2025년 2학기 계량분석 강의자료

✦ 연구문제와 가설의 기본 원리

1. 연구문제의 설정

연구문제란?

→ "내가 무엇을 알고 싶은가?"를 명확하게 정의하는 **질문**.

좋은 연구문제의 조건

1. 새로운가? → 기존 연구와 **차별성**이 있는가?
2. 중요한가? → 사회·학문적으로 **의미** 있는 문제인가?
3. 가능한가? → 내가 가진 시간·능력·자료로 **해결**할 수 있는가?

📌 예시

❌ 너무 광범위한 문제: “행복이란 무엇인가?”

✅ 구체적인 문제: “고등학생의 스마트폰 사용 시간이 학업 성취도에 영향을 미치는가?”

2. 연구문제 제기 4단계

1. 연구문제 선정
   • 관심 주제를 정한다.
   • 예: "스마트폰 사용과 성적의 관계"
2. 문헌 고찰 (선행연구 검토)
   • 이미 발표된 연구들을 살펴본다.
   • 예: "성인 대상 연구에서는 스마트폰 사용이 집중력에 부정적 영향을 준다"
3. 연구가설 설정
   • 변수 간의 관계를 예측한다.
   • 예: "스마트폰 사용 시간이 많을수록 성적은 낮을 것이다."
4. 연구문제 구체화
   • 용어를 정의하고, 측정 가능한 방식으로 바꾼다.
   • 예:
     • 스마트폰 사용 = 하루 평균 사용 시간
     • 성적 = 최근 시험 평균 점수

3. 가설의 종류

귀무가설 (H₀)

• 연구자가 검증하려는 가설의 '반대 가설'
• 항상 등호(=) 포함
• 예: "스마트폰 사용 시간과 성적은 관계가 없다."

연구가설 (H_a)

• 연구자가 실제로 주장하고 싶은 가설
• 예: "스마트폰 사용 시간이 많을수록 성적은 낮다."

👉 연구의 과정은 귀무가설(H₀)을 기각할 근거를 찾는 것

가설검정의 기본 개념 및 절차

1. 가설검정의 정의

가설검정 (Hypothesis Testing):

→ 모집단(전체 집단)에 대한 주장이 맞는지 틀린지를 표본 자료를 이용해 판단하는 통계적 절차

원리:

• 귀무가설 (H₀): "차이가 없다", "효과가 없다"라는 기본 입장
• 연구가설 (H_a): 연구자가 주장하고 싶은 가설
• 귀무가설이 기각되면 연구가설을 채택

📌 예시

• H₀: “카페인 섭취는 시험 성적에 영향을 주지 않는다.”
• H_a: “카페인 섭취는 시험 성적에 영향을 준다.”

2. 가설검정의 절차 (5단계)

1. 가설 설정
   • 연구문제에 맞춰 H₀, H_a를 세운다.
2. 유의수준($\alpha$) 결정
   • 보통 0.05 (5%) 사용
   • 의미: "100번 중 5번은 우연히 잘못된 결론을 내릴 수도 있다."
3. 검정통계량 계산
   • 표본 평균, 분산 등을 활용하여 수식으로 계산 ($t, Z, \chi^2$ 등)
   • 📌 이 수업에서는 개념 이해 중심으로 진행
4. 기각 규칙 결정
   • 두 가지 방법
     • 임계값 방법: 계산된 통계량이 임계값을 넘으면 H₀ 기각
     • P값 방법: $P < \alpha$ → H₀ 기각
5. 결론 내리기
   • H₀ 기각 → 연구가설 채택
   • H₀ 기각 못함 → 연구가설을 뒷받침할 증거 부족

3. P값 (P-value)과 임계값 (Critical Value)

P값:

• “H₀가 참이라고 가정했을 때, 지금 얻은 결과가 나타날 확률”
• $P < \alpha$ → 귀무가설 기각

임계값:

• 유의수준에 따라 정해진 기준 값
• 예: 유의수준 5% → Z분포에서 약 $\pm 1.96$이 임계값

📌 쉽게 비유

• P값은 “시험에서 찍어서 맞을 확률”
• 임계값은 “합격/불합격 기준 점수”
• P가 너무 작거나, 계산값이 기준을 넘으면 → “우연이 아니라 효과가 있다”

가설검정 실습 (Python)

1. 가설검정 예제

📌 문제 상황

• 한 세제 공장은 한 통에 6kg이 들어가도록 설계
• 30개를 무작위 추출해 무게를 측정한 결과 → 평균 6.1kg
• 모집단 표준편차는 0.2kg
• 유의수준 0.05 (5%)에서 공정을 유지할지, 수정할지 판단

(1) 1단계: 가설 설정

• 귀무가설 ($\text{H}_0$): $\mu = 6$ (세제 평균 무게는 6kg이다)
• 연구가설 ($\text{H}_a$): $\mu \neq 6$ (세제 평균 무게는 6kg이 아니다, 양측검정)

(2) 2단계: 유의수준 결정

• $\alpha = 0.05$ (즉, 5%의 오류는 감수한다는 의미)

(3) 3단계: 검정통계량 계산

공식:

대입:

2. Python 실습

import numpy as np
from scipy import stats

# 데이터 설정
mu = 6.0              # 모집단 평균 (H0)
sample_mean = 6.1     # 표본 평균
sigma = 0.2           # 모집단 표준편차
n = 30                # 표본 크기
alpha = 0.05          # 유의수준

# 검정통계량 (Z-값)
z_score = (sample_mean - mu) / (sigma / np.sqrt(n))
print(f"검정통계량 (Z-값): {z_score:.2f}")

# 양측검정 P값
p_value = 2 * (1 - stats.norm.cdf(abs(z_score)))
print(f"P값: {p_value:.4f}")

📌 실행 결과

• Z-값: 2.74
• P값: 0.0062

3. 결과 해석

• P값 = 0.0062 < $\alpha$ = 0.05
• 따라서 귀무가설 기각 → 세제 평균 무게는 6kg이 아니다.
• 결론: 공정을 유지하지 않고, 수정해야 한다.

유의수준($\alpha$)에 따른 결론 비교

1. 다시 문제 정리

• 표본 평균 = 6.1kg
• 모집단 평균 = 6.0kg
• 모집단 표준편차 = 0.2kg
• 표본 크기 = 30
• 검정통계량 $Z = 2.74$
• P값 = 0.0062

2. 유의수준($\alpha$)에 따른 판단

• $\alpha = 0.05$ (5% 기준)
  • 기준선($\alpha = 0.05$)보다 P값(0.0062)이 작음
  • 귀무가설 기각 → 공정 수정
• $\alpha = 0.01$ (1% 기준)
  • 기준선($\alpha = 0.01$)보다 P값(0.0062)은 약간 큼
  • 귀무가설 기각 못함 → 공정 유지 가능

3. Python 코드 비교

# 위에서 계산된 P값 사용
p_value = 0.0062

alpha_1 = 0.05
alpha_2 = 0.01

print(f"P값: {p_value:.4f}\n")

if p_value < alpha_1:
    print("유의수준 0.05: 귀무가설 기각 → 공정 수정")
else:
    print("유의수준 0.05: 귀무가설 채택 → 공정 유지")

if p_value < alpha_2:
    print("유의수준 0.01: 귀무가설 기각 → 공정 수정")
else:
    print("유의수준 0.01: 귀무가설 채택 → 공정 유지")

📌 실행 결과

유의수준 0.05: 귀무가설 기각 → 공정 수정
유의수준 0.01: 귀무가설 채택 → 공정 유지

4. 해석

• 유의수준이 낮아질수록 (0.05 → 0.01) → 더 엄격한 기준
• 같은 데이터라도 판단이 달라질 수 있음
• 현실 적용 예시:
  • 약품 안전성 검증 → $\alpha = 0.01$ (매우 엄격)
  • 간단한 제품 품질 검사 → $\alpha = 0.05$ (일반 기준)