이원분산분석(Two-Way ANOVA)

학습 방법에 따라 시험 점수는 얼마나 달라질까요? 같은 방법이라도 조용한 교실에서 공부할 때와 소음이 있는 환경에서 공부할 때 결과가 다를까요? 특정 학습 방법은 어떤 환경에서 특히 효과적일까요?

이처럼 두 개의 요인이 하나의 결과변수에 미치는 영향을 함께 비교하는 방법이 이원분산분석(Two-Way ANOVA)입니다. 각 요인의 평균 차이뿐 아니라 두 요인이 결합했을 때 나타나는 상호작용도 검정합니다.

일원분산분석이 한 요인에 따른 집단 평균 차이를 확인한다면, 이원분산분석은 두 요인의 주효과와 상호작용을 구분합니다. 특히 한 요인의 효과가 다른 요인의 수준에 따라 달라지는지를 확인한다는 점이 중요합니다.

교육, 심리, 마케팅, 제품 실험 등 두 조건의 조합이 결과에 영향을 줄 수 있는 연구에 활용됩니다. 이번 글에서는 학습 방법과 학습 환경을 예제로 분석 원리, 상호작용 그래프, 결과표, 후속 비교와 주의사항을 차례대로 살펴보겠습니다.

이원분산분석(Two-Way ANOVA)은 두 개의 범주형 독립변수에 따른 평균 차이를 분석하는 방법입니다. 각각의 요인이 결과에 미치는 영향뿐 아니라 두 요인의 조합에 따라 결과가 달라지는지도 검정합니다.

일원분산분석은 학습 방법처럼 하나의 요인만 비교합니다. 이원분산분석은 학습 방법과 학습 환경을 동시에 다뤄 각 요인의 평균 차이를 확인하고, 어느 방법이 더 좋은지가 환경에 따라 달라지는지도 살펴봅니다.

학습 방법의 주효과

조용한 환경과 소음 환경을 평균했을 때 강의식·토론식·실습식 학습의 점수가 다른지 살펴봅니다.

학습 환경의 주효과

세 가지 학습 방법을 평균했을 때 조용한 환경과 소음 환경의 점수가 다른지 살펴봅니다.

학습 방법 × 학습 환경 상호작용

환경에 따른 차이가 학습 방법마다 다르면 상호작용이 있습니다. 예를 들어 토론식 학습은 소음 환경에서 점수가 크게 달라지지만 실습식은 그렇지 않을 수 있습니다.

학습 방법을 강의식·토론식·실습식 세 가지로, 학습 환경을 조용한 환경·소음 환경 두 가지로 나눴습니다. 서로 다른 학생을 각 조건에 20명씩 배정한 가상 실험(총 120명)을 가정합니다. 아래 값은 분석 구조를 설명하기 위한 예시 평균이며 실제 검정 결과는 아닙니다.

강의식에서는 소음 환경의 평균이 6점 높고, 토론식에서는 14점 높으며, 실습식에서는 2점 높습니다. 환경 차이의 크기가 방법마다 다릅니다. 이는 상호작용을 시사하는 패턴이지만, 그림만으로 통계적 유의성을 판단할 수는 없습니다.

상호작용 그래프의 선이 교차하지 않더라도 기울기가 다르면 상호작용이 나타날 수 있습니다. 각 셀의 표본 수와 점수 변동을 고려해 F 검정으로 확인해야 합니다.

각 학생의 점수 변동을 학습 방법의 차이, 학습 환경의 차이, 두 요인의 상호작용, 그리고 설명되지 않은 오차로 분해합니다. 요인마다 해당 평균제곱을 적절한 오차 평균제곱과 비교하여 F값을 구합니다.

완전한 3×2 균형설계에서 셀당 20명인 경우의 자유도입니다. 검정값은 실제 관측 점수가 있어야 계산할 수 있습니다.

실제 결과표에는 학습 방법, 환경, 방법×환경 세 효과에 대해 제곱합(SS), 자유도(df), 평균제곱(MS), F값, p값 및 효과크기를 보고합니다.

상호작용이 통계적으로 유의하다면 학습 환경별로 세 학습 방법을 비교하거나, 각 학습 방법 안에서 조용한 환경과 소음 환경을 비교합니다. 비교가 여러 번 이루어지므로 Holm 등 다중비교 보정을 고려합니다.

단순효과의 평균 차이와 95% 신뢰구간을 함께 제시하면 상호작용이 실제로 어떤 방향과 크기로 나타났는지 이해하기 쉽습니다.

독립성

학생 한 명이 하나의 조건에 속하며 관측값이 서로 독립적이어야 합니다. 같은 학생을 여러 조건에서 반복 측정했다면 단순한 독립집단 이원분산분석과 설계가 달라집니다.

잔차 정규성 및 이상치

각 조건의 잔차 분포와 극단값이 분석에 미치는 영향을 검토합니다. 정규성은 원점수 전체보다 모형의 잔차를 중심으로 살펴봅니다.

분산 동질성

여섯 조건에서 점수의 분산이 크게 다르지 않은지 점검합니다. Levene 검정과 잔차 그래프를 활용할 수 있으며, 가정이 위배된다면 강건한 방법이나 적절한 대안 모형을 검토합니다.

각 조합의 표본 수가 서로 다르면 주효과 평균과 상호작용의 해석이 균형설계보다 복잡해집니다. 이때 Type II·Type III 제곱합 등 계산 기준, 대비 코딩, 추정 주변평균의 정의를 확인해야 합니다. 상호작용을 포함하는 모형에서 어떤 가설을 검정하는지 미리 정하는 것이 중요합니다.

결측이 특정 조건에 집중돼 있거나 집단별 분산이 크게 다르다면 결과가 왜곡될 수 있습니다. 단순히 결측값을 제거하기보다 누락 원인을 확인하고 분석 가능한 표본과 제한사항을 보고합니다.

이원분산분석의 두 요인은 모두 범주형입니다. 요인이 두 개라는 이유만으로 혼합설계가 되는 것은 아니며, 같은 참가자를 반복 측정했는지가 중요한 구분 기준입니다.

먼저 3×2 요인설계, 각 조건의 표본 수와 평균·표준편차를 제시합니다. 이어 분석 가정과 주효과 두 개, 상호작용의 F값·자유도·p값·효과크기를 보고합니다. 상호작용이 유의하면 단순효과 분석과 보정된 후속 비교 결과를 덧붙입니다.

실제 분석 후에는 예를 들어 F(2, 114) = [분석값], p = [분석값], 부분 η² = [분석값] 형식으로 상호작용 결과를 기재합니다. 대괄호 값은 실제 결과로 대체해야 합니다.

두 요인을 함께 분석해야 한다면 이원분산분석이 유용합니다. 다만 설계가 무작위 배정 실험인지 관찰연구인지에 따라 인과적 해석의 범위는 달라집니다.

학습 방법과 학습 환경을 함께 비교하면 단순히 어느 방법의 평균이 높은지를 넘어, 같은 방법도 환경에 따라 결과가 달라질 수 있음을 확인할 수 있습니다. 이번 가상 예제에서는 환경별 평균 차이가 학습 방법에 따라 다르게 나타났습니다. 그러나 실제로 의미 있는 차이라고 말하려면 개별 자료로 상호작용 검정을 수행해야 합니다.

결과를 보고할 때는 두 주효과와 상호작용을 구분하고, 유의한 상호작용이 있으면 단순효과와 후속 비교를 통해 어떤 조건에서 차이가 나는지 설명해야 합니다. 각 조건의 표본 수, 잔차와 분산 동질성, 연구 설계도 함께 확인해야 정확한 해석이 가능합니다.