잠재프로파일분석 (Latent Profile Analysis, LPA)

언제 쓰나요?

여러 연속형 점수의 조합으로, 사전에 이름을 붙이지 않은 사람 유형을 찾아보고 싶을 때 사용합니다.
사람마다 같은 지표 점수들이 있어야 합니다. 지표의 단위·방향·분포를 확인하고 어떤 점수를 유형 구성에 넣을지 이론으로 정합니다.
잠재프로파일분석(LPA)은 유형마다 각 지표의 평균과 사람 비율을 추정하고, 유형 수가 다른 모형을 비교합니다.
유형별 점수 패턴·비율·분류의 불확실성을 보고합니다. 자료에서 얻은 프로파일을 모든 조직에 존재하는 고정된 성격 유형으로 단정하지 않습니다.

예를 들면

각 직원의 조직몰입·직무열의·소진을 척도 점수로 측정합니다. 세 점수가 LPA의 연속형 지표입니다.
몰입과 열의는 높지만 소진도 높은 사람들의 점수 조합이 별도 프로파일로 나타나는지 여러 유형 수를 비교합니다.
선택한 유형별 세 점수의 평균 그래프, 유형 비율, 분류의 불확실성을 제시합니다.

선택할 때 확인할 점

연속형 점수는 3.2점·4.1점처럼 양의 정도를 나타냅니다.
이름표가 없는 사람들을 점수 조합으로 분류하려는 질문입니다.

잠재프로파일분석 (Latent Profile Analysis, LPA)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

사람중심 접근: 변수 간 평균 관계보다 개인별 여러 연속 지표의 조합 패턴에 관심을 두는 관점입니다. 유형을 이미 안다고 가정하지 않고 자료에서 잠재 프로파일을 추정합니다.
지표와 프로파일: 지표는 프로파일을 구분하는 연속 점수이고, 프로파일은 그 점수 조합이 비슷한 잠재 하위집단입니다. 지표 선정과 점수 척도가 유형 해석을 결정하므로 이론적 이유를 밝혀야 합니다.

2. 설계와 절차

잠재혼합모형: 관측된 점수 분포를 여러 잠재 프로파일과 프로파일 내 분포의 혼합으로 표현합니다. 평균만 다른 모형인지 분산·공분산도 다른 모형인지 선택을 밝힙니다.
국소독립과 분산 구조: 프로파일을 고려한 뒤 지표들 사이에 남는 연관을 어떻게 처리할지 정합니다. 지나치게 단순하거나 복잡한 분산구조는 유형 수와 형태를 바꿀 수 있습니다.

3. 분석과 결과

프로파일 수 결정: 1개부터 여러 개까지 후보 모형을 추정하고 BIC 등 정보기준, 가능한 우도비 검정, 프로파일 크기, 이론적 해석과 재현성을 종합합니다. 단일 지표로 정답 유형 수를 결정하지 않습니다.
국소최대와 시작값: 혼합모형의 최적화는 가장 좋은 해가 아닌 국소해에 멈출 수 있습니다. 무작위 시작값을 충분히 늘리고 최적 로그우도가 반복 재현되는지 확인합니다.
엔트로피와 분류 불확실성: 엔트로피는 분류의 전반적 명확성을 요약할 뿐 프로파일 수의 타당성이나 모형의 진실성을 판정하지 않습니다. 개인별 사후확률을 확인해 오분류 불확실성을 평가합니다.
3단계·BCH 접근: 추정된 프로파일과 외부 변수의 관계를 평가할 때 분류오차를 반영하는 보정 절차입니다. 예측변수와 결과변수의 역할, 변수 유형에 따라 적절한 절차를 고릅니다.

4. 해석과 보고

유형 이름과 프로파일 그림: 표준화 평균이나 원 단위 평균의 패턴을 보여 주고, 근거가 드러나는 이름을 붙입니다. 유형 이름은 분석자의 요약이며 사람의 고정된 본질이나 진단명이 아닙니다.
표본·모형 의존성과 재현: 추정 유형은 표본·지표·모형 설정에 따라 달라질 수 있습니다. 다른 표본·시점에서 비슷한 구조가 재현되는지 확인하고 일반화 범위를 제한합니다.
유형별 결과의 비교: 프로파일 간 결과 차이는 분류오차와 분석 설계를 반영해 추정합니다. 사후에 가장 눈에 띄는 결과만 골라 유형 설명으로 제시하면 탐색적 발견임을 밝혀야 합니다.

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

01 · 목적

언제, 어떤 목적으로 선택하나요?

몰입이 높아도 소진이 함께 높은 사람이 있고, 열의는 높지만 몰입은 낮은 사람이 있을 수 있습니다. 이런 점수의 조합으로 구성원이나 학습자의 유형을 찾고 싶다면 LPA를 검토합니다.

이 방법으로 답하는 연구 목적

조직몰입·직무열의·소진 점수의 조합이 서로 다른 구성원 유형을 이루는지, 각 유형의 특성은 무엇인지 알아볼 때 씁니다. 유형 수는 미리 못 박지 않고 이론적 의미와 모형 증거를 보며 정합니다.

대표 연구 질문

사람들의 점수 조합을 보면 어떤 유형이 나타나는가?

필요한 변수·자료의 형태

분석 단위는 사람이며, 각 사람에게 동일한 여러 연속형 지표 점수가 있어야 합니다. 예: 자기조절학습·학습몰입·학습전략 점수.
프로파일을 만드는 지표는 연구질문과 이론에 따라 고릅니다. 지표의 척도·방향·분포와 결측을 점검하고, 서로 다른 단위의 변수를 쓸 때 표준화가 해석에 미치는 영향을 판단합니다.
프로파일 구성 지표와 프로파일을 설명·예측하는 외부 변수를 구분합니다. 결과 변수로 유형을 만들고 같은 결과로 유형을 검증하는 순환을 피합니다.

분석에서는 무엇을 하나요?

정한 연속형 지표를 바탕으로 1개부터 여러 개까지 잠재집단 수를 달리한 혼합모형을 추정합니다. 기본 LPA는 집단 안에서 지표가 연속형 분포를 따른다고 가정하며, 평균·분산을 같게 둘지 다르게 둘지도 모형으로 정합니다.
AIC·BIC·표본크기 조정 BIC, 우도비 검정, 프로파일 크기, 분류의 불확실성 및 이론적 해석 가능성을 종합해 집단 수를 선택합니다. Entropy 하나로 프로파일 수를 고르지 않습니다.
선택한 프로파일의 지표별 평균과 분포를 그려 이름을 붙이고, 이후 결과와의 관계는 분류오차를 반영하는 3단계 접근 등 적절한 방법으로 분석합니다.

결과를 어떻게 해석하나요?

최종 프로파일 수를 고른 근거, 각 프로파일의 지표 평균·표준오차·사례 비율, 분류 확률과 작은 집단의 크기를 제시합니다.
Entropy는 전체 분류의 선명도를 요약하지만 올바른 프로파일 수를 단독으로 정하지 않습니다. AIC/BIC나 유의확률 하나만으로 모형을 선택하지 않습니다.
도출된 유형은 해당 표본·지표·모형에 따른 잠재적 패턴입니다. 본질적으로 고정된 사람 유형이라고 부르거나 개인을 오차 없이 분류하지 않습니다.

이런 상황이면 이 분석을 고려하세요

1. 개별 변수보다 사람의 특성 조합

몰입·열의·소진이 각각 결과와 얼마나 관련되는지보다, 몰입과 소진이 함께 높거나 서로 다른 조합을 보이는 유형이 있는지 알고 싶은 경우입니다.

2. 연속형 점수를 유형의 지표로 사용

하위척도 점수처럼 양의 정도를 나타내는 여러 지표를 사용합니다. 지표의 단위·방향·분포를 검토하고, 왜 이 지표들의 조합으로 사람을 이해할지 설명할 수 있어야 합니다.

3. 유형 수를 비교하며 선택

여러 유형 수와 모형 가정을 비교해 통계적 근거·유형 크기·해석 가능성·재현성을 함께 판단하려는 경우입니다. 유형이 반드시 몇 개 나올 것이라고 약속하는 설계는 피합니다.

4. 유형별 점수 패턴과 외부 특성

프로파일 그림과 분류 불확실성을 제시하고, 유형별 성취·몰입 차이나 예측요인을 볼 때 분류오차를 반영합니다. 유형별 맞춤 지원의 출발점으로 활용할 수 있습니다.

어떤 질문이면 다른 방법을 비교해야 하나요?

잠재계층분석 (Latent Class Analysis, LCA): 핵심 지표가 차별 경험 유무나 활동 수행 여부 같은 범주형 응답이면 LCA를 검토합니다. 지표에 0·1 숫자를 붙였다고 연속형 점수가 되는 것은 아닙니다.
다집단 분석 (Multigroup Analysis): 정규직·비정규직처럼 집단을 이미 알고 있고 그 집단 사이의 관계를 비교하려면 다집단 분석을 검토합니다.

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 연속형 변수의 점수 조합을 바탕으로 사람들을 서로 다른 평균 프로파일을 가진 숨은 집단(유형)으로 나누는 구조입니다. 유형 수를 1, 2, 3 …으로 바꿔 가며 가장 적절한 모형을 고릅니다.

분석 구조 한눈에 보기

사람 ──소속 확률──→ 유형 1 (몰입↑ 소진↓)
      ├────────→ 유형 2 (몰입↓ 소진↑)
      └────────→ 유형 3 (몰입 중간, 열의↑)
지표(몰입·열의·소진 점수)의 평균이 유형별로 다릅니다.

식으로 보면

각 지표 y = 유형 k의 평균 μ_k + 오차 (오차분산은 유형별로 같거나 다르게 설정)
P(유형 = k) = 유형 비율 π_k, Σπ_k = 1

필요한 변수와 역할

역할	무엇인가요	예시	형태
지표 변수	유형을 나누는 데 쓰는 연속형 점수들(3~10개)	조직몰입, 직무열의, 소진	연속형(문항 평균)
잠재 유형	자료에서 추정되는 숨은 집단(관측되지 않음)	유형 1·2·3	프로그램이 추정
외부 변수	유형을 예측하거나 유형이 설명하는 변수(유형 확정 후 연결)	이직의도, 성별	연속형·범주
유형 확률	각 사람이 각 유형에 속할 사후확률	A01: 유형1 0.86	0~1

분석용 자료 파일은 이렇게 만듭니다

ID	commit	engage	burnout	female	turnover
A01	4.3	4.5	1.8	1	1.5
A02	2.4	2.2	4.1	0	4.2
A03	3.5	4.4	2.6	1	2.1

예시 값입니다(실제 자료가 아님). 한 행은 한 사람의 응답입니다.

자료 파일을 만들 때 지킬 규칙

유형을 만드는 지표는 같은 방향·비슷한 척도로 맞추고 필요하면 표준화(z)합니다. 지표 열만 따로 확인합니다.
한 행에 한 사람, ID를 두고 무응답은 결측으로 둡니다. Mplus는 숫자만 있는 텍스트 파일로 저장하고 결측 기호를 지정합니다.
외부 변수(성별, 이직의도 등)는 유형 형성에는 쓰지 않고 별도 열로 둡니다.
이상값이 별도 유형을 만들 수 있으므로 입력 오류를 먼저 정리합니다.

분석 프로그램에서 이렇게 설정합니다

Mplus: CLASSES = c(3); ANALYSIS: TYPE = MIXTURE; STARTS = 500 100; 으로 유형 수를 1~6개로 바꿔 가며 추정합니다.
R tidyLPA: estimate_profiles(d, commit, engage, burnout, n_profiles = 1:5, variances = c("equal","varying"), covariances = c("zero","zero"))
유형 수 결정 후 R3STEP·BCH로 외부 변수와 연결합니다.

자료 조건과 주의점

근로자 또는 학습자별 여러 연속형 지표. 척도의 방향과 단위를 사전에 검토합니다.
범주형 응답의 패턴이 핵심이면 LCA를 검토합니다. 여러 시점 간 유형 전이는 LTA 등 별도 모형의 질문입니다.
집단별 분산·공분산 가정, 이상치·비정규성·국소최대해를 점검합니다.
희소한 유형, 모수 수, 분리도에 따라 필요한 표본이 달라집니다. 작은 집단의 안정성을 검토합니다.

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. 잠재프로파일모형 (연속형 지표로 사람 유형 찾기)

연구문제 예 조직몰입·직무열의·소진 점수의 조합이 서로 다른 구성원 유형이 있는가?

잠재범주변수
지표 변수 (연속형)

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 서로 다른 점수 프로파일을 가진 둘 이상의 숨은 유형으로 나뉠 것이다.
H2: 각 유형은 지표 평균이 의미 있게 다를 것이다(예: 고몰입·저소진 유형, 저몰입·고소진 유형).

예시 분석 결과 읽기

H1 지지: 1~5유형을 비교했을 때 3유형 모형의 BIC가 가장 낮고, BLRT가 유의(p < .001)하며 엔트로피 .86(≥ .80)이므로 3유형이 적절합니다.
H2 지지: 유형별 평균 — 유형 1 몰입 4.3·열의 4.4·소진 1.9, 유형 2 몰입 2.6·열의 2.4·소진 4.1, 유형 3 3.5·3.6·3.0. 가장 작은 유형도 24%로 5% 이상입니다.
주의: 유형 이름은 해석일 뿐이며, 유형은 확정된 집단이 아니라 확률적 분류입니다(평균 사후확률 .84 이상).

이렇게 읽습니다 화살표 방향이 ‘유형 → 지표’입니다. 유형은 직접 관측되지 않고, 지표 점수의 조합에서 확률적으로 추정됩니다. 유형 수는 AIC·BIC·엔트로피·BLRT 등으로 정합니다.

모형 2. 유형을 예측하고 결과와 연결하는 모형 (3단계 접근)

연구문제 예 직급·성별에 따라 소속되는 유형이 다른가? 유형에 따라 이직의도가 다른가?

지표
잠재범주변수
예측변수 (공변량)
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: 직급·성별에 따라 소속되는 유형의 확률이 다를 것이다.
H2: 유형에 따라 이직의도가 다를 것이다(예: 저몰입·고소진 유형의 이직의도가 가장 높음).

예시 분석 결과 읽기

H1 지지: 상위 직급일수록 유형 1(고몰입·저소진)에 속할 오즈가 1.9배 높습니다(p < .01).
H2 지지: 유형에 따라 이직의도 평균이 유의하게 다릅니다(χ²(2) = 14.3, p < .001). 유형 2가 가장 높습니다.
분류 오차를 반영하는 3단계 절차(R3STEP·BCH)로 얻은 결과입니다.

이렇게 읽습니다 먼저 지표로 유형을 확정하고(1단계), 유형 분류의 오차를 반영해 예측변수와 결과변수를 연결합니다(R3STEP, BCH). 유형을 확정된 집단처럼 다시 ANOVA에 넣으면 분류 오차가 무시됩니다.

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: Lee, J.-Y., & Chei, M. J. (2019).

04 · 제시하고 싶은 결과

분석 후 무엇을 보여 줄 수 있나요?

찾아낸 사람 유형과 각 유형의 점수 조합을 그림과 표로 보여 줍니다.
프로파일 그림·유형 비율: 유형마다 지표 점수의 조합이 어떻게 다른가
분류 불확실성과 외부 변수 비교: 유형의 특성이 안정적이고 해석 가능한가

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 프로파일

각 유형의 지표 평균을 선으로 이어 유형의 모양(수준과 패턴)을 한눈에 보여 줍니다.

이렇게 읽습니다 선의 높이와 모양이 유형을 규정합니다. 유형 1은 몰입·열의가 높고 소진이 낮고, 유형 2는 반대이며, 유형 3은 중간입니다. 유형 이름은 연구자가 붙이는 해석이며 비율(41/35/24%)을 함께 제시합니다.

결과 그림 2. 유형 수 선택 표

유형 수 1~5개 모형의 정보기준과 분류 지표를 비교해 적절한 유형 수를 정합니다.

이렇게 읽습니다 BIC와 SABIC가 가장 낮은 유형 수는 3입니다. 엔트로피 .80 이상, BLRT가 유의, 가장 작은 유형이 5% 이상이어야 합니다. 4·5유형은 BLRT가 유의하지 않거나 작은 유형(8%, 4%)이 생겨 3유형을 택합니다. 이 표는 선택 근거로 반드시 제시합니다.

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

05 · 궁극적으로 밝힐 것

내가 끝까지 답하고 싶은 질문과 맞나요?

“평균 관계 뒤에 가려진 사람들의 경험 조합과 지원이 필요한 유형을 찾고 싶다.”

이 질문에 답하는 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.

왜 하나요? ‘사람마다 점수의 조합이 다른 하위 집단이 있는가’를 알고 싶을 때. 평균으로 가려지는 서로 다른 사람 유형을 발견하기 위해 합니다.

알고 싶은 내용이 다르다면, 아래 방법은 이렇게 다른 질문에 답합니다

잠재계층분석 (Latent Class Analysis, LCA): 분석 구조 여러 범주형(예/아니오 등) 응답의 조합으로 사람들을 숨은 유형으로 나누고, 유형별 응답확률과 유형 비율을 추정합니다.이럴 때 선택 ‘어떤 경험·행동의 조합을 가진 사람 유형이 있는가’를 알고 싶을 때. 범주형 응답에서 숨은 유형을 찾기 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 tidyLPA(mclust) 등 기준 (기초통계·신뢰도는 SPSS).

기준의 출처 Spurk 외(2020), Nylund 외(2007), Masyn(2013), Morin 외(2011), Nylund-Gibson·Choi(2018), Asparouhov·Muthén(2014), Nagin(2005).

연구 질문과 지표 변수 정하기
어떻게 하나요
‘사람마다 점수 조합이 다른 하위집단이 있는가’를 이론으로 설명하고, 유형을 나눌 연속형 지표 변수를 고릅니다(보통 3~10개).
확인할 값과 해석 기준
지표는 이론적으로 관련되어 있되 사실상 같은 개념이면 안 됩니다. 결과변수(예: 성과)는 유형 형성에 쓰지 않고 유형 확정 후 연결합니다.
왜 하고, 무엇을 알 수 있나요
무엇으로 사람을 나눌지 틀을 잡습니다.
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. 유형 수와 모수 수가 늘수록 표본이 더 필요합니다.
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 가장 작은 유형에도 충분한 사례가 있어야 합니다.
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.
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.
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.
이상값(극단값) 점검
어떻게 하나요
변수별 상자그림과 표준화 점수(z)로 단변량 이상값을, [분석 > 회귀분석 > 선형 > 저장]의 Mahalanobis 거리로 다변량 이상값을 확인합니다.
확인할 값과 해석 기준
|z| > 3.29(양측 p < .001)이면 단변량 이상값으로 봅니다(작은 표본에서는 |z| > 3 사용도 흔함). Mahalanobis 거리는 투입 변수 수를 자유도로 한 χ² 분포에서 p < .001이면 다변량 이상값 후보입니다. 입력 오류면 바로잡으면 됩니다. 실제 응답이면 지우지 말고 포함했을 때와 제외했을 때의 결과를 비교해 보고합니다.
왜 하고, 무엇을 알 수 있나요
극단적인 응답 몇 개가 평균, 상관, 회귀계수를 흔들고 있는지 봅니다.
기술통계와 분포(정규성) 확인
어떻게 하나요
[분석 > 기술통계량 > 탐색]으로 평균, 표준편차, 왜도, 첨도, 히스토그램, Q-Q 도표, Shapiro–Wilk 검정을 출력합니다.
확인할 값과 해석 기준
왜도 절댓값 2·첨도 절댓값 7 이내(West et al., 1995) 또는 왜도 3·첨도 10 이내(Kline)를 정규성에 큰 문제가 없는 참고치로 씁니다. 표본이 크면 Shapiro–Wilk가 사소한 이탈에도 유의해지므로 검정 하나로 판단하지 않고 도표와 함께 봅니다. 회귀·매개·조절에서 가정하는 것은 변수가 아니라 잔차의 정규성입니다(뒤 단계에서 확인).
왜 하고, 무엇을 알 수 있나요
각 변수의 중심, 퍼짐, 치우침과 척도의 천장·바닥효과가 보입니다. 변환이나 강건한 방법이 필요한지도 여기서 판단합니다.
척도 신뢰도 확인 (Cronbach α)
어떻게 하나요
[분석 > 척도 > 신뢰도 분석]에서 모형 ‘알파’, 통계량 ‘항목 삭제 시 척도’·‘항목-전체’를 선택해 하위 개념마다 실행합니다. 가능하면 McDonald ω도 함께 구합니다.
확인할 값과 해석 기준
α .70 이상 수용, .80 이상 양호가 일반적 기준입니다(Nunnally). .95를 넘으면 문항이 중복됐을 수 있습니다. 수정된 항목-전체 상관이 .30 미만이거나 삭제 시 α가 눈에 띄게 오르는 문항은 내용을 검토한 뒤 판단합니다. 문항 수가 적으면 α가 낮아질 수 있어 문항 간 평균 상관(.15~.50)도 참고합니다. 이미 타당화된 척도라도 이번 표본에서 다시 계산해 보고합니다.
왜 하고, 무엇을 알 수 있나요
같은 개념을 재는 문항에 사람들이 일관되게 답했는지(내적 일관성)를 봅니다. 신뢰도는 타당도의 필요조건일 뿐 충분조건은 아닙니다.
지표 변수 간 상관과 척도 확인
어떻게 하나요
지표 간 상관, 평균·표준편차를 확인하고 척도 단위가 다르면 표준화(z)를 고려합니다.
확인할 값과 해석 기준
지표끼리 상관이 매우 높으면(r > .80) 하나의 요인처럼 움직여 유형을 분리하기 어렵습니다. 이상값은 별도 유형을 만들 수 있으므로 점검합니다.
왜 하고, 무엇을 알 수 있나요
이 지표들로 유형을 나눌 수 있을지 미리 봅니다.
후보 모형 설정: 유형 수와 분산·공분산 구조
어떻게 하나요
1유형부터 시작해 유형 수를 늘리며(예: 1~6) 다음 분산·공분산 구조 후보를 함께 비교합니다. (1) 유형 간 분산 동일·공분산 0 (2) 유형 간 분산 다름·공분산 0 (3) 분산 동일·공분산 자유 (4) 분산·공분산 모두 자유 (tidyLPA의 모델 1·2·3·6에 해당).
확인할 값과 해석 기준
구조가 복잡할수록 모수가 많아 표본이 더 필요합니다. 소표본에서는 단순한 구조부터 시작하고 수렴 문제가 있으면 단순화합니다.
왜 하고, 무엇을 알 수 있나요
자료에 적합한 모형의 후보 범위를 정합니다.
다중 시작값으로 모형 추정
어떻게 하나요
Mplus에서는 STARTS = 500 100처럼 무작위 시작값을 충분히 주고 최종 단계를 반복합니다.
확인할 값과 해석 기준
가장 좋은 로그우도가 서로 다른 시작값에서 여러 번 재현되어야 국소해가 아닌 최적해라고 믿을 수 있습니다. 재현되지 않으면 시작값을 늘리거나 모형을 단순화합니다. 음수 분산이나 비수렴 경고가 뜨면 그 모형은 뺍니다.
왜 하고, 무엇을 알 수 있나요
추정이 불안정한 모형을 걸러냅니다.
모형 비교와 유형 수 결정
어떻게 하나요
유형 수별 적합도표(로그우도, AIC, BIC, SABIC, 엔트로피, VLMR, BLRT, 최소 유형 비율)를 만들어 비교하고 BIC 변화 그림(elbow)을 그립니다.
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. 지수들이 서로 다른 유형 수를 가리키면 해석 가능성, 최소 유형 크기, 반복 표본에서의 재현성을 함께 보고 정합니다.
왜 하고, 무엇을 알 수 있나요
자료에 숨은 유형이 몇 개인지 판단할 근거를 얻습니다.
분류 정확도 확인
어떻게 하나요
유형별 평균 사후확률(분류 확률 행렬)을 확인합니다.
확인할 값과 해석 기준
각 유형의 평균 사후확률이 .70~.80 이상이면 분류가 비교적 확실합니다(Nagin, 2005는 .70 이상 권고). 사후확률이 낮으면 유형 간 구분이 모호하다는 뜻입니다.
왜 하고, 무엇을 알 수 있나요
어떤 사람이 어느 유형에 속한다는 판단을 얼마나 믿을 수 있는지 봅니다.
유형 프로파일 해석과 명명
어떻게 하나요
유형별 지표 평균(표준화 점수) 프로파일 그림과 표를 만들고 유형 비율을 제시합니다. 선행연구·이론에 비추어 유형 이름을 붙입니다.
확인할 값과 해석 기준
프로파일은 수준(전체 높음/낮음)과 모양(지표별 차이)으로 서술합니다. 유형 이름은 연구자의 해석임을 밝히고, 유형 간 지표 평균 차이가 의미 있는 크기인지(효과 크기)도 봅니다.
왜 하고, 무엇을 알 수 있나요
각 유형이 어떤 점수 조합을 가진 사람들이고, 비율은 얼마인지 정리됩니다.
외부 변수와의 관계 검증 (3단계 접근)
어떻게 하나요
유형을 예측하는 변수(R3STEP), 유형에 따른 연속 결과변수(BCH), 범주 결과변수(DCAT·BCH)를 분류 오차를 반영하는 Mplus 3단계 절차로 분석합니다.
확인할 값과 해석 기준
분류된 유형을 확정된 집단처럼 다시 ANOVA·회귀에 넣으면 분류 오차 때문에 효과가 과소·과대 추정될 수 있습니다. 사용한 절차와 모형 선택 기준을 밝힙니다.
왜 하고, 무엇을 알 수 있나요
유형이 현업 적용, 성과, 이직 의도 같은 결과와 어떻게 이어지는지 답합니다.
모형의 안정성(재현성) 점검
어떻게 하나요
표본을 둘로 나눠 같은 유형 구조가 재현되는지 보거나 다른 표본에 같은 모형을 적용합니다.
확인할 값과 해석 기준
유형 수와 프로파일이 반복에서 비슷하게 나타나면 안정적입니다.
왜 하고, 무엇을 알 수 있나요
찾아낸 유형이 이 표본만의 우연이 아님을 보여 줍니다.
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, 최종 유형 프로파일 그림, 유형 비율과 사후확률, 유형 수 결정 기준과 한계를 제시합니다(Spurk et al., 2020의 보고 체크리스트 참고).
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 · 조직몰입 · 조직심리

몰입·열의·소진의 결합 유형

연구목적

전체 평균에서는 드러나지 않는 구성원별 경험 조합을 발견합니다.

알고 싶은 것

몰입은 높지만 소진도 높은 집단이 별도로 나타나는가?

사용할 자료

재직자별 조직몰입·직무열의·정서적 소진의 연속형 척도 점수

방법을 적용하는 방식

유형 수와 분산 가정을 비교하고 각 유형의 점수 패턴과 안정성을 해석합니다. 유형 명칭은 결과를 확인한 뒤 붙입니다.

제시할 결과

유형 수·분산 가정 비교표
각 유형의 몰입·열의·소진 프로파일 그림
유형 비율과 분류 불확실성을 제시합니다

이 사례에서 밝힐 수 있는 것

높은 몰입과 높은 소진이 공존하는 유형은 사전에 확정한 결과가 아니라 자료로 검토할 가능성입니다.

사례 2 · 학습분석

자기조절학습의 점수 프로파일

연구목적

목표설정·계획·점검·성찰의 조합이 다른 학습자 유형을 탐색합니다.

알고 싶은 것

목표는 잘 세우지만 점검은 적은 유형과 전반적으로 높은 유형이 구별되는가?

사용할 자료

학습자별 타당화된 자기조절 하위척도 또는 타당성을 확인한 연속형 행동지표

방법을 적용하는 방식

지표 의미와 분포를 검토한 뒤 LPA를 수행하고 성취와의 관계를 분류오차를 고려해 분석합니다.

제시할 결과

계획·점검·성찰 등 지표의 유형별 프로파일과 비율
분류오차를 고려한 성취 비교 및 안정성 검토를 제시합니다

이 사례에서 밝힐 수 있는 것

클릭 행동을 곧바로 학습전략으로 명명하지 않습니다. 유형에 따른 지원 설계는 후속 검증이 필요합니다.

08 · 해석 범위

이 결과로 어디까지 말할 수 있을까요?

엔트로피가 가장 높다는 이유만으로 유형 수를 결정하지 않습니다.
추정된 유형은 자료와 모형에 의존합니다. 자연적으로 고정된 인간 유형이라고 단정하지 않습니다.
유형을 확정 분류한 뒤 일반 회귀만 하면 분류에 따르는 오차를 놓칠 수 있습니다.

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.

함께 비교하면 좋은 방법

이 방법을 이해하는 추천 연구논문

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

방법 설명SSCI
Spurk, D., Hirschi, A., Wang, M., Valero, D., & Kauffeld, S. (2020). Latent profile analysis: A review and “how to” guide of its application within vocational behavior research. Journal of Vocational Behavior, 120, 103445.
읽을 초점 직업·경력 연구에서 LPA를 수행하는 과정과 유형 수·해석·검증의 실무적 선택을 읽어 보세요.
DOI: 10.1016/j.jvb.2020.103445 · ISSN: 0001-8791 / 1095-9084
교수님 Research listKCI
노윤정, 송지훈, 양병채, 남교민(2024). 잠재프로파일 분석을 통한 조직 구성원의 직장만족도 유형 분류 및 유형별 특성 분석. 인적자원관리연구, 31(4), 123-139. https://doi.org/10.14396/jhrmr.2024.31.4.123
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
적용 논문KCI
Jang, J.-H., Shin, W. S., & Ko, Y. (2020). A Latent Profile Analysis of Teachers' AR and VR Integration. 교육정보미디어연구, 26(2), 367-393.
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: 10.15833/kafeiam.26.2.367 · Crossref 인용 수 2회 (2026-11-02 확인)
적용 논문SSCI
Lee, J.-Y., & Chei, M. J. (2019). Latent profile analysis of Korean undergraduates’ academic emotions in e-learning environment. Educational Technology Research and Development, 68(3), 1521-1546.
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: 10.1007/s11423-019-09715-x · Crossref 인용 수 40회 (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 살펴보기 나의 연구 발전시키기(실습) →

1. 질문과 핵심 개념

2. 설계와 절차

3. 분석과 결과

4. 해석과 보고

언제, 어떤 목적으로 선택하나요?

이 방법으로 답하는 연구 목적

대표 연구 질문

필요한 변수·자료의 형태

분석에서는 무엇을 하나요?

결과를 어떻게 해석하나요?

이런 상황이면 이 분석을 고려하세요

1. 개별 변수보다 사람의 특성 조합

2. 연속형 점수를 유형의 지표로 사용

3. 유형 수를 비교하며 선택

4. 유형별 점수 패턴과 외부 특성

어떤 질문이면 다른 방법을 비교해야 하나요?

어떤 자료와 변수로, 어떤 구조를 분석하나요?

분석 구조 한눈에 보기

식으로 보면

필요한 변수와 역할

분석용 자료 파일은 이렇게 만듭니다

자료 파일을 만들 때 지킬 규칙

분석 프로그램에서 이렇게 설정합니다

자료 조건과 주의점

이런 연구모형으로 분석합니다

모형 1. 잠재프로파일모형 (연속형 지표로 사람 유형 찾기)

가설

예시 분석 결과 읽기

모형 2. 유형을 예측하고 결과와 연결하는 모형 (3단계 접근)

가설

예시 분석 결과 읽기

분석 후 무엇을 보여 줄 수 있나요?

결과는 이렇게 제시합니다 (예시)

결과 그림 1. 유형별 프로파일

결과 그림 2. 유형 수 선택 표

내가 끝까지 답하고 싶은 질문과 맞나요?

이 질문에 답하는 분석 구조

알고 싶은 내용이 다르다면, 아래 방법은 이렇게 다른 질문에 답합니다

분석은 어떤 순서로 진행하나요?

연구 질문과 지표 변수 정하기

연구설계와 표본 크기(검정력) 계획

변수 정의, 척도 점수 계산, 역채점·더미 코딩

결측치 확인과 처리

이상값(극단값) 점검

기술통계와 분포(정규성) 확인

척도 신뢰도 확인 (Cronbach α)

지표 변수 간 상관과 척도 확인

후보 모형 설정: 유형 수와 분산·공분산 구조

다중 시작값으로 모형 추정

모형 비교와 유형 수 결정

분류 정확도 확인

유형 프로파일 해석과 명명

외부 변수와의 관계 검증 (3단계 접근)

모형의 안정성(재현성) 점검

결과 정리와 보고

사례를 통해 내 연구에 어떻게 적용할지 살펴보세요

몰입·열의·소진의 결합 유형

자기조절학습의 점수 프로파일

이 결과로 어디까지 말할 수 있을까요?

이 방법의 선택 조건을 스스로 확인해 보세요

함께 비교하면 좋은 방법

이 방법을 이해하는 추천 연구논문