잠재계층분석 (Latent Class Analysis, LCA)

예·아니요와 같은 응답 조합을 보면 어떤 사람 유형이 나타나는가?

← 나의 연구목적에 맞는 분석방법 알아보기
언제 쓰나요?
  • 여러 예/아니요 응답이나 선택 범주의 조합으로 사전에 알 수 없던 사람 집단을 찾을 때 사용합니다.
  • 사람마다 같은 범주형 지표가 필요합니다. 예/아니요 응답은 숫자로 저장했더라도 범주형 자료로 다룹니다.
  • 잠재계층분석(LCA)은 계층별 응답 확률과 계층의 비율을 추정하고 계층 수가 다른 모형을 비교합니다.
  • 각 계층에서 어떤 경험이 나타날 확률이 높은지와 분류의 불확실성을 제시합니다. 연속형 점수의 평균 패턴을 찾는 LPA와는 다릅니다.
예를 들면
  • 교육기회·승진·업무배치에서 차별 경험이 있었는지를 각각 예/아니요로 묻습니다. 세 응답이 범주형 지표입니다.
  • 세 경험이 모두 드문 집단과 교육기회 차별만 두드러진 집단 등이 자료에서 구분되는지 확인합니다.
  • 계층별로 세 경험의 예 응답 확률과 계층 비율을 표와 그림으로 제시합니다.
선택할 때 확인할 점
  • 점수 평균보다 응답 범주의 조합을 봅니다.
  • 지표가 연속형 점수인지 범주형 응답인지부터 확인하세요.
잠재계층분석 (Latent Class Analysis, LCA)에서 처음 볼 용어를 확인하세요 (절차·분석·해석)

먼저 질문과 핵심 개념을 확인하고, 설계·절차에서 분석과 결과 해석으로 이어서 읽어 보세요. 이 방법의 주요 용어를 이해하고 연구문제에 맞는 선택을 돕는 학습 안내입니다. 아래 분석 순서와 점검표도 함께 확인하세요.

1. 질문과 핵심 개념

잠재계층과 범주형 지표
잠재계층은 예·아니오, 수행·미수행 같은 범주형 응답 패턴이 비슷한 사례를 모형으로 설명한 집단입니다. 연속 점수 조합을 쓰는 LPA와 지표 유형이 다릅니다.
조건부 응답확률
각 계층에 속한다고 가정할 때 문항 응답 범주가 나타날 확률입니다. 계층을 평균점수보다 응답 가능성의 패턴으로 이름 붙이고 해석합니다.

2. 설계와 절차

범주 수와 코딩
각 문항의 범주와 기준을 정확히 정의합니다. 0·1 숫자로 저장해도 범주형 자료의 분석 성격은 변하지 않으며, 순서형 응답은 분석 모형이 순서를 어떻게 다루는지 밝혀야 합니다.
국소독립성
계층 소속을 고려한 뒤 지표 응답들이 서로 독립이라고 가정합니다. 비슷한 문항의 잔여 연관이 크면 직접효과 등 대안을 검토해야 합니다.

3. 분석과 결과

계층 수 비교
여러 계층 수의 로그우도, AIC/BIC, 가능한 우도비 검정, 계층 크기와 응답확률을 함께 살핍니다. 적합도 숫자만으로 계층 수를 기계적으로 고르지 않습니다.
수렴·다중 시작값
초기값에 따라 다른 해가 나올 수 있으므로 충분한 시작값을 사용하고 최고 로그우도가 반복되는지 확인합니다. 작은 계층이나 희소한 응답 조합은 안정성 점검이 필요합니다.
사후확률과 분류오차
각 사례가 계층에 속할 사후확률은 배정의 불확실성을 나타냅니다. 가장 높은 확률의 계층으로 분류해도 오분류가 없어지지는 않습니다.
3단계 외부변수 분석
계층 형성 뒤 공변량·결과변수와의 관계를 평가할 때 분류오차를 보정하는 절차입니다. 외부변수를 계층 형성에 포함할지, 계층을 예측·결과로 둘지 질문에 맞춰 선택합니다.

4. 해석과 보고

계층 해석과 이름 붙이기
항목별 조건부 응답확률과 계층 비율을 제시해 각 패턴의 특징을 설명합니다. 낙인이나 성격 진단처럼 보이는 이름을 피하고 지표가 뒷받침하는 범위에서 명명합니다.
계층은 자연적으로 고정된 집단이 아님
계층은 선택한 지표와 가정에 따라 추정되는 요약입니다. 실재하는 본질적 사람 유형이라고 단정하지 말고 다른 표본·지표에서 재현되는지 검토합니다.
LCA와 LTA
한 시점 응답패턴을 찾는 LCA와 시간에 따른 계층 이동을 추정하는 잠재전이분석(LTA)은 질문이 다릅니다. 여러 시점 자료라면 측정 비교가능성과 전이모형 가정을 추가로 검토합니다.

이 용어를 각 방법의 연구 맥락에서 더 확인하려면 해당 방법론 논문을 보세요: 추천논문 1.

01 · 목적

언제, 어떤 목적으로 선택하나요?

같은 차별 경험의 개수를 갖고 있어도, 어떤 차별을 겪었는지는 다를 수 있습니다. 경험 유무나 행동 수행 여부 같은 범주형 응답이 어떤 조합을 이루는지 궁금하다면 LCA를 검토합니다.

이 방법으로 답하는 연구 목적

직장 내 차별 경험 유무, 학습행동 수행 여부 같은 범주형 응답이 어떤 유형으로 묶이는지 알고 싶을 때 씁니다. 해석은 집단별 조건부 응답확률과 분류 불확실성을 중심으로 합니다.

대표 연구 질문

예·아니요와 같은 응답 조합을 보면 어떤 사람 유형이 나타나는가?

필요한 변수·자료의 형태

  • 분석 단위는 사람이며, 각 사람에게 같은 여러 범주형 응답이 필요합니다. 예: 학습전략 사용 여부, 과제 제출, 도움요청 여부 또는 선택범주.
  • 응답을 숫자로 저장해도 예/아니요·범주 선택이면 범주형 지표로 지정합니다. 각 문항 범주가 충분히 관측되는지, 희소범주·결측·표본 규모를 확인합니다.
  • 계층을 만드는 지표와 계층 이후 결과를 분리합니다. 문항들이 계층을 조건으로 서로 독립이라는 기본 가정이 현실적인지도 이론과 잔차로 검토합니다.

분석에서는 무엇을 하나요?

  • 잠재계층 수를 달리한 모형에서 각 계층의 비율과 각 문항 응답범주의 조건부 확률을 추정합니다.
  • 정보기준(AIC·BIC 등), 우도비 검정, 계층 크기, 분류 불확실성, 해석 가능성과 조건부 독립 가정을 함께 살펴 계층 수를 결정합니다.
  • 각 계층에서 어떤 응답 확률이 높은지 표나 프로파일 그림으로 정리합니다. 계층과 외부 변수의 관계는 분류오차를 고려하는 방법을 선택합니다.

결과를 어떻게 해석하나요?

  • 계층 수 선택 근거, 계층별 비율, 문항별 범주 응답확률, 분류 정확도·불확실성 및 모형 가정을 보고합니다.
  • 계층 이름은 관측된 응답 패턴을 요약하는 설명으로 붙입니다. 확률적 분류이므로 개인이 어느 한 계층에 반드시 속한다고 단정하지 않습니다.
  • 표본·문항 구성·범주에 따라 계층이 달라질 수 있습니다. LPA는 연속형 지표의 평균 패턴, LCA는 범주형 응답 패턴을 찾는다는 차이를 유지합니다.

이런 상황이면 이 분석을 고려하세요

1. 경험·행동이 결합되는 양상

차별 경험이 몇 개나 있는지를 합산하는 대신, 승진·배치·교육기회 차별의 유무가 어떤 조합으로 나타나는지 알고 싶은 경우입니다.

2. 범주형 응답을 집단의 지표로 사용

예/아니오, 수행/미수행, 선택범주 등 개인별 여러 응답을 사용합니다. 순서형 응답도 포함할 수 있으나 범주 처리 방식과 가정을 밝혀야 합니다.

3. 항목별 응답확률로 집단을 해석

각 집단이 특정 차별이나 학습행동을 경험·수행할 확률을 제시하려는 연구에 잘 맞습니다. 집단별 평균점수보다 어떤 반응 패턴으로 구별되는지가 중심입니다.

4. 국소독립과 분류 불확실성 점검

집단을 고려한 뒤에도 항목 사이에 남는 관계, 희소한 응답, 작은 집단의 안정성을 확인합니다. 외부 결과와 연결할 때도 추정 집단을 완전히 확정된 라벨처럼 취급하지 않습니다.

어떤 질문이면 다른 방법을 비교해야 하나요?

잠재프로파일분석 (Latent Profile Analysis, LPA)
핵심 지표가 몰입·열의·소진 같은 연속형 점수의 조합이면 LPA를 검토합니다. 무엇으로 유형을 만들지에 따라 방법이 갈립니다.
다집단 분석 (Multigroup Analysis)
자료에서 잠재집단을 찾는 목적 없이, 이미 알려진 집단의 평균·경로를 비교하려면 다집단 분석이 더 직접적입니다.

선택 기준의 방법론 근거: 추천 논문 1. 아래 자료·해석 범위까지 확인해 최종 방법을 정하세요.

02 · 자료와 분석 구조

어떤 자료와 변수로, 어떤 구조를 분석하나요?

여러 범주형(예/아니오 등) 응답의 조합으로 사람들을 숨은 유형으로 나누는 구조입니다. 유형별로 각 문항에 ‘예’라고 답할 확률(항목응답확률)이 다릅니다.

분석 구조 한눈에 보기

사람 ──소속 확률──→ 유형 1 (비공식학습 많음)
      ├────────→ 유형 2 (공식교육 중심)
      └────────→ 유형 3 (참여 적음)
각 유형 안에서 지표는 서로 독립(지역독립성)으로 가정합니다.

식으로 보면

  • P(응답 패턴) = Σ_k π_k × Π_j P(지표 j의 응답 | 유형 k)
  • π_k = 유형 k의 비율, P(예 | 유형 k) = 항목응답확률

필요한 변수와 역할

역할무엇인가요예시형태
범주형 지표유형을 나누는 예/아니오·범주 응답들멘토링 참여, 온라인 학습, 스터디 참여이분형·범주형(0/1)
잠재 유형숨은 집단(관측되지 않음)유형 1·2·3프로그램이 추정
항목응답확률유형별로 각 지표가 ‘예’일 확률유형1·멘토링 = 0.910~1
외부 변수유형 확정 후 연결할 변수직급, 성과연속형·범주

분석용 자료 파일은 이렇게 만듭니다

IDmentor(0/1)online(0/1)study(0/1)workshop(0/1)grade
A0111102
A0201011
A0300003

예시 값입니다(실제 자료가 아님). 한 행은 한 사람의 응답입니다.

자료 파일을 만들 때 지킬 규칙

  • 지표는 0/1(또는 1, 2, 3 …) 숫자 코드로 입력하고 값 설명을 붙입니다. 5점 척도 문항이면 범주를 합쳐 분포를 맞춥니다.
  • 한 행에 한 사람. 응답이 한 범주에 95% 이상 몰린 지표는 제외를 검토합니다.
  • Mplus는 숫자만 있는 텍스트 파일, CATEGORICAL = 문항 이름을 지정합니다.

분석 프로그램에서 이렇게 설정합니다

  • Mplus: CATEGORICAL = mentor online study workshop; CLASSES = c(3); ANALYSIS: TYPE = MIXTURE; STARTS = 500 100;
  • R poLCA: poLCA(cbind(mentor, online, study, workshop) ~ 1, data = d, nclass = 3, nrep = 20) (지표는 1부터 시작하는 숫자 코드)
  • 유형 수를 1~6개로 비교하고 BIC, 엔트로피, 지역독립성(이변량 잔차)을 확인합니다.

자료 조건과 주의점

  • 개인별 여러 이분형·명목형·순서형 지표. 순서형 지표에는 모형의 범주 처리 방식을 밝힙니다.
  • 지표는 집단 라벨을 정의하는 변수와 다릅니다. 잠재집단을 추정하는 관측 응답입니다.
  • 집단 내 국소독립 가정과 필요한 직접효과, 응답 수가 적은 조합을 점검합니다.
  • 집단 수·반응 범주 수·모수 수와 작은 집단의 안정성을 고려해 표본을 계획합니다.
03 · 예시 연구모형

이런 연구모형으로 분석합니다

연구모형은 연구에서 다룰 변수와 변수 사이의 가설 관계를 그림으로 나타낸 것입니다. 아래 예시에서 변수의 역할(독립·매개·조절·종속·외생·내생 등)과 화살표의 방향을 읽어 본 뒤, 내 연구의 변수를 같은 방식으로 배치해 보세요. 그 구조가 이 방법과 맞는지 보면 알맞은 분석 방법을 고를 수 있습니다.

모형 1. 잠재계층모형 (범주형 지표로 사람 유형 찾기)

연구문제 예 학습 참여 방식(멘토링·온라인·스터디·워크숍)의 조합이 다른 구성원 유형이 있는가?

잠재계층모형 (범주형 지표로 사람 유형 찾기)잠재 유형 변수가 네 개의 이분형 학습 참여 지표의 응답 확률을 유형별로 다르게 만드는 잠재계층모형잠재 유형 (C)잠재범주변수멘토링 참여지표 변수 (0/1)온라인 학습지표 변수 (0/1)‘예’ 확률이유형별로 다름스터디 참여지표 변수 (0/1)‘예’ 확률이유형별로 다름워크숍 참여지표 변수 (0/1)‘예’ 응답 확률(유형 1/2/3) — 멘토링 .91/.35/.08 · 온라인 .15/.82/.12유형 1 (비공식 학습 활발, 38%) · 유형 2 (온라인 중심, 40%) · 유형 3 (참여 적음, 22%)적합도: 3유형의 BIC가 가장 낮음, 엔트로피 .84, 이변량 잔차 모두 3.84 미만
  • 잠재범주변수
  • 지표 변수 (0/1)

그림 속 숫자는 이해를 돕기 위한 예시 값입니다. * p < .05 · ** p < .01 · *** p < .001 · n.s. = 유의하지 않음(점선 경로). 실선 경로는 유의한 경로입니다.

가설

  • H1: 구성원은 학습 참여 패턴이 서로 다른 둘 이상의 유형으로 나뉠 것이다.
  • H2: 유형마다 각 활동에 참여할 확률(항목응답확률)이 뚜렷이 다를 것이다.

예시 분석 결과 읽기

  • H1 지지: 3유형 모형이 BIC가 가장 낮고 엔트로피 .84(≥ .80)입니다. 모든 이변량 잔차가 3.84 미만이라 지역독립성 가정이 크게 깨지지 않았습니다.
  • H2 지지: 유형별 항목응답확률이 .70 이상 또는 .30 이하로 뚜렷하게 갈립니다(예: 멘토링 .91 / .35 / .08).
  • 유형 비율은 38% / 40% / 22%입니다.

이렇게 읽습니다 유형 안에서는 지표들이 서로 독립이라고 가정합니다(지역독립성). 결과로 유형별 항목응답확률과 유형 비율을 제시합니다.

모형 2. 유형을 예측하고 결과와 연결하는 잠재계층모형

연구문제 예 직급에 따라 학습 참여 유형이 다른가? 유형에 따라 성과 평가가 다른가?

유형을 예측하고 결과와 연결하는 잠재계층모형직급이 잠재 유형을 예측하고 잠재 유형이 성과 평가를 설명하는 확장 잠재계층모형직급공변량 (예측)잠재 유형 (C)잠재범주변수성과 평가결과변수 (종속)멘토링지표 (0/1)온라인지표 (0/1)스터디지표 (0/1)워크숍지표 (0/1)H1 OR=2.1**H2 χ²(2)=9.8**유형별 성과 평가 평균: 유형 1 = 4.1 · 유형 2 = 3.6 · 유형 3 = 3.2
  • 지표 (0/1)
  • 잠재범주변수
  • 공변량 (예측)
  • 결과변수 (종속)

그림 속 숫자는 이해를 돕기 위한 예시 값입니다. * p < .05 · ** p < .01 · *** p < .001 · n.s. = 유의하지 않음(점선 경로). 실선 경로는 유의한 경로입니다.

가설

  • H1: 직급에 따라 속하는 학습 참여 유형의 확률이 다를 것이다.
  • H2: 유형에 따라 성과 평가가 다를 것이다.

예시 분석 결과 읽기

  • H1 지지: 상위 직급일수록 비공식 학습 활발 유형(유형 1)에 속할 오즈가 2.1배 높습니다(p < .01).
  • H2 지지: 유형에 따라 성과 평가 평균이 유의하게 다릅니다(χ²(2) = 9.8, p < .01). 유형 1이 가장 높습니다.
  • 오즈비(OR)의 신뢰구간이 1을 포함하지 않으면 유의합니다.

이렇게 읽습니다 공변량(예측변수)과 결과변수는 유형 형성에는 쓰지 않고 유형이 확정된 뒤 연결합니다. 분류 오차를 반영하는 3단계 방법(R3STEP·BCH·DCAT)을 사용합니다.

변수, 가설, 계수는 이해를 돕기 위해 교육·HRD 맥락으로 만든 학습용 예시이며 실제 연구 결과가 아닙니다. 특정 논문의 모형을 옮긴 것은 아닙니다. 이 방법을 실제로 쓴 논문의 예: Kim, D., Lee, I., & Park, J. (2019).

04 · 제시하고 싶은 결과

분석 후 무엇을 보여 줄 수 있나요?

  1. 응답 패턴에 따라 나뉜 사람 유형과 각 유형이 전체에서 차지하는 비율을 보여 줍니다.
  2. 집단별 항목 응답확률 표·그림: 어떤 경험을 할 확률이 높은가
  3. 분류오차와 외부 변수의 관계: 집단 특성의 불확실성을 반영했는가

유의한 결과나 높은 적합도를 얻는 것 자체가 연구의 목적은 아닙니다. 결과가 연구문제에 어떤 답을 주는지, 무엇이 아직 불확실한지 함께 설명해야 합니다.

결과는 이렇게 제시합니다 (예시)

결과 그림 1. 유형별 항목응답확률

각 유형이 각 활동에 ‘예’라고 응답할 확률을 막대로 보여 줍니다.

유형별 항목응답확률유형별 항목응답확률 막대유형별 ‘예’ 응답 확률(항목응답확률)멘토링 참여0.910.350.08온라인 학습0.150.820.12스터디 참여0.620.310.06워크숍 참여0.550.400.10유형 1 (38%) 비공식 학습 활발유형 2 (40%) 온라인 중심유형 3 (22%) 참여 적음

이렇게 읽습니다 확률이 .70 이상이거나 .30 이하이면 그 지표가 유형을 뚜렷하게 나눕니다. 유형 1은 멘토링 .91, 유형 2는 온라인 .82로 높고 유형 3은 모든 활동이 낮습니다. 유형 이름은 이 확률 패턴을 보고 붙입니다.

결과 그림 2. 유형 수 선택 표

유형 수별 정보기준과 분류 지표를 비교해 적절한 유형 수를 정합니다.

유형 수별 모형 비교 (N = 600)유형 수별 모형 비교 (N = 600)유형 수별 모형 비교 (N = 600)유형 수로그우도AICBIC엔트로피LMR p최소 유형2−1,4102,8422,890.80< .00143%3 (선택)−1,3722,7852,861.84< .00122%4−1,3652,7842,880.79.087%BIC 최솟값 = 3유형 (예시 값)

이렇게 읽습니다 BIC가 가장 낮은 유형 수는 3이고 엔트로피 .84, 이변량 잔차가 3.84 미만이면 지역독립성이 크게 깨지지 않았다는 뜻입니다. 최소 유형이 너무 작거나 BLRT가 유의하지 않으면 그 모형은 택하지 않습니다.

그림의 값은 이해를 돕기 위해 만든 예시이며 실제 연구 결과가 아닙니다.

05 · 궁극적으로 밝힐 것

내가 끝까지 답하고 싶은 질문과 맞나요?

“여러 경험의 유무·범주가 결합되는 잠재적 사람들의 유형을 찾고 싶다.”

이 질문에 답하는 분석 구조

여러 범주형(예/아니오 등) 응답의 조합으로 사람들을 숨은 유형으로 나누고, 유형별 응답확률과 유형 비율을 추정합니다.

왜 하나요? ‘어떤 경험·행동의 조합을 가진 사람 유형이 있는가’를 알고 싶을 때. 범주형 응답에서 숨은 유형을 찾기 위해 합니다.

알고 싶은 내용이 다르다면, 아래 방법은 이렇게 다른 질문에 답합니다

잠재프로파일분석 (Latent Profile Analysis, LPA)
분석 구조 여러 연속형 지표의 점수 조합을 바탕으로 사람들을 숨은 유형(잠재집단)으로 나누고, 유형 수별 모형을 비교해 가장 적절한 유형 수와 유형별 평균 프로파일을 찾습니다.이럴 때 선택 ‘사람마다 점수의 조합이 다른 하위 집단이 있는가’를 알고 싶을 때. 평균으로 가려지는 서로 다른 사람 유형을 발견하기 위해 합니다.
다집단 분석 (Multigroup Analysis)
분석 구조 같은 측정·구조 모형을 두 개 이상의 집단에 적용해, 먼저 측정동일성을 확인한 뒤 경로계수를 같게 둔 모형과 자유롭게 둔 모형을 비교합니다.이럴 때 선택 ‘이 모형이 집단마다 같은가’를 알고 싶을 때. 이미 정해진 집단(정규직/비정규직 등)의 관계 차이가 측정 때문인지 실제 차이인지 검증하기 위해 합니다.
예측분석 (Predictive Modeling, 랜덤 포레스트 중심)
분석 구조 학습 자료로 Y를 예측하는 모형(회귀·기계학습)을 만들고, 모형이 보지 못한 새 자료에서 예측 오차·AUC 같은 성능을 평가합니다.이럴 때 선택 ‘새로운 사람의 결과를 얼마나 잘 맞히는가’를 알고 싶을 때. 원인 설명보다 위험 조기 발견이나 선별 같은 실제 의사결정에 쓰기 위해 합니다.
잠재전이분석 (Latent Transition Analysis, LTA)
분석 구조 시점마다 잠재 유형을 추정하고, 시점 1 유형에서 시점 2 유형으로 옮겨 갈 전이확률을 추정한 뒤, 공변량과 결과를 연결합니다.이럴 때 선택 ‘사람들이 다른 유형으로 옮겨 가는가, 누가 옮겨 가는가’를 알고 싶을 때. 평균 변화에 가려진 개인의 유형 이동을 보기 위해 합니다.
06 · 분석 순서

분석은 어떤 순서로 진행하나요?

사용 도구 Mplus·R poLCA·Latent GOLD 등 기준 (기초통계는 SPSS).

기준의 출처 Collins·Lanza(2010), Nylund 외(2007), Weller 외(2020), Vermunt(2010), Asparouhov·Muthén(2014), Masyn(2013).

  1. 연구 질문과 범주형 지표 정하기

    어떻게 하나요
    ‘응답 패턴(경험 유무, 행동 선택 등)이 다른 하위집단이 있는가’를 이론으로 설명하고 이분형·범주형 지표를 고릅니다.
    확인할 값과 해석 기준
    지표 수는 보통 4~10개이며 응답이 한 범주에 지나치게 몰린 지표(예: 95% 이상)는 유형을 구분하지 못합니다.
    왜 하고, 무엇을 알 수 있나요
    무엇으로 사람을 나눌지 틀을 잡습니다.

  2. 연구설계와 표본 크기(검정력) 계획

    어떻게 하나요
    자료를 모으기 전에 분석 모형, 넣을 변수 수, 기대하는 효과 크기를 정해 필요한 표본 수를 계산합니다. G*Power(F 검정, 선형 다중회귀 등)나 해당 방법의 시뮬레이션 지침을 사용합니다. 지표 수와 유형 수에 비해 표본이 충분해야 하므로 응답 패턴 수와 비교합니다.
    확인할 값과 해석 기준
    보통 유의수준 α = .05, 검정력 .80 이상으로 잡습니다. 효과 크기는 Cohen(1988)의 참고치(회귀 f² = .02 작음·.15 중간·.35 큼, 상관 r = .10·.30·.50, 평균차 d = .20·.50·.80)나 선행연구에서 가져옵니다. 기대하는 효과가 작을수록 표본이 많이 필요합니다. 흔한 권고는 N ≥ 300~500이며 희소한 응답 패턴이 많으면 더 많이 필요합니다.
    왜 하고, 무엇을 알 수 있나요
    표본이 충분한지는 자료를 모으기 전에 따져 봐야 합니다. 표본이 부족하면 실제 효과가 있어도 유의하지 않게 나올 수 있고(제2종 오류), 나중에 표본 수를 끼워 맞추면 결과를 믿기 어렵습니다.

  3. 변수 정의, 척도 점수 계산, 역채점·더미 코딩

    어떻게 하나요
    SPSS [변환 > 변수 계산]·[다시 코딩]으로 역문항을 뒤집고(예: 5점 척도에서 6 − 응답), 하위 개념별 문항 평균(또는 합계) 점수를 만듭니다. 범주형 변수(성별, 직급 등)는 0/1 더미변수로 바꾸고 기준 집단을 정합니다. 변수 이름·값 설명을 코드북으로 정리합니다.
    확인할 값과 해석 기준
    역채점 후 같은 개념의 문항끼리 양의 상관인지 확인합니다. 범주가 k개이면 더미변수는 k−1개를 만들며, 기준 집단은 표본이 충분하고 의미 있는 집단으로 정합니다. 문항 평균을 쓸 때는 결측 문항 허용 기준(예: 한 척도에서 문항의 80% 이상 응답)을 미리 정합니다.
    왜 하고, 무엇을 알 수 있나요
    점수가 높을수록 무엇을 뜻하는지가 분명해집니다. 역채점을 빠뜨리면 상관과 신뢰도가 크게 왜곡되니 꼭 확인하세요.

  4. 결측치 확인과 처리

    어떻게 하나요
    [분석 > 결측값 분석]이나 빈도분석으로 변수별·사례별 결측 비율과 패턴을 확인하고, Little의 MCAR 검정으로 결측이 무작위인지 봅니다.
    확인할 값과 해석 기준
    변수별 결측이 5% 이하면 영향이 작다고 보는 관행이 있습니다. MCAR이 기각되지 않으면(p > .05) 목록별 삭제도 가능하지만 표본이 줄어듭니다. 결측이 많거나 무작위가 아닐 때는 다중대체(MI)나 완전정보 최대우도(FIML)를 사용합니다. 평균 대체는 분산을 줄여 권하지 않습니다. 결측 처리 방법과 최종 분석 표본 수를 보고합니다.
    왜 하고, 무엇을 알 수 있나요
    몇 명의 자료가 실제 분석에 쓰이는지, 결측 때문에 결과가 치우칠 위험은 없는지 가늠합니다.

  5. 지표 응답 분포와 응답 패턴 확인

    어떻게 하나요
    지표별 응답 비율, 가능한 응답 패턴 수와 관찰된 패턴 수를 확인합니다.
    확인할 값과 해석 기준
    빈 셀이 많으면 적합도 검정(χ²)이 부정확하므로 정보기준과 부트스트랩 검정을 중심으로 판단합니다.
    왜 하고, 무엇을 알 수 있나요
    분석할 수 있는 자료 구조인지 점검합니다.

  6. 후보 모형 추정 (다중 시작값)

    어떻게 하나요
    유형 수 1~6개 등 후보를 시작값 여러 개로 추정합니다.
    확인할 값과 해석 기준
    최적 로그우도가 반복 재현되어야 하고(국소해 방지), 지표 응답확률이 0이나 1에 고정되는 경계 해를 점검합니다.
    왜 하고, 무엇을 알 수 있나요
    추정이 불안정한 모형을 걸러냅니다.

  7. 모형 비교와 유형 수 결정

    어떻게 하나요
    유형 수별 적합도표(로그우도, AIC, BIC, SABIC, 엔트로피, LMR·BLRT, 최소 유형 비율)를 만듭니다.
    확인할 값과 해석 기준
    AIC·BIC·SABIC는 값이 작을수록 좋습니다(시뮬레이션에서는 BIC와 BLRT가 유형 수를 가장 잘 찾았다고 보고됨; Nylund et al., 2007). BLRT와 VLMR/LMR 검정은 p < .05이면 k유형이 k−1유형보다 낫다는 뜻입니다(VLMR은 불안정할 수 있음). 엔트로피 .80 이상은 분류가 명확하다는 뜻일 뿐 유형 수를 정하는 기준은 아닙니다. 가장 작은 유형이 전체의 약 5% 이상이고 이론적으로 해석할 수 있어야 합니다.
    왜 하고, 무엇을 알 수 있나요
    자료에 숨은 유형이 몇 개인지 판단하는 근거를 얻습니다.

  8. 지역독립성(local independence) 점검

    어떻게 하나요
    지표 쌍의 이변량 잔차(BVR)를 확인합니다.
    확인할 값과 해석 기준
    BVR이 크면(예: 3.84 초과 또는 소프트웨어가 제시하는 기준 초과) 같은 유형 안에서도 두 지표가 서로 연관된다는 뜻입니다. 모형의 기본 가정이 깨진 것이니 유형을 늘리거나 지표를 조정합니다.
    왜 하고, 무엇을 알 수 있나요
    유형을 통제하면 지표가 서로 독립이라는 가정이 맞는지 봅니다.

  9. 유형별 응답확률과 분류 정확도 해석

    어떻게 하나요
    유형마다 각 지표의 조건부 응답확률(항목응답확률) 표·그림을 만들고 평균 사후확률을 확인합니다.
    확인할 값과 해석 기준
    응답확률이 .70 이상이거나 .30 이하이면 그 지표가 유형을 뚜렷하게 규정합니다(동질성). 유형 간 응답확률 차이가 클수록 유형이 잘 분리됩니다. 평균 사후확률 .70~.80 이상이 목표입니다.
    왜 하고, 무엇을 알 수 있나요
    각 유형이 어떤 경험과 행동 패턴을 보이는지, 비율은 얼마인지 정리됩니다.

  10. 외부 변수와의 관계 검증 (3단계 접근)

    어떻게 하나요
    Mplus R3STEP(예측변수), BCH·DCAT(결과변수) 등으로 분류 오차를 반영해 연결합니다.
    확인할 값과 해석 기준
    유형을 확정 집단처럼 취급해 다시 검정하면 오차가 무시됩니다.
    왜 하고, 무엇을 알 수 있나요
    유형이 교육 성과나 이직 의도와 어떻게 관련되는지 답합니다.

  11. 결과 정리와 보고

    어떻게 하나요
    평균·표준편차·신뢰도·상관 표, 모형 계수·신뢰구간·효과 크기 표와 그림을 만듭니다. 소프트웨어와 버전, 옵션, 표본 수, 결측·이상값 처리, 가정 점검 결과도 빠짐없이 적습니다. 후보 모형 적합도표, 유형별 응답확률 그림, 유형 비율, 유형 수 결정 기준과 한계를 제시합니다.
    확인할 값과 해석 기준
    APA 보고 지침(JARS)을 따라 정확한 p값(p < .001은 이렇게 표기), 효과 크기, 신뢰구간을 함께 제시합니다. 설문처럼 한 시점의 자료는 ‘관련된다’까지만 말하고 인과를 단정하지 않으며, 표집 방법·표본 특성·측정의 한계를 적습니다.
    왜 하고, 무엇을 알 수 있나요
    독자가 결과를 재현해 보고 한계를 스스로 판단할 수 있게 합니다.

방법 선택을 위한 안내입니다. 실제 실행에서는 해당 방법의 원문과 교과서, 소프트웨어 문서를 함께 확인하세요.

07 · 사례

사례를 통해 내 연구에 어떻게 적용할지 살펴보세요

학습용 연구설계 사례입니다. 실제 논문의 연구 결과나 수집된 자료를 재현한 것이 아닙니다. 분석 방법의 근거는 아래 추천 문헌에서 확인할 수 있습니다.

사례 1 · 조직행동

직장 내 차별 경험의 유형

연구목적
다양한 차별 경험이 어떤 조합으로 나타나는지 알아봅니다.
알고 싶은 것
승진·배치·교육기회에서의 차별 경험 유무가 서로 다른 잠재집단을 이루는가?
사용할 자료
  • 개인별 각 차별 경험 유무의 범주형 응답
방법을 적용하는 방식
여러 집단 수의 LCA를 비교하고 집단별 조건부 응답확률을 읽습니다. 조직몰입과의 관계에는 분류오차를 반영합니다.
제시할 결과
  • 집단 수 비교표
  • 차별 경험 항목별 조건부 응답확률 그림
  • 집단 비율과 분류오차를 고려한 몰입 관련성을 제시합니다
이 사례에서 밝힐 수 있는 것
집단별 평균점수보다 각 집단에서 어떤 경험이 나타날 확률이 높은지 읽어야 합니다.
사례 2 · 학습분석

온라인 학습행동의 수행 패턴

연구목적
학습자의 활동 참여 조합을 찾아 지원 대상의 특성을 이해합니다.
알고 싶은 것
토론 참여·동료 피드백·재제출 여부가 어떤 잠재집단을 이루는가?
사용할 자료
  • 학습자별 동일 관찰기간의 토론 수행/미수행
  • 피드백 제공/미제공
  • 재제출 유무
방법을 적용하는 방식
범주형 지표로 집단을 추정하고 참여 기회가 모든 학습자에게 같았는지 확인합니다.
제시할 결과
  • 토론·동료 피드백·재제출의 집단별 응답확률과 집단 비율
  • 활동 기회와 분류 불확실성의 점검 결과를 제시합니다
이 사례에서 밝힐 수 있는 것
활동 기회가 없었던 것을 미참여로 처리하면 집단의 의미가 왜곡될 수 있습니다.
08 · 해석 범위

이 결과로 어디까지 말할 수 있을까요?

  • 예/아니오 응답을 숫자 0/1로 코딩했다고 연속형 LPA의 지표가 되는 것은 아닙니다.
  • 가장 그럴듯한 집단 하나로 분류하면 불확실성이 사라지는 것이 아닙니다.
  • 여러 시점의 집단 이동이 목적이면 LTA 등으로 질문을 확장해야 합니다.
09 · 나의 연구에 대입하기

이 방법의 선택 조건을 스스로 확인해 보세요

자신의 연구목적과 자료를 떠올리며 답해 보세요. 세 조건이 모두 맞더라도 실제 연구를 시작하기 전에는 표집·측정·윤리·분석 가정을 구체적으로 검토해야 합니다.

1. 핵심 지표가 범주형 응답인가요?
2. 이미 알려진 집단을 비교하는 대신 잠재집단을 찾으려 하나요?
3. 국소독립과 분류오차를 검토할 계획인가요?

함께 비교하면 좋은 방법

잠재프로파일분석 (Latent Profile Analysis, LPA)사람들의 점수 조합을 보면 어떤 유형이 나타나는가?다집단 분석 (Multigroup Analysis)두 집단에서 설문 문항의 의미와 개념 사이의 관계가 같은가?예측분석 (Predictive Modeling, 랜덤 포레스트 중심)새로운 사람이나 다음 시기의 결과를 미리 얼마나 정확하게 예측할 수 있는가?잠재전이분석 (Latent Transition Analysis, LTA)시간이 지나면서 사람들이 다른 유형으로 옮겨 가는가?

이 방법을 이해하는 추천 연구논문

아래 논문에서 방법의 논리와 실제 연구에 적용하는 방식을 확인할 수 있습니다. 읽을 초점을 따라 연구목적·자료·결과를 비교해 보세요.

  1. 방법 설명SSCI

    Nylund, K. L., Asparouhov, T., & Muthén, B. O. (2007). Deciding on the Number of Classes in Latent Class Analysis and Growth Mixture Modeling: A Monte Carlo Simulation Study. Structural Equation Modeling: A Multidisciplinary Journal, 14(4), 535-569.

    읽을 초점 잠재집단 수를 선택할 때 정보기준과 우도비 검정이 어떤 성질을 갖는지 비교해 보세요.

    DOI: 10.1080/10705510701575396 · ISSN: 1070-5511 / 1532-8007
  2. 교수님 Research listESCISCOPUS

    Joo, J., Kim, Y., Lee, R., Oh, S., & Song, J. (2026). Perceived workplace discrimination and its impacts on leaders: Latent class analysis. Strategy & Leadership. Online published first.

    읽을 초점 연구실의 관련 연구가 이 방법을 어떤 목적으로 사용했는지 읽어 보세요. 제목과 서지에서 방법과의 관련성을 확인한 논문이며, 구체적인 표집·분석 절차·결과는 원문에서 확인해야 합니다.

    논문 찾아보기 ↗ · 교수님 목록 확인
  3. 적용 논문KCI

    Sung, E., & Choi, H. (2016). Exploring the Types of Classes and Characteristics on ICT Literacy of Middle School Students with Latent Class Analysis. 교육공학연구, 32(4), 987-1013.

    읽을 초점 이 방법을 어떤 연구문제와 자료에 적용했고, 결과를 어떻게 보고했는지 읽어 보세요. 제목이나 초록에서 방법을 확인한 논문을 골랐으며, 구체적인 절차와 결과는 원문에서 확인해야 합니다.

    DOI: 10.17232/kset.32.4.987 · Crossref 인용 수 4회 (2026-11-02 확인)
  4. 적용 논문SSCI

    Kim, D., Lee, I., & Park, J. (2019). Latent class analysis of non‐formal learners’ self‐directed learning patterns in open educational resource repositories. British Journal of Educational Technology, 50(6), 3420-3436.

    읽을 초점 이 방법을 어떤 연구문제와 자료에 적용했고, 결과를 어떻게 보고했는지 읽어 보세요. 제목이나 초록에서 방법을 확인한 논문을 골랐으며, 구체적인 절차와 결과는 원문에서 확인해야 합니다.

    DOI: 10.1111/bjet.12746 · Crossref 인용 수 35회 (2026-11-02 확인)

확인일 2026-11-02 · ‘방법 설명’ 논문의 SSCI 표시는 확보한 학술지 목록의 ISSN 대조 결과입니다. 다만 일부 문헌은 이 목록으로 대조하지 못했으니 Clarivate Master Journal List에서 다시 확인해 주세요. 표시는 현재나 출판 당시의 등재를 보증하지 않습니다. ‘적용 논문’은 Crossref 서지로 확인했고, SSCI·KCI 표시는 학술지 기준이며 목록과 전수 대조하지 않았습니다.

← 연구 고민 다시 살펴보기나의 연구 발전시키기(실습) →