변수가 무엇을 의미하는지에 따라 가능한 계산과 분석 구분하기
만족도 1~5와 구매횟수 1~5는 숫자가 같아도 같은 계산을 허용하지 않습니다.
만족도 5는 1보다 높지만 정확히 다섯 배 만족했다는 뜻은 아닙니다. 반면 구매횟수 5회는 1회의 다섯 배입니다. 화면에는 같은 정수로 보여도 값이 담는 정보가 다릅니다.
데이터 유형은 컴퓨터의 저장 형식이 아니라 값이 표현하는 정보와 허용되는 비교를 뜻합니다. 이를 잘못 판단하면 우편번호 평균, 고객번호 간 거리, 만족도 비율처럼 계산은 되지만 의미 없는 결과가 나옵니다.
핵심 질문
이 값에서 같음·순서·간격·비율 중 어디까지 의미가 있으며, 한 행은 무엇을 대표하는가?
명목형은 구분을, 순서형은 범주의 순위를 나타냅니다.
연속·이산 값과 0의 의미에 따라 가능한 계산이 달라집니다.
변수의 측정 수준을 확인한 뒤 표·그래프·검정을 고릅니다.
한 행이 고객·환자·거래·매장·날짜 중 무엇인지 먼저 정하고, 각 열이 그 단위의 속성인지 사건인지 확인합니다. 고객 테이블의 한 행과 거래 테이블의 한 행은 분석 질문이 다릅니다.
고객 한 명이 12개월 동안 12행으로 반복되면 12명의 독립 고객이 아닙니다. 단순 t검정 대신 고객별 집계, 반복측정, 패널·다층모형이 필요할 수 있습니다.
분석단위와 결론단위를 일치시킵니다. 매장별 평균을 분석하고 개인 구매행동에 대해 결론 내리면 생태학적 오류가 생길 수 있습니다.
ID는 숫자로 저장되어도 크기나 평균이 의미 없는 식별자입니다. 반대로 “3회”가 문자형으로 저장돼도 의미는 수치형입니다. 저장형식과 통계적 의미를 따로 확인합니다.
| 유형 | 허용되는 정보 | 예시 | 흔한 오류 |
|---|---|---|---|
| 범주형 | 같음·다름 | 지역·상품 | 코드 평균 |
| 이산 수치 | 개수·0 포함 | 구매횟수 | 연속정규 가정 |
| 연속 수치 | 측정된 크기 | 시간·키 | 과도한 반올림 |
| 날짜·시간 | 순서·간격·주기 | 가입일·시각 | 문자열 정렬 |
범주의 같고 다름만 의미가 있고 순서는 없습니다. 최빈값·빈도·비율·교차표를 사용할 수 있으며 회귀에서는 더미 인코딩 등으로 범주를 표현합니다.
우편번호 06236이 03187보다 크거나 두 지역의 평균 우편번호가 대표 지역이라는 해석은 성립하지 않습니다. 부서코드 1·2·3도 숫자 크기가 아니라 라벨입니다.
범주를 숫자로 바꿔 1,2,3을 그대로 회귀에 넣으면 범주 간 간격과 직선 순서를 강제로 가정합니다. 기준범주와 코딩 방식을 명시해야 합니다.
순서는 있지만 인접 단계 사이 간격이 같다고 보장하지 않습니다. 만족도 4와 3의 심리적 차이가 2와 1의 차이와 같다는 근거는 없습니다. 학력 단계·통증 등급·신용등급도 같은 구조입니다.
중앙값·백분위수·순위기반 분석이 자연스럽습니다. 여러 문항을 합산한 척도는 연구 관행상 연속형처럼 다루기도 하지만 문항 수, 분포, 신뢰도와 그 선택의 근거를 밝혀야 합니다.
순서형 결과에 일반 선형회귀를 쓰면 범위 밖 예측과 동일 간격 가정이 생길 수 있습니다. 순서 로짓·프로빗은 범주의 순서를 보존하면서 경계별 누적확률을 모형화합니다.
값 사이의 동일한 차이는 의미 있지만 0이 속성의 완전한 부재를 뜻하지 않습니다. 섭씨 10→20도와 20→30도는 같은 10도 차이지만, 20도가 10도의 두 배로 뜨겁다고 할 수 없습니다.
달력연도도 차이는 해석할 수 있지만 2000년이 1000년의 두 배라는 비율은 무의미합니다. 평균·표준편차·차이는 가능하지만 기하평균과 배율 해석은 부적절합니다.
섭씨를 화씨로 바꿔도 값의 순서와 차이의 비율은 유지되지만 절대 비율은 유지되지 않습니다. 허용 가능한 변환이 척도의 의미를 보여줍니다.
간격이 같고 의미 있는 절대 0이 있어 차이와 비율 모두 해석할 수 있습니다. 길이 0cm, 구매 0회, 매출 0원은 해당 양이 없음을 뜻하므로 20이 10의 두 배라는 말이 가능합니다.
온도도 켈빈은 절대 0을 가져 비율척도지만 섭씨는 등간척도입니다. 같은 현상도 단위 정의에 따라 허용되는 해석이 달라질 수 있습니다.
음수가 존재하는지로 판단하지 말고 0이 “없음”인지 임의 기준점인지 확인합니다. 수익률과 순이익처럼 음수가 가능한 변수는 비율 표현의 조건을 더 세심하게 검토합니다.
범주형 결과도 두 범주, 순서 없는 3개 이상, 순서 있는 3개 이상으로 구분합니다. 각각 이항·다항·순서형 모형이 대응하며 확률의 기준이 달라집니다.
예/아니오를 0/1로 저장하면 평균은 1의 비율로 해석할 수 있지만 여전히 연속형 결과가 아닙니다. 선형확률모형을 쓸 수는 있어도 이분산성과 범위 밖 예측을 점검해야 합니다.
| 목표 | 예시 | 대표 요약·모형 |
|---|---|---|
| 이진 | 구매/미구매 | 비율·이항 로지스틱 |
| 명목 다범주 | 교통수단 | 구성비·다항 로지스틱 |
| 순서 다범주 | 낮음/중간/높음 | 누적비율·순서 로짓 |
숫자형 열에 999·−9가 결측코드로 섞이면 평균과 최댓값이 조용히 왜곡됩니다. 날짜가 문자열이면 “2026-10”이 “2026-2”보다 앞에 정렬될 수 있고, 시간대가 섞이면 사건 순서가 바뀔 수 있습니다.
자료사전에 변수명, 설명, 단위, 척도, 허용범위, 범주 라벨, 결측코드, 시간대, 관측단위를 기록합니다. 원자료 값과 분석용 변환값을 분리해 추적 가능하게 유지합니다.
단위 혼합도 유형 오류입니다. 일부 키가 cm, 일부가 inch이거나 매출에 원과 달러가 섞이면 수치형 검사를 통과해도 분석은 틀립니다. 범위검사와 출처별 분포 비교가 필요합니다.
범주형 하나는 빈도·비율, 수치형 하나는 중심·산포가 출발점입니다. 두 범주형은 교차표·카이제곱, 범주별 수치 결과는 상자그림·t검정·ANOVA, 두 수치형은 산점도·상관·회귀로 연결됩니다.
그러나 측정 수준만으로 분석이 자동 결정되지는 않습니다. 독립표본인지 반복측정인지, 표본이 어떻게 추출됐는지, 분포와 결측이 어떤지, 예측인지 인과인지가 최종 선택을 바꿉니다.
“변수 유형 → 질문 → 연구설계 → 가정 → 분석” 순으로 결정하면 숫자형이라는 이유만으로 잘못된 방법을 고르는 일을 줄일 수 있습니다.
같은 1~5 값이라도 변수의 의미를 바꾸면 허용되는 해석이 어떻게 달라지는지 확인하세요.
데이터 유형·측정 수준 인터랙티브 랩
데이터 문제의 양과 처리 강도를 바꾸며 남는 정보와 왜곡이 어떻게 달라지는지 비교하세요.
조작할 때 그래프의 위치·모양·오류 구조를 먼저 보세요.
계산 결과
차이 2 · 수치 비율 2.00배
구매횟수라면 두 계산을 해석할 수 있지만 만족도 등급이라면 4>2라는 순서만 확실합니다. 계산 가능성과 의미 가능성을 구분하세요.
한 조절값만 먼저 움직인 뒤 그래프의 어떤 부분이 변하고 무엇은 그대로인지 설명해보세요.
| 주제 | 핵심 내용 |
|---|---|
| 혼합자료의 거리 | 수치·명목·순서 변수가 함께 있으면 모든 열에 유클리드 거리를 적용하지 않고 Gower 거리처럼 유형별 차이를 정규화하는 방법을 검토합니다. |
| 잠재변수 | 만족도·우울·브랜드태도처럼 직접 관측하기 어려운 개념은 여러 문항으로 측정하고 신뢰도와 요인구조를 평가합니다. |
| 측정불변성 | 같은 설문점수도 국가·성별·시점에 따라 다른 의미를 가질 수 있어 집단 간 비교 전에 척도가 동일하게 작동하는지 확인합니다. |
| 다음 학습 | EDA는 여기서 분류한 변수 유형을 바탕으로 분포·관계·품질과 데이터 생성과정을 체계적으로 탐색합니다. |