콘텐츠로 이동

11장: 카이제곱 검정

개요

들어가는 이야기 — 같은 성적표를 놓고 묻는 세 가지

어느 학교가 학점 비율을 정해 두었다고 하자. A \(20\%\) · B \(30\%\) · C \(30\%\) · D \(20\%\). 권고이지 강제는 아니지만, 학기가 끝나면 누군가는 이 표를 들고 와서 묻는다. 물음은 하나처럼 들리는데 실제로는 셋이고, 셋은 서로 다른 검정을 부른다.

하나. 통계학개론 한 과목을 연다. 수강생 \(120\) 명의 학점이 A \(38\), B \(37\), C \(33\), D \(12\) 로 나왔다. 이 강사는 정책을 따랐는가. 견주는 상대가 자료 바깥에 있다 — \(20 \cdot 30 \cdot 30 \cdot 20\) 은 누가 잰 값이 아니라 미리 정해진 비율이다.

둘. 같은 학과가 연 세 과목을 모은다. 과목마다 \(120\) 명씩. 세 과목의 학점분포가 서로 같은가. 이번에는 바깥의 기준이 없다. 셋을 서로 맞대는 것뿐이고, 과목이 셋이라는 것과 과목마다 몇 명인지는 내가 정했다.

셋. 학교 전체 수강 기록에서 무작위로 \(600\) 건을 뽑아 학과와 학점을 적는다. 학과와 학점이 서로 얽혀 있는가. 내가 정한 것은 \(600\) 이라는 숫자 하나뿐이다. 어느 학과가 몇 건일지도, 어느 학점이 몇 건일지도 뽑고 나서야 알았다.

세 칸짜리 그림. 왼쪽은 한 과목의 학점 비율과 학교 정책이 말하는 비율을 겹쳐 놓아 A 가 넘치고 D 가 모자라는 것을 보인다. 가운데는 세 과목의 학점 비율을 나란히 세워 서로 크게 벌어지는 것을 보인다. 오른쪽은 네 학과의 학점 비율이 거의 포개지는 것을 보인다. 칸마다 아래에 미리 정해 둔 것과 검정 결과를 적었다

붉은 글씨가 설계가 미리 정한 것이다. 왼쪽은 바깥의 기준과 인원, 가운데는 과목 셋과 행 합, 오른쪽은 총 \(600\) 건뿐이다. 그래서 자유도가 \(3 \cdot 6 \cdot 9\) 로 갈린다. 가운데의 파란 막대는 왼쪽의 그 과목과 같은 자료다. 오른쪽에서 네 줄이 포개지는 것이 「얽혀 있지 않다」의 모습이고, 셋 가운데 여기서만 기각하지 못한다. 세 자료는 모두 이 책이 지어내어 돌린 것이다.

셋은 같은 자리에서 나왔고 세는 방식도 거의 같다. 특히 둘째와 셋째는 산술이 완전히 같다 — 같은 통계량, 같은 기대도수 공식, 같은 자유도. 계산만 보아서는 어느 검정을 하고 있는지 구분할 수 없다. 가른 것은 과목이냐 학과냐가 아니라 무엇을 미리 정해 두었는가다. 그것은 표에 적혀 있지 않고 자료를 모은 사람만 안다.

이 장이 그 셋을 차례로 세운다 — 11.2절 적합도 검정, 독립성 검정, 동질성 검정.

카이제곱 검정은 범주형 자료를 분석하는 대표적인 도구이다. 이 장에서는 카이제곱분포(chi-squared distribution)와 범주형 도수 자료 사이의 연결을 세운 뒤, 위의 세 물음에 각각 답하는 검정을 만든다. 기대도수 요건이나 크라메르의 V(Cramér's V)를 이용한 효과크기(effect size) 측정 같은 실무적 고려사항도 함께 다룬다.


1. 장의 구성

11.1 피어슨 통계량과 자유도

카이제곱분포를 범주형 자료 분석에 잇는 이론적 토대:

  • 피어슨 통계량은 어디서 오는가 --- 다항 도수를 다변량 중심극한정리(central limit theorem)로 정규근사하고, 제약 때문에 자유도 하나를 잃는 자리를 짚어 피어슨 카이제곱 통계량을 유도한다. 분모가 참된 표준편차가 아니라 기대도수의 제곱근인 까닭 — 그 「근사」가 잃은 자유도를 정확히 상쇄한다는 것 — 이 이 쪽의 반전이다.
  • 자유도를 얻는 세 가지 길 --- 같은 자유도를 세 길로 얻는다. 자유로운 칸을 세고(적합도(goodness of fit) k − 1, 모수를 p 개 추정하면 k − 1 − p, 독립성(independence)·동질성 (r − 1)(c − 1)), 극한 공분산이 만드는 사영의 계수로 읽고, 로그선형모형의 교호작용(interaction) 모수를 센다. 셋째 길이 이 검정을 회귀의 점수검정으로 세우고, 카이제곱 근사가 언제 믿을 만한지도 여기서 따진다.

11.2 범주형 자료에 대한 카이제곱 검정

카이제곱 검정을 범주형 도수 자료에 적용하는 방식들, 그리고 기각한 뒤에 할 일과 대응 자료를 위한 변형:

  • 적합도 검정 --- 관측된 도수분포가 k개 범주에 걸쳐 가설의 분포와 맞는지를, 관측도수 대 기대도수의 도수표와 피어슨 카이제곱 통계량으로 검정한다.
  • 독립성 검정 --- 하나의 표본 안에서 두 범주형 변수가 관련되어 있는지를, 분할표를 써서 관측 칸 도수와 독립 가정 아래 계산한 기대도수를 비교하여 검정한다.
  • 동질성 검정 --- 여러 독립인 모집단이 어떤 범주형 변수에 대해 같은 분포를 공유하는지를 검정한다. 계산은 독립성 검정(test of independence)과 같지만 표집 설계와 해석이 다르다.
  • 기각한 뒤: 칸별 잔차 분석 --- 검정은 "어느 하나가 다르다"까지만 말한다. 표준화 잔차로 어느 칸이 어긋났는지 찾고, 칸마다 보는 일이 다중검정이 되므로 본페로니 보정을 붙인다.
  • 타이타닉 생존과 성별: 설계 판별부터 완전한 보고까지 --- 2.2절이 탐색까지만 하고 남겨 둔 "이 차이가 우연인가"에 답한다. 같은 자료로 독립성인지 동질성인지를 먼저 가리고, 검정통계량(test statistic)부터 효과크기와 완전한 보고까지 한 바퀴를 끝낸다.
  • McNemar 검정 (대응된 이진 자료) --- 같은 대상을 두 번 재어 얻은 2×2 표에서는 독립성 검정을 쓸 수 없다. 바뀐 쌍만 세는 것이 왜 옳은지와, 바뀌지 않은 쌍이 왜 정보를 주지 않는지를 다룬다.
  • Cochran의 Q 검정 (관련된 k개의 결과) --- McNemar 를 조건 셋 이상으로 넓힌 것이다. \(k = 2\) 에서 McNemar 로 돌아간다는 것과, 정보를 주는 피험자의 수가 검정력을 정한다는 것을 보인다.

11.3 실무적 고려사항

카이제곱 검정 결과의 타당성과 해석 가능성을 확보하기 위한 지침:

  • 기대 칸 도수와 타당성 조건 --- 모든 기대 칸 도수가 적어도 5 이상이어야 한다는 경험 법칙을 제시하고, 이 조건이 (관측도수가 아니라) 기대도수에 적용되는 이유를 설명하며, 조건이 어긋날 때의 대안(범주 병합, 피셔의 정확검정)을 기술한다.
  • 효과크기와 Cramér의 V --- 연관의 강도를 재는 표준화된 측도로 크라메르의 V를 소개한다. 0(연관 없음)부터 1(완전한 연관)까지의 값을 가지며, 작은·중간·큰 효과크기의 해석 지침을 제공한다.
  • 피셔의 정확검정 (2×2) --- 기대도수가 작아 카이제곱 근사를 믿을 수 없을 때 쓴다. 주변합을 고정하고 초기하분포로 확률을 직접 세므로 근사가 아예 필요 없다.

연습문제 — 쪽마다 끝에 있다

분포 가정에 대한 적합도 검정(goodness-of-fit test), 분할표에 대한 독립성 검정, 타당성 조건 확인, 검정통계량 계산을 다루는 연습문제.


2. 선행 지식

이 장은 다음 내용 위에 세워진다.

  • 5장 (추정량과 표집분포(sampling distribution)) --- 카이제곱분포와 그 성질, 그리고 표집분포로서의 역할.
  • 9장 (가설검정) --- 귀무가설(null hypothesis)과 대립가설(alternative hypothesis), 검정통계량, p 값, 판정 규칙이라는 일반적 틀.

3. 핵심 요점

  1. 피어슨 카이제곱 통계량은 관측된 범주 도수와 기대 도수 사이의 불일치를 재며, 기대도수가 충분히 클 때 귀무가설 아래에서 근사적으로 카이제곱분포를 따른다.
  2. 적합도 검정은 하나의 범주형 변수가 가설의 분포를 따르는지 평가하고, 독립성 검정과 동질성 검정(test of homogeneity)은 서로 다른 표집 설계 아래에서 두 범주형 변수 사이의 관계를 평가한다.
  3. 독립성 검정과 동질성 검정은 계산이 완전히 같지만 연구 질문과 자료 수집 설계가 다르다. 한쪽은 두 변수로 분류된 하나의 표본이고, 다른 쪽은 하나의 변수에 대해 비교하는 여러 표본이다.
  4. 카이제곱 근사의 타당성 조건으로 가장 널리 인용되는 것은 「모든 기대 칸 도수가 적어도 5 이상」이라는 경험 법칙이다. 다만 어긋났을 때 무엇으로 갈아타느냐는 공짜가 아니다 — 11.3절 기대 칸 도수와 타당성 조건이 재어 둔 대로 예이츠 보정과 피셔 정확검정은 어느 자리에서도 명목 \(0.05\) 에 닿지 못하고(기대도수가 15 인 자리에서도 \(0.031\)), 그만큼 검정력을 내준다. 「작으니까 일단 피셔」가 아니라 무엇을 사고 무엇을 내주는지를 보고 고른다.
  5. 통계적 유의성만으로는 실질적 중요성을 알 수 없다. 크라메르의 V는 표본크기와 무관하게 연관의 강도를 재는 표준화된 효과크기를 제공한다.