정치학방법론
가설 검정 및 두 집단 비교
서론
우연을 넘어: 침묵을 깨는 과학
세상의 많은 발견은 사소한 '차이'에서 시작됩니다. "남성과 여성의 투표율이 다르다", "제도 변화 후 지지율이 올랐다"는 주장은 흥미롭지만, 그것이 단순한 우연(Chance)인지 아닌지를 밝히는 것은 과학의 영역입니다.
가설검정은 데이터라는 법정에서 '우연'이라는 피고인과 싸워 '필연'을 입증하는 정교한 논리 체계입니다. 우리는 이번 주, 그 입증의 기술을 배웁니다.
추론의 논리
통계적 유의미함은 단순히 숫자가 크다는 뜻이 아닙니다. 그것은 우리가 관찰한 현상이 '데이터의 노이즈'를 뚫고 나올 만큼 강력한 실체라는 선언입니다.
연구 논리
귀무가설(\( H_0 \)): 입증 전까지는 무죄
귀무가설 (Null Hypothesis)
"아무런 일도 일어나지 않았다", "두 집단 간의 차이는 없다"는 기본 상태입니다. 통계적 법정에서는 이 가설이 '참'이라고 전제하고 시작합니다.
대립가설 (Alternative Hypothesis, \( H_1 \))
연구자가 진짜로 증명하고 싶은 새로운 주장입니다. "두 집단 간에는 분명한 차이가 존재한다"는 가설입니다.
우리는 \( H_1 \)을 직접 증명하는 것이 아니라, \( H_0 \)가 일어날 확률이 너무나 희박함을 보여줌으로써 \( H_0 \)를 기각(Reject)하고 간접적으로 \( H_1 \)을 채택합니다.
확률과 유의성
P-Value란 무엇인가?
"귀무가설(\( H_0 \))이 참이라는 가정하에, 현재와 같은 극단적인 데이터가 관찰될 확률."
- \( p < 0.05 \): "이런 일은 우연히 일어날 확률이 \( 5\% \)도 안 돼! 따라서 우연이 아니라 실제 효과가 있다고 판단하자."
- Statistically Significant: \( p \)-값이 기준치(\( \alpha \))보다 낮을 때 우리는 이 결과가 '통계적으로 유의미하다'고 말합니다.
유의수준의 임계치
사회과학의 표준은 \( 0.05 \)이지만, 더 엄밀한 연구에서는 \( 0.01 \)이나 \( 0.001 \)을 기준으로 삼기도 합니다.
오류 검정
제1종 오류와 제2종 오류
| 결정 | \( H_0 \)가 참일 때 (효과 없음) | \( H_1 \)가 참일 때 (실제 효과 있음) |
|---|---|---|
| \( H_0 \) 기각 | 제1종 오류 (\( \alpha
\)) 없는 효과가 있다고 오판 |
올바른 결정 (검정력) |
| \( H_0 \) 채택 (기각 실패) | 올바른 결정 (신뢰 수준) | 제2종 오류 (\( \beta
\)) 있는 효과를 놓침 |
Trade-off: \( \alpha \)를 강하게 낮추면 무고한 사람을 벌주지는 않지만(\( \alpha \)), 진짜 범인을 놓치기(\( \beta \)) 쉬워집니다.
분석 방법론
T-검정: 평균의 비교
두 집단의 평균 차이가 통계적으로 유의미한지 확인하는 가장 표준적인 방법입니다. 핵심은 "평균의 차이가 오차에 비해 충분히 큰가?"를 보는 것입니다.
T-통계량의 직관
\[ t = \frac{\bar{x}_1 - \bar{x}_2}{SE} \]
핵심 원리:
1. 분자(차이)가 클수록
2. 분모(표준오차)가 작을수록
→ T값은 커지고 유의미해집니다!
- 표본 수(\( n \)): 학생 수가 많아지면 오차(\( SE \))는 줄어듭니다.
- 변동성(\( s \)): 데이터가 고르게 모여있을수록 차이 입증이 쉽습니다.
- Result: 수식 계산은 컴퓨터에 맡기고, 우리는 이 '오차 대비 차이'의 비율에 집중합니다.
통계 심화
왜 T-분포인가?
표본의 크기가 작으면 우리의 예측은 더 불안정해집니다. T-분포는 정규분포보다 양쪽 꼬리가 더 두껍습니다.
"극단적인 일이 벌어질 확률을 더 넉넉하게 잡아주는 배려입니다."
[시각화: 정규분포 vs 꼬리가 두꺼운 T-분포]
기본 가정
당신의 검정은 유효한가?
\( T \)-검정을 돌리기 전에는 세 가지 가정이 충족되는지 확인해야 합니다. 가정이 무너지면 결과도 신뢰할 수 없습니다.
- Independence: 두 집단의 표본은 서로 영향을 주지 않아야 합니다.
- Normality: 각 집단의 데이터 분포가 종 모양(정규분포)을 따라야 합니다. (표본이 크면(\( n > 30 \)) 어느 정도 극복 가능)
- Homogeneity of Variance: 두 집단의 흩어진 정도(분산)가 비슷해야 합니다. (다를 경우 Welch's \( T \)-test를 사용)
실용 분석
Python을 활용한 T-검정
* Scipy 라이브러리는 별도의 설치 없이 Colab에서 바로 작동합니다.
결과 해석
범위를 통한 추정
점 하나로 예측하는 것보다, 일정 '범위'로 예측하는 것이 훨씬 과학적입니다. 이것이 신뢰구간(Confidence Intervals)입니다.
구간의 범위
\[ \text{CI} = \bar{x} \pm z \times \frac{s}{\sqrt{n}} \]
신뢰구간 안에 \( 0 \)이 포함되어 있다면, 두 집단의 차이는 없는 것이나 마찬가지입니다.
사례 연구
성별과 정책 지지
연구 문제
"기초연금 확대 정책에 대해 남성과 여성의 지지율은 정말 차이가 날까?"
- 관측치(Observation): 남성 평균 \( 3.2 \)점, 여성 평균 \( 3.5 \)점.
- 결과(Result): \( p \)-값이 \( 0.003 \)으로 계산됨.
- 학술적 서술 예시:
"가설 검정 결과, 성별에 따른 정책 지지도 차이는 통계적으로 유의미한 것으로 나타났다(\( p < 0.01 \)). 따라서 남성보다 여성이 해당 정책을 더 긍정적으로 평가한다는 결론을 내릴 수 있다."
비판적 사고
P-Hacking의 함정
P-해킹(P-Hacking)이란?
유의미한 결과가 나올 때까지 데이터를 자르고 붙이거나 여러 요인을 돌려보는 행위입니다. 이는 과학적 사기(Fraud)에 가깝습니다.
정직한 연구
분석 전 미리 가설을 등록하고(Pre-registration), 유의미하지 않은 결과(\( Null\ Findings \))도 솔직하게 보고하는 자세가 좋은 학자를 만듭니다.
상호작용
귀무가설인가, 대립가설인가?
"유권자들이 TV 토론을 보고 나서 후보에 대한 생각이 바뀌었는지 알고 싶다." 이 연구의 귀무가설(\( H_0 \))은?
- 1. TV 토론은 효과가 매우 컸다.
- 2. TV 토론 전과 후의 지지도 차이는 \( 0 \)이다 (아무 효과 없었다).
- 3. 바뀐 사람도 있고 안 바뀐 사람도 있다.
상호작용
P-Value 마스터
상황: 지지율 분석 보고서에 \( p = 0.04 \)라고 적혀 있습니다. 어떤 결론을 내려야 할까요?
정답: 통계적으로 유의미함. (표준 \( 0.05 \) 기준 미만이므로 우연일 확률이 낮아 귀무가설을 기각합니다.)
심화 개념
비모수 검정 (Non-parametric)
정규분포가 아닐 때의 해법
T-검정은 데이터가 종 모양(정규분포)이라는 가정이 필요합니다. 하지만 표본이 너무 적거나 분포가 엉망이라면?
맨-휘트니 U 검정 (Mann-Whitney U)
수치 대신 **'순위(Rank)'**를 매겨 비교합니다. 평균보다 '누가 더 앞서나'를 따지는 매우 튼튼한(Robust) 방법입니다.
연구 설계
검정력 분석 (Power Analysis)
차이를 놓치지 않을 확률
검정력(\( 1-\beta \))은 "진짜 차이가 있을 때 이를 유의미하다고 잡아낼 능력"입니다.
핵심 지침: 효과가 아주 미세하다면, 그것을 입증하기 위해 더 많은 표본(Sample Size)이 필요합니다. "낚시할 물고기가 작을수록 더 촘촘한 그물이 필요한 것과 같습니다."
요약
4주차 학습 내용 정리
- 가정: 우선 "차이가 없다"(\( H_0 \))고 믿고 시작한다.
- 입증: 데이터가 "이건 우연이기 힘들다"(\( p < 0.05 \))고 외칠 때 가설을 채택한다.
- 도구: 정규분포면 T-검정, 아니면 비모수 검정(순위 방식)을 쓴다.
- 설계: 확실한 증명을 원한다면 충분한 표본 크기를 확보해야 한다(검정력).