다변량 공분산분석(MANCOVA)

같은 수업을 들어도 학생들의 이해도와 문제해결력은 다르게 나타날까요? 수업 방식에 따라 두 성과가 함께 달라질까요? 수업을 시작하기 전 학습 수준이 다르다면 그 차이는 어떻게 고려해야 할까요?

이처럼 여러 결과변수의 집단 간 차이를 한 번에 분석하면서 사전 점수 같은 공변량을 통계적으로 조정하는 방법이 다변량 공분산분석(MANCOVA)입니다.

ANOVA나 ANCOVA가 하나의 결과변수에 초점을 맞춘다면, MANCOVA는 서로 관련된 결과변수들을 공동으로 다룹니다. 또한 MANOVA와 달리 결과변수에 영향을 줄 수 있는 연속형 공변량을 포함해 집단 차이를 분석합니다.

교육·심리·보건·조직 연구에서 여러 성과를 함께 비교할 때 유용합니다. 이번 글에서는 MANCOVA의 개념과 분석 원리, 교육 방식 비교 사례, 다변량 검정과 조정 평균 해석, 주요 가정, 다른 분석과의 차이, 논문 보고 방법까지 살펴보겠습니다.

다변량 공분산분석(Multivariate Analysis of Covariance, MANCOVA)은 둘 이상의 연속형 결과변수를 하나의 분석에서 다루며, 사전 점수나 연령과 같은 공변량을 고려해 집단 간 차이를 검정하는 방법입니다.

이해도 점수와 문제해결력 점수는 별개의 성과이지만 서로 연관될 수 있습니다. 각각 ANCOVA를 실행하면 전체적인 다변량 차이를 직접 검정하지 못하고 검정 횟수도 늘어납니다. MANCOVA는 결과변수의 공분산 구조를 고려하면서 집단 효과를 먼저 검정합니다.

또한 집단별 사전 성적이 다르면 사후 점수만 비교한 결과가 초기 수준 차이를 반영할 수 있습니다. 공변량을 통계적으로 조정하면 이 문제를 일부 완화할 수 있지만, 관찰연구에서 교란을 모두 제거하거나 인과관계를 입증하는 것은 아닙니다.

① 결과변수를 함께 지정합니다

사후 이해도 점수와 사후 문제해결력 점수를 공동 종속변수로 지정합니다.

② 집단 요인과 공변량을 지정합니다

교육 방식(토론식·강의식)은 집단 요인, 사전 학습 점수는 공변량입니다.

③ 조정된 집단 평균을 추정합니다

공변량이 같은 기준값일 때 예상되는 결과변수별 평균을 비교합니다.

④ 다변량 검정 후 후속 분석을 진행합니다

Pillai’s Trace 등 다변량 검정으로 집단 간 공동 차이를 먼저 평가하고, 연구 질문과 검정 계획에 따라 개별 ANCOVA·다중비교를 살펴봅니다.

학습을 위한 가상 예제입니다. 대학생 120명이 토론식 수업(60명)과 강의식 수업(60명)에 참여했습니다. 수업 전 사전 학습 점수를 조사하고, 수업 후 이해도와 문제해결력 점수를 측정했다고 가정합니다.

예시에서는 사전 점수의 영향을 조정한 이해도 평균을 토론식 77점, 강의식 72점으로, 문제해결력 평균을 각각 74점과 69점으로 가정했습니다. 각 지표의 차이는 모두 5점이지만 이 차이가 통계적으로 유의한지는 실제 자료의 분산과 공분산, 표본 수에 따라 달라집니다.

하나의 다변량 검정을 주된 분석 결과로 미리 정하고 보고하는 것이 좋습니다. Pillai’s Trace는 흔히 사용되는 선택지지만, 가정 위배에 대한 강건성이 모든 상황에서 보장되는 것은 아닙니다. 예제의 표에는 원자료가 없으므로 유의확률이나 통계량을 임의로 넣지 않았습니다.

다변량 검정에서 집단 차이가 확인되면 이해도와 문제해결력 각각에 대해 공변량을 고려한 ANCOVA 결과를 살펴볼 수 있습니다. 다변량 검정의 유의성만으로 두 결과변수가 모두 유의하다고 결론 내릴 수는 없습니다.

후속 검정의 수와 연구 가설에 맞춰 Holm 등 다중비교 보정을 고려합니다.

Box’s M 검정이나 잔차 진단은 참고 자료로 사용할 수 있지만 단일 검정값만으로 분석의 타당성을 결정해서는 안 됩니다.

MANCOVA의 통상적인 공통기울기 모형은 공변량과 각 결과변수 사이의 관계가 집단마다 비슷하다고 가정합니다. 교육 방식 × 사전 점수 상호작용을 검토하면 이러한 가정이 적절한지 살펴볼 수 있습니다.

상호작용이 중요한 수준으로 나타나면 공통기울기를 강제한 조정 평균 대신 상호작용을 포함한 모형에서 사전 점수 수준별 집단 차이를 해석하는 것이 적절할 수 있습니다.

사전 점수의 측정 시점을 확인합니다

처치 이후 영향을 받은 변수를 공변량으로 무분별하게 넣으면 관심 효과를 왜곡할 수 있습니다.

결과변수의 연관성을 확인합니다

결과변수가 전혀 다른 개념이라면 함께 분석할 이유를 설명해야 합니다. 거의 동일한 지표를 중복해서 넣는 것도 피해야 합니다.

다변량 유의성과 개별 유의성을 구분합니다

공동 검정이 유의하더라도 개별 결과변수 각각의 차이를 따로 검토해야 합니다.

집단 배정과 교란 요인을 검토합니다

무작위 배정이 아닌 교육 방식 비교에서는 공변량 하나를 통제해도 인과효과라고 단정하기 어렵습니다.

반복측정이나 종단 관측을 다룬다면 측정 간 상관구조에 맞춰 반복측정 MANOVA 또는 다변량 혼합모형 등을 검토해야 합니다.

먼저 집단별 표본 수와 공변량·결과변수의 정의를 밝힙니다. 이어 가정 점검과 선택한 다변량 검정(Pillai’s Trace 등)의 결과를 보고하고, 후속 분석이 있다면 변수별 조정 평균, 평균 차이, 신뢰구간 및 다중비교 보정 방법을 제시합니다.

실제 논문에서는 예시 수치 대신 분석 소프트웨어가 계산한 결과와 정확한 자유도·p값·효과크기를 보고합니다.

중요한 것은 결과변수를 단순히 여러 개 넣는 것이 아니라 이 변수들을 공동으로 평가해야 하는 연구 질문이 있다는 점입니다.

MANCOVA에서는 사전 점수와 같은 공변량의 영향을 통계적으로 조정한 뒤 여러 결과변수에서 나타나는 집단 간 차이를 한꺼번에 검정합니다. 교육 방식별 이해도와 문제해결력을 비교한다면 전체 다변량 검정을 확인한 뒤, 각 성과의 조정 평균과 후속 분석을 통해 차이가 어디에서 나타났는지 살펴봐야 합니다.

조정 평균은 모든 학생의 출발점이 실제로 같았다는 뜻이 아닙니다. 공변량과 결과변수의 관계, 집단별 회귀기울기, 잔차 분포와 공분산 구조를 점검해야 합니다. 또한 관찰자료에서 공변량을 통제했다고 해서 교수법의 인과효과가 입증되는 것은 아닙니다.

교육 방식 예제에서는 토론식 수업과 강의식 수업의 이해도·문제해결력 점수를 함께 비교했습니다. 사전 학습 수준이 다를 수 있으므로 이를 공변량으로 포함하고, 같은 기준에서의 집단별 조정 평균을 살펴보는 것이 핵심입니다. 다만 예시에 제시한 평균 차이만으로 효과가 통계적으로 유의하다고 결론 내릴 수는 없습니다.

실제 분석에서는 다변량 검정으로 결과변수의 공동 차이를 확인한 뒤, 필요한 경우 개별 결과변수의 후속 분석으로 어떤 성과에서 차이가 나타났는지 설명합니다. 또한 회귀기울기 동질성, 공분산행렬, 이상치와 결측 등 가정을 점검하고, 공변량을 조정했다는 사실을 인과적 증거와 혼동하지 않아야 합니다.