구조방정식에서 놓치지 말아야 할 5가지 중요한 요소

Q1. 구조방정식모델(SEM)에서 ‘모델 식별(Identification)’이란 무엇이며 왜 중요한가요?
A1.
- 정의: 주어진 데이터로부터 모든 모수(parameter)를 고유하게 추정할 수 있는지 여부를 뜻합니다.
- 중요성: 모델이 식별되지 않으면 추정값이 무한히 많거나 전혀 추정되지 않아 연구결과가 의미를 잃습니다.
- 검증방법:
1) 자유도(df) 확인(df = 관측공분산수 – 추정모수수 > 0여야 함)
2) 단일해 조건(t-rule) 적용(각 잠재변수마다 최소 3개 이상의 지표 필요)
3) 선행문헌·이론에 기반해 고정 파라미터 지정

Q2. 측정모델의 ‘신뢰도(reliability)’와 ‘타당도(validity)’는 어떻게 평가하나요?
A2.
- 신뢰도
1) Cronbach’s α: 0.70 이상 권장
2) 합성신뢰도(CR, Composite Reliability): 0.60–0.70 이상
- 수렴타당도(convergent validity)
1) 표준화 계수(λ): 각 지표 λ > 0.50
2) 평균분산추출(AVE, Average Variance Extracted): 0.50 이상
- 판별타당도(discriminant validity)
1) Fornell-Larcker 기준: 각 잠재변수 AVE의 제곱근이 다른 잠재변수간 상관보다 크다
2) HTMT(Heterotrait-Monotrait Ratio): 0.85 미만 권장

Q3. SEM 적합도(fit) 검증 시 어떤 지수를 보고 어떤 기준을 적용해야 하나요?
A3.
- 절대적합도 지수
1) χ²(df): p > 0.05 이상(샘플 크기가 크면 민감하므로 보조사용) 2) RMSEA: 0.08 이하(0.05 이하면 매우 우수)
- 상대적합도 지수
1) CFI, TLI: 0.90 이상(0.95 이상이면 매우 우수)
2) SRMR: 0.08 이하
- 모형간 비교: AIC, BIC 등 정보기준을 사용해 낮을수록 더 적합

Q4. 모형수정(modification) 시 ‘수정지수(modification index, MI)’를 어떻게 활용하나요?
A4.
- MI 해석: 특정 경로를 추가했을 때 χ²가 얼마나 감소하는지를 보여줌
- 적용절차
1) 이론적 타당성 검토: 높은 MI라도 이론적으로 의미가 있어야 추가
2) 과적합 방지: 지나친 수정은 샘플 특수성 반영 위험
3) 단계적 수정: 한 번에 하나씩 수정하고 적합도·모수의 변화 관찰
- 주의사항: 동등성 제한(equivalence constraints)을 풀거나 잠재변수 간 공분산 추가 시 신중

Q5. ‘다중집단분석(Multi-group SEM)’과 ‘측정불변성(measurement invariance)’ 검정은 왜 필요한가요?
A5.
- 목적: 집단(예: 성별·문화권·시기) 간에 측정도구와 구조가 동일하게 작동하는지 확인
- 단계
1) 구성타당성 동등성(configural invariance): 모형구조 동일
2) 약등가성(metric invariance): 요인부하량 동일
3) 등분산성(scalar invariance): 절편(intercept) 동일
4) 엄격등가성(strict invariance): 오차분산(error variance) 동일
- 평가기준: ΔCFI ≤ 0.01, ΔRMSEA ≤ 0.015 등 변화량 작은 경우 동등성 충족
- 의의: 불변성 확보 시 집단간 모수치(경로계수·평균) 비교의 타당성 보장

1. 이론적 가설과 모형 명시 구조방정식모형(SEM)의 출발점은 반드시 튼튼한 이론적 근거 위에 세워진 가설 모델이다.

어떤 잠재변인(latent construct)을 설정할지, 이들 사이에 인과관계가 어떠한 방향으로 형성될지를 사전에 명확히 규정해야 합니다.

측정모형(measurement model)에서는 각 잠재변인을 설명할 관찰지표(observed indicator)를 정하고, 구조모형(structural model)에서는 잠재변인 간 직접효과·간접효과 경로를 설정합니다.

이 단계에서 이론적으로 불필요하거나 과도한 경로를 추가하면 ‘과적합(overfitting)’ 위험이 커지므로, 선행연구·전문가 견해·타당도 이론을 면밀히 검토하여 모델을 축소·정제하는 것이 중요합니다.



2. 식별(Identification) 문제 모델 명시가 끝난 뒤 반드시 ‘식별 가능성(identification)’을 따져야 합니다.

식별이란 주어진 데이터와 매개변수 수로부터 각 계수를 유일하게 추정할 수 있는지를 뜻합니다.

자유도(degrees of freedom)가 음수면 비식별(unidentified), 0이면 근사식별(just-identified), 양수면 과식별(over-identified) 상태가 됩니다.

실무에서는 대체로 과식별 모델을 구축한 뒤 자유도를 활용해 모형 적합도를 검증하므로, 추정에 필요한 최소한의 지표 수와 경로 수를 확보했는지, 회귀계수·분산·공분산 매개변수 개수가 데이터에서 추정 가능한지를 사전에 점검해야 합니다.



3. 추정 방법과 전제조건 SEM에서는 주로 최대우도법(ML), 일반화최소자승법(GLS), 가중최소자승법(WLS) 등을 사용합니다.

각각 정규분포 가정, 표본 크기 요구량, 결측치 처리 방식이 다르므로 분석 목적과 데이터 특성(비정규성·이상치·결측치 비율 등)을 따져 적합한 추정방법을 선택해야 합니다.

예컨대 표본이 작거나 관측변수가 범주형이면 WLSMV(weighted least squares mean and variance adjusted)를 고려할 수 있고, 데이터가 정규성을 크게 벗어나면 견고한(robust) 표준오차를 산출하는 MLR(Maximum Likelihood with Robust standard errors) 등을 활용하는 편이 안정적입니다.



4. 모형 적합도 평가 모형을 추정한 뒤에는 χ²(카이제곱) 검정, CFI(Comparative Fit Index), TLI(Tucker-Lewis Index), RMSEA(Root Mean Square Error of Approximation), SRMR(Standardized Root Mean Square Residual) 등 여러 지표를 종합해 적합도를 판단해야 합니다.

χ²는 표본 크기에 민감해 소표본에서는 검정을 놓칠 수 있고, 대표본에서는 지나치게 민감하게 불일치를 검출할 수 있으므로 보완지표(CFI≥0.90~0.95, RMSEA≤0.05~0.08, SRMR≤0.08 등)를 함께 검토하는 것이 관례입니다.

또한 모형 내 개별 경로의 유의성(p-value)과 수정지표(modification indices)를 확인해 국소적 불일치(local misfit)를 점검하고, 이론적 정당성이 뒷받침될 때만 모형을 보완해야 합니다.



5. 신뢰도·타당도 및 측정불변성 측정모형의 완성도는 신뢰도(reliability)와 타당도(validity) 확보 여부에 달려 있습니다.

신뢰도는 보통 합성 신뢰도(CR, composite reliability)나 크론바흐 α를 통해 확인하고, 타당도는 수렴타당도(AVE, average variance extracted ≥0.50)와 판별타당도(다른 잠재변인과 AVE 비교)를 검토합니다.

나아가 다집단분석(multigroup SEM)을 통해 측정불변성(measurement invariance) 검증을 수행함으로써 ‘구성개념이 집단 간 동일하게 측정되는지’를 확인해야 합니다.

이를 통해 예컨대 성별·연령대·문화권 간 비교분석 시에 해석의 타당성을 보장할 수 있습니다.

이 다섯 가지 요소를 이론적 근거와 통계적 검증 과정을 균형 있게 고려하며 점검한다면, 구조방정식모형의 신뢰성과 의미 있는 인과추론을 크게 높일 수 있습니다.