조절효과

같은 요인이라도 그 영향이 모든 사람과 상황에서 똑같이 나타나지는 않습니다. 교육 프로그램이 업무 성과를 높인다고 해도, 그 효과가 신입 직원에게는 크고 경력 직원에게는 작을 수 있습니다. 광고가 구매 의도를 높이더라도 브랜드에 대한 기존 신뢰가 높은 소비자와 낮은 소비자 사이에서 효과가 다를 수 있습니다. 조절효과 분석(Moderation Analysis)은 한 변수와 결과변수 사이의 관계가 다른 변수의 수준에 따라 달라지는지 검토하는 방법입니다. 이 장에서는 상호작용항과 조건부 효과, 단순기울기와 Johnson–Neyman 방법을 알아봅니다.

조절효과를 이해하려면 결과에 영향을 미치는 것으로 관심을 두는 독립변수(X), 설명하려는 종속변수(Y), 그리고 X와 Y 사이의 관계가 달라지는 조건을 나타내는 조절변수(W)를 구분하면 됩니다.

그림 1은 교육 시간(X)이 업무 성과(Y)에 미치는 영향이 경력(W)에 따라 달라지는지 알아보려는 상황입니다. 조절변수는 반드시 독립변수나 종속변수에 직접적인 영향을 미치는 변수일 필요는 없습니다. 핵심은 X와 Y 사이의 관계가 W에 따라 달라지는가입니다.

조절효과를 검정할 때 가장 일반적으로 사용하는 방법 중 하나는 회귀모형에 상호작용항(interaction term)을 추가하는 것입니다.

핵심은 X와 W를 곱한 상호작용항 XW이며, 그 계수 β₃가 0과 구별되는지 검정해 조절효과에 대한 통계적 근거를 평가합니다. β₃ > 0이면 W가 커질수록 X와 Y 사이의 기울기가 커지고, β₃ < 0이면 작아지며, β₃ = 0이면 이 선형 모형에서는 W에 따른 기울기 변화가 없습니다. 이 해석은 변수의 코딩과 모형의 형태를 전제로 하며, 상호작용항의 계수가 양수라고 해서 모든 조건에서 X의 효과가 양수라는 뜻은 아닙니다.

교육 시간(X)과 업무 성과의 관계를 경력 수준(W)과 함께 분석해 다음 모형이 추정되었다고 가정해 보겠습니다(두 변수 모두 중심화하지 않은 수치).

상호작용항의 계수가 −1.5이므로, 그림 2처럼 경력 수준이 높아질수록 교육 시간과 업무 성과 사이의 기울기가 4.0 → 2.5 → 1.0으로 작아집니다. W가 0, 1, 2라는 값은 실제 경력 척도의 코딩 방식에 따라 의미가 달라집니다. 다만 이것만으로 조절효과가 통계적으로 유의하다고 판단할 수는 없으며, 실제 연구에서는 표준오차, 신뢰구간 또는 p값을 함께 확인해야 합니다. 기울기가 작아진다는 사실이 곧 교육이 불필요하다는 뜻도 아닙니다. 실제 효과의 크기와 통계적 불확실성, 교육 비용과 다른 성과 지표도 함께 검토해야 합니다.

상호작용항이 유의하다는 결과만으로는 관계가 어떻게 달라지는지 충분히 설명하기 어렵습니다. 그래서 조절변수의 특정 수준에서 독립변수의 효과를 확인하는 단순기울기 분석(simple slopes analysis)을 활용합니다. 경력을 연속변수로 측정했다면 평균, 평균보다 1 표준편차 낮은 수준, 높은 수준에서 교육 시간의 효과를 계산할 수 있습니다.

그림 3의 모의 자료에서 상호작용 계수는 −0.17(p < .001)이고, 교육 시간의 기울기는 경력 −1SD에서 0.72, 평균에서 0.37로 0보다 크지만 +1SD에서는 0.01로 신뢰구간이 0을 포함합니다. 이렇게 기울기와 신뢰구간을 비교하면 어떤 조건에서 관계가 강하거나 약한지 구체적으로 설명할 수 있습니다. 단순기울기 분석은 상호작용의 형태를 해석하는 데 유용하지만, 여러 수준에서 검정을 반복한다면 다중검정 문제도 고려해야 합니다.

Johnson–Neyman 방법

조절변수가 연속변수라면 특정 지점 몇 개만 확인하는 대신, 독립변수의 조건부 효과가 통계적으로 유의한 조절변수의 범위를 계산할 수 있습니다. 이를 Johnson–Neyman 방법이라고 합니다.

그림 4에서 경력 약 6.1년 이하에서는 교육 시간의 효과가 0보다 크다고 판단되고, 6.1–9.2년에서는 0과 구별되지 않으며, 9.2년 이상에서는 오히려 음의 방향으로 구별됩니다. 이 범위는 효과가 존재하는 절대적인 경계가 아니라, 추정된 효과와 불확실성을 바탕으로 한 통계적 판단 범위입니다. 자료가 거의 없는 극단 구간의 결과는 특히 조심해서 해석해야 합니다.

조절변수의 유형에 따라 분석과 해석 방식이 달라집니다. 연속형 조절변수(경력 연수, 연령, 소득, 브랜드 신뢰 점수)는 값이 증가할 때 X와 Y 사이의 기울기가 어떻게 변하는지 검토하고, 범주형 조절변수(성별 집단, 실험군과 대조군, 상품 유형, 지역)는 집단에 따라 기울기가 다른지 비교하며, 더미 코딩 등을 통해 모형에 포함합니다.

그림 5처럼 범주형 조절변수가 두 집단이라면 각 집단의 기울기(신입 4.2, 경력 1.0)를 비교해 상호작용을 검정할 수 있습니다. 집단이 세 개 이상이라면 기준 집단과의 대비 및 여러 상호작용 계수를 함께 고려해야 합니다.

그림 6처럼 매개효과에서는 M을 거치는 경로를 분석하고(05장), 조절효과에서는 W의 수준에 따라 X의 효과가 달라지는지 분석합니다. 두 효과는 함께 나타날 수도 있습니다. 교육이 업무 지식을 통해 성과에 영향을 미치는 간접효과가 직원의 경력에 따라 달라진다면, 이런 모형을 조절된 매개효과(moderated mediation)라고 합니다.

그림 7처럼 같은 자료를 원점수와 평균 중심화로 각각 분석하면 X와 W의 주효과 계수는 기준점이 바뀌어 달라지지만, 상호작용 계수(−0.17)는 그대로입니다. 또한 조절변수가 범주형인지 연속형인지에 따라 계수의 해석이 달라질 수 있으므로, 결과를 보고할 때는 변수의 코딩 방식과 기준점을 명확히 밝혀야 합니다.

• 조절효과는 독립변수와 결과변수 사이의 관계가 다른 변수의 수준에 따라 달라지는지를 분석합니다.
• 상호작용항은 이러한 관계의 변화를 모형에 반영합니다.
• 상호작용항이 유의하면 단순기울기나 Johnson–Neyman 방법으로 조건부 효과를 구체적으로 살펴볼 수 있습니다.
• 매개효과는 영향의 전달 과정을, 조절효과는 관계가 달라지는 조건을 다룹니다.
• 상호작용의 통계적 유의성과 인과적 해석은 구분해야 합니다.

다음은 07 구조방정식(SEM) — 측정모형과 구조모형의 통합입니다. CFA로 검토한 측정모형과 변수 사이의 경로를 하나의 모형으로 결합해, 잠재변수의 관계를 어떻게 분석하는지 살펴봅니다.