통계학의 이해
데이터를 정리하는 기술통계부터, 표본을 바탕으로 더 큰 집단을 이해하는 추론통계까지 통계학의 역할을 살펴봅니다.
대학교에서 학생 만족도 조사를 실시했다고 가정해 보겠습니다. 200명의 응답을 모아 평균 만족도를 계산할 수 있습니다. 그런데 여기서 한 가지 질문이 더 생깁니다. 응답한 200명에게서 나타난 결과가 학교 전체 학생에게도 비슷하게 나타날까요?
통계학은 이런 질문에 답하기 위해 데이터를 수집하고, 정리하고, 분석하며, 결과에 따르는 불확실성을 판단하는 학문입니다. 이 글에서는 통계학의 두 큰 영역인 기술통계와 추론통계를 하나의 사례로 구분하고, 분석 결과를 이해할 때 필요한 기본 사고방식을 살펴보겠습니다.
통계학은 무엇을 하는 학문인가요?
숫자를 계산하는 일을 넘어, 데이터로 질문에 답하는 방법
통계학은 관심 있는 현상을 데이터로 살펴보는 데 필요한 방법을 다룹니다. 조사하거나 측정할 대상을 정하고, 적절한 자료를 수집한 뒤, 그 안에 나타난 특징과 관계를 분석합니다. 나아가 관측한 데이터만으로 어디까지 말할 수 있는지도 검토합니다.
예를 들어 교육 연구에서는 학습시간과 시험점수의 관계를, 보건 연구에서는 치료군과 비교군의 차이를, 기업에서는 고객 만족도와 재구매 의향을 살펴볼 수 있습니다. 연구 질문은 다르지만 자료를 근거로 판단하되 우연이나 편향의 가능성을 함께 고려한다는 점은 같습니다.
우리에게 있는 데이터는 무엇을 보여 주며, 그 결과를 어느 범위까지 믿고 적용할 수 있을까요?
기술통계와 추론통계는 어떻게 다른가요?
관측한 데이터를 설명할 것인지, 더 넓은 집단을 추정할 것인지의 차이
기술통계(Descriptive Statistics)는 수집한 데이터가 어떤 모습을 보이는지 정리합니다. 평균이나 중앙값으로 중심을 설명하고, 표준편차나 사분위수로 흩어진 정도를 살펴보며, 빈도와 비율로 응답 분포를 나타냅니다.
추론통계(Inferential Statistics)는 표본에서 관측한 결과를 토대로 모집단의 특성을 추정하거나 가설을 검토합니다. 이때 표본을 뽑는 과정에서 생기는 불확실성을 신뢰구간, 검정 등으로 다룹니다. 표본의 대표성과 자료 수집 과정도 함께 고려해야 합니다.
| 구분 | 기술통계 | 추론통계 |
|---|---|---|
| 주요 질문 | 수집한 데이터는 어떤 모습인가? | 전체 대상에 대해서는 무엇을 말할 수 있는가? |
| 대표 방법 | 평균, 표준편차, 빈도, 비율, 그래프 | 신뢰구간, 가설검정, 회귀 등 |
| 결과의 범위 | 관측한 자료를 설명 | 표본과 가정에 근거해 모집단에 대한 추론 |
| 주의할 점 | 요약값이 분포 전체를 보여 주지는 않음 | 표본추출과 편향에 따라 추론의 타당성이 달라짐 |
모집단과 표본은 왜 구분하나요?
누구에 대한 결론을 내리려는지 먼저 정합니다
모집단(Population)은 연구자가 알고자 하는 전체 대상이며, 표본(Sample)은 그중 실제로 조사하거나 측정한 일부입니다. 학교 전체 재학생의 만족도가 궁금하다면 전체 재학생이 모집단이고, 설문에 응답한 200명은 표본이 됩니다.
모집단의 실제 평균처럼 전체 집단의 특성을 나타내는 값은 모수(Parameter)라고 하고, 표본에서 계산한 평균처럼 표본의 특성을 나타내는 값은 통계량(Statistic)이라고 합니다. 표본평균 4.1점은 계산된 통계량이지, 그 자체로 전체 학생의 평균이 확정되었다는 뜻은 아닙니다.
예제로 보는 기술통계
설문 응답 200명에서 확인할 수 있는 내용
한 대학에서 응답자 200명의 학교생활 만족도를 1~5점 척도로 조사했다고 가정하겠습니다. 응답자의 평균 만족도가 4.1점이고, 만족한다고 답한 학생이 124명이라면 다음처럼 기술통계로 결과를 요약할 수 있습니다.
| 항목 | 설명용 결과 | 알 수 있는 점 |
|---|---|---|
| 응답 인원 | 200명 | 자료에 포함된 사람 수 |
| 평균 만족도 | 4.1점 / 5점 | 응답 점수의 중심 |
| 만족 응답 | 124명(62%) | 특정 범주의 빈도와 비율 |
| 최솟값·최댓값 | 1점·5점 | 관측된 점수의 범위 |
평균이 같더라도 모두가 비슷한 점수를 주었는지, 낮은 점수와 높은 점수가 함께 나타났는지는 다를 수 있습니다. 따라서 평균만 보고 끝내기보다 분포와 응답 비율을 함께 확인하는 것이 좋습니다.
표의 인원과 수치는 통계 개념 설명을 위한 가상 사례입니다. 실제 설문 분석 결과가 아닙니다.
같은 사례를 추론통계로 살펴보면?
200명의 결과를 전체 학생에게 적용할 수 있는지 묻습니다
만약 학교 전체 재학생의 평균 만족도를 알고 싶다면 표본의 평균 4.1점을 그대로 전체의 값으로 단정할 수 없습니다. 표본을 다시 뽑으면 평균이 조금씩 달라질 수 있기 때문입니다. 추론통계는 이런 표본추출의 변동을 고려해 추정값의 불확실성을 표현합니다.
예를 들어 적절한 표본추출과 분석 가정이 충족된다면 모집단 평균에 대한 신뢰구간을 추정할 수 있습니다. 또 지난 학기와 비교해 만족도가 달라졌는지, 학년별 차이가 있는지와 같은 가설도 검토할 수 있습니다.
설문 링크를 본 사람만 자발적으로 응답했다면 특정 성향의 학생이 과도하게 포함되었을 수 있습니다. 표본 수가 충분하더라도 이런 선택 편향이 사라지지는 않습니다. 신뢰구간이나 p값만으로 대표성 문제를 해결할 수는 없습니다.
통계적 분석은 어떤 순서로 진행하나요?
연구 질문을 정하고 결과를 해석하기까지
무엇을 알고 싶은지, 누구를 연구할지 정합니다.
표본추출, 측정, 결측과 오류를 확인합니다.
자료를 살펴보고 적절한 방법으로 결론을 검토합니다.
통계분석은 검정 버튼을 누르는 단계에서 시작하지 않습니다. 연구 질문이 먼저 정해져야 필요한 변수와 표본, 분석방법을 결정할 수 있습니다. 수집이 끝난 뒤에는 데이터의 분포와 이상값, 누락된 응답 등을 확인하고, 어떤 분석을 적용할지 판단합니다.
분석 결과를 얻은 뒤에도 숫자만 제시하는 것으로 끝나지 않습니다. 관찰된 차이나 관계의 크기, 불확실성, 연구 설계의 한계를 함께 설명해야 합니다.
통계학은 어떤 질문에 활용되나요?
현상 요약부터 집단 비교, 관계 파악, 미래 예측까지
| 연구 질문 | 통계학에서 하는 일 | 분석의 예 |
|---|---|---|
| 학생들의 평균 학습시간은? | 관측값을 요약 | 기술통계 |
| 전공별 만족도는 다른가? | 집단 간 차이를 검토 | t검정·ANOVA 등 |
| 학습시간과 성적은 관련이 있는가? | 변수 간 관계를 살펴봄 | 상관분석·회귀분석 |
| 어떤 고객이 서비스를 이탈할까? | 관측 데이터를 활용해 예측 | 분류모형 |
| 정책 시행이 실제 변화를 만들었을까? | 비교 가능한 설계에서 인과효과 검토 | DID·RDD 등 |
서로 다른 통계분석을 모두 배워야 시작할 수 있는 것은 아닙니다. 먼저 연구 질문이 '요약', '차이', '관계', '예측', '인과효과' 가운데 어디에 가까운지 구분하면 다음에 필요한 방법을 찾기 쉬워집니다.
통계 결과를 읽을 때 무엇을 조심해야 하나요?
숫자가 정확하더라도 결론이 반드시 타당한 것은 아닙니다
표본을 대표한다고 가정하지 마세요
특정 수업에 참여한 학생만 조사했다면 그 결과를 학교 전체 학생에게 일반화하기 어려울 수 있습니다. 누구를 어떤 방식으로 조사했는지 확인해야 합니다.
평균 하나로 모든 것을 설명하지 마세요
평균이 높은 집단에도 낮은 점수가 많을 수 있습니다. 분포와 산포, 응답자 수를 함께 보는 것이 중요합니다.
관련성이 있다고 원인이라고 말하지 마세요
공부시간이 긴 학생의 성적이 높더라도, 공부시간이 성적 상승을 일으켰다고 바로 결론 내릴 수는 없습니다. 다른 요인과 연구 설계를 검토해야 합니다.
유의성과 중요성을 구별하세요
통계적으로 유의한 차이가 나타나도 실제로는 아주 작은 차이일 수 있습니다. 효과의 크기와 신뢰구간, 연구 맥락을 함께 살펴야 합니다.
어떤 기초 개념을 먼저 배우면 좋을까요?
다음 장에서 통계학의 언어와 추론의 원리를 차례로 배웁니다
| 다음 학습 | 알아볼 내용 |
|---|---|
| 02 · 모집단과 표본 | 모수, 통계량, 표본이 대표성을 갖는 조건 |
| 03 · 데이터와 변수 | 변수 유형, 측정척도, 자료 구조 |
| 04 · 자료의 요약과 분포 | 중심·산포·분포를 함께 읽는 방법 |
| 05~08 · 확률과 표본분포 | 확률분포, 표본추출, 중심극한정리 |
| 09~12 · 통계적 추론 | 신뢰구간, 가설검정, 검정력, 분석 가정 |
실제 데이터를 요약하는 방법은 기술통계와 빈도분석 가이드에서 더 자세히 살펴볼 수 있습니다. 이 페이지는 개별 분석방법을 배우기 전에 필요한 큰 그림을 이해하는 데 초점을 맞춥니다.
통계학은 숫자를 계산하는 것보다, 그 숫자가 무엇을 말해 주는지 판단하는 데 가깝습니다.
- 기술통계: 수집한 자료의 중심과 흩어짐을 요약해 현재 모습을 보여 줍니다.
- 추론통계: 표본을 근거로 모집단에 대해 판단하고 그 불확실성을 함께 제시합니다.
- 모집단과 표본: 조사한 사람들과 결론을 내리려는 대상을 먼저 구분합니다.
- 분석 순서: 연구 질문 → 자료 수집 → 탐색 → 분석 방법 선택 → 해석의 흐름으로 진행합니다.
- 신뢰도: 표본 크기만이 아니라 수집 방식과 편향 가능성이 결론의 범위를 정합니다.
기술통계는 관측한 자료를 정리해 현재 어떤 모습인지 보여 줍니다. 추론통계는 표본으로부터 모집단에 대해 판단할 때 생기는 불확실성을 다룹니다. 두 영역은 경쟁하는 방법이 아니라 서로 이어지는 과정입니다. 실제 연구에서는 데이터를 먼저 살펴보고, 연구 질문과 자료의 특성에 맞는 추론 방법을 선택합니다.
무엇보다 중요한 것은 조사한 사람들과 결론을 내리려는 대상을 구분하는 일입니다. 표본의 크기뿐 아니라 자료가 수집된 방식, 편향의 가능성, 결과를 해석할 수 있는 범위가 통계적 결론의 신뢰도를 결정합니다.
다음은 02 모집단과 표본입니다. 조사한 대상과 결론을 내리려는 대상을 어떻게 구분하는지 살펴봅니다.
기술통계는 수집한 데이터를 설명하고, 추론통계는 표본을 토대로 모집단에 대해 판단합니다. 표본에서 계산한 값이 전체의 실제 값과 같다고 단정할 수는 없습니다. 통계분석을 시작할 때는 무엇을 알고 싶은지, 누구에 대한 결론인지, 자료가 어떻게 수집됐는지부터 확인해야 합니다.