설명한다(모형-자료 차이가 없다)”이며, χ2 값이 클수록 귀무가설이 기각되어 모형과 자료 간에 유의미한 차이가 있음을 의미합니다. 검정통계량 χ2와 자유도(df)를 기준으로 유의확률(p-value)을 산출하여 p<0.05이면 ‘모형이 자료를 충분히 설명하지 못한다’고 판단합니다. 다만 표본크기에 민감하게 반응하여 큰 표본에서는 과도하게 귀무가설을 기각할 수 있으므로, 반드시 χ2만으로 판단하기보다는 후술할 다른 지수들과 함께 해석해야 합니다. 2. 우도비 검정(Likelihood Ratio Test) 두 개의 서로 중첩된(중첩 모델, nested model) SEM을 비교할 때 쓰이는 방법으로, 제한모형(restricted model)과 비제한모형(unrestricted model)의 χ2 값을 빼고 그 차이를 두 모델의 자유도 차이로 나눈 뒤 χ2 분포표와 비교합니다. 차이 χ2 값이 통계적으로 유의하면(예: p<0.05) “비제한모형이 제한모형에 비해 모형 적합도를 유의하게 개선시킨다”는 결론을 얻게 됩니다. 즉 일부 경로를 추가하거나 제약을 해제했을 때 모형이 통계적으로 더 타당해지는지를 확인할 때 유용합니다. 3. 와ald 검정(Wald Test) SEM에서 특정 경로 계수(parameter)를 0으로 고정했을 때(즉, 해당 효과가 없다는 가정) 모형이 크게 손상되는지를 평가하는 테스트입니다. 추정된 경로 계수(θ̂)와 그 표준오차(SE)를 이용해 W = (θ̂/SE)² 형태의 검정통계량을 계산하고, 자유도(df=검정하려는 매개변수의 개수)에 따른 χ2 분포와 비교합니다. W 값이 임계치보다 크면(또는 p<0.05) “해당 경로를 0으로 고정하는 제약이 통계적으로 옳지 않다”(즉, 경로가 유의하다)는 결론을 내립니다. 조건을 다르게 설정해 복수의 경로를 동시에 검정할 수도 있습니다. 4. 라그랑주 승수 검정(Lagrange Multiplier Test, 또는 Score Test) 현재 설정된 모형에서 ‘풀어 주면’(freely estimated) χ2를 얼마나 감소시킬 수 있는지를 예측해 주는 지표로, 흔히 ‘수정지수(modification index, MI)’라고 부릅니다. 각 잠재변수 간 또는 측정변수와 잠재변수 간 경로를 추가했을 때 모형 적합도가 얼마나 향상될지를 MI 값으로 제공하며, MI 값이 크고 p<0.05를 만족하면 “해당 경로를 추가하는 것이 통계적으로 유의미한 개선을 준다”고 해석합니다. 과도한 탐색적 수정(miso­del modification)을 방지하려면 이 검정결과를 이론적 근거와 함께 판단해야 합니다. 5. 부트스트래핑(Nonparametric Bootstrap) 전통적 SEM 검정이 정규분포 가정에 의존하는 반면, 부트스트래핑은 표본을 복원추출(resampling)하여 각 경로 계수의 경험적 분포를 얻고, 그로부터 신뢰구간(confidence interval)을 산출합니다. 예컨대 간접효과(매개효과)의 부트스트랩 95% 신뢰구간에 0이 포함되지 않으면 간접효과가 통계적으로 유의하다고 판단합니다. 특히 표본크기가 작거나 정규성 가정이 의심스러울 때, 표준오차와 p값을 부트스트랩 방식으로 보강함으로써 보다 안정적인 유의성 검정을 할 수 있습니다. 6. 소벨 검정(Sobel Test) 매개효과(간접경로)의 통계적 유의성을 검증하기 위한 고전적 방법으로, A→M 경로 계수(a)와 M→Y 경로 계수(b)의 곱(a·b)이 통계적으로 유의한지를 평가합니다. 소벨 검정 통계량은 (a·b) / √(b²·Var(a) + a²·Var(b)) 형태로 구하며, 이 값이 표준정규분포(N(0,1)) 상의 임계값(예: |z|>1.96)에 도달하면 간접효과가 유의하다고 봅니다. 간단하지만 매개효과 분포의 비정규성을 반영하지 못하는 단점이 있어, 최근에는 부트스트랩 검정과 병행하여 사용하는 것이 권장됩니다. –––––––––––––––––––––––––––––––––––––––––––––––––––––––––––– 이상 여섯 가지 방법은 SEM에서 각각 전반적인 모형 적합도 평가, 모델 간 비교, 개별·집단 매개변수 검정, 모형 수정 지시, 간접효과 검증 등의 측면에서 통계적 유의성을 검토해 주는 도구들입니다. 각 방법의 가정과 한계를 이해한 뒤, 모형 검증 과정에서 상호 보완적으로 활용하는 것이 바람직합니다.