잠재전이분석 (Latent Transition Analysis, LTA)
시간이 지나면서 사람들이 다른 유형으로 옮겨 가는가?
- 같은 사람을 여러 시점에 측정해, 사람들이 잠재 유형 사이를 어떻게 옮겨 가는지 알고 싶을 때 사용합니다.
- 같은 사람의 시점별 범주형 응답이나 연속형 점수가 2시점 이상 필요합니다.
- 잠재전이분석(LTA)은 시점마다 유형을 추정하고, 한 유형에서 다른 유형으로 옮겨 갈 확률을 추정합니다.
- 유형 유지와 이동의 확률, 이동을 예측하는 변수를 제시합니다. 점수의 평균 변화를 보는 잠재성장모형과는 다릅니다.
- 학기 초와 학기 말에 학습자의 토론, 재제출, 도움 요청 수행 여부를 묻습니다. 같은 지표를 두 시점에 측정한 것입니다.
- 각 시점에서 활발, 부분, 저조 유형이 나타나는지 확인하고, 유형 사이를 옮겨 갈 확률을 추정합니다.
- 전이확률 표와 흐름도로 머무른 사람과 옮겨 간 사람을 제시합니다.
- 이 방법이 보는 것은 평균 변화보다 유형 사이의 이동입니다.
- 먼저 LCA 또는 LPA를 이해한 뒤 시간을 더한다고 생각하세요.
잠재전이분석 (Latent Transition Analysis, LTA)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
- 잠재상태
- LTA에서 특정 시점에 사람이 속한 잠재 유형입니다. 유형이 고정되어 있다고 보는 LCA의 잠재계층과 달리 시간에 따라 달라질 수 있다고 봅니다.
- 전이확률
- 시점 t의 어떤 유형에 속할 때 시점 t+1에 각 유형에 속할 확률입니다. 한 행의 합이 1이며, 대각선은 유지, 나머지는 이동을 뜻합니다.
- LTA와 LGM
- LGM은 연속 점수의 평균 궤적을 보고, LTA는 질적으로 다른 유형 사이의 이동을 봅니다. 변화를 양으로 볼지, 유형의 변화로 볼지가 선택의 기준입니다.
2. 설계와 절차
- 측정 시점과 간격
- 최소 2시점이 필요합니다. 간격이 너무 짧으면 이동이 드물고, 너무 길면 중간 이동을 놓칩니다. 이론으로 변화가 일어날 기간을 먼저 정합니다.
- 동일 지표
- 모든 시점에 같은 문항과 같은 범주 코딩을 씁니다. 문항이나 코딩이 달라지면 이동과 측정 변화를 구별할 수 없습니다.
- 패널 탈락
- 한 시점만 응답한 사람의 처리 방식을 정합니다. 탈락이 유형과 관련되면 전이확률이 왜곡될 수 있어 결측 메커니즘을 점검합니다.
3. 분석과 결과
- 시점별 유형 수 탐색
- 전이를 넣기 전에 시점마다 LCA 또는 LPA로 유형 수를 정합니다. 시점 간 유형 수와 모양이 비슷한지 보는 단계입니다.
- 측정불변
- 시점 간 조건부 응답확률을 같게 제약한 모형과 자유 모형을 비교합니다. 불변이 유지되어야 같은 유형 사이의 이동으로 해석할 수 있습니다.
- 3단계 추정
- 측정 모형을 먼저 추정한 뒤 분류오차를 반영해 전이와 공변량, 결과를 연결합니다. 나중에 넣은 변수가 유형의 의미를 바꾸는 문제를 줄입니다.
- 승산비
- 공변량이 유형 또는 이동의 가능성을 얼마나 바꾸는지 나타내는 다항 로지스틱 회귀의 값입니다. 1보다 크면 가능성이 높아지고, 신뢰구간이 1을 포함하면 유의하지 않습니다.
4. 해석과 보고
- 유지와 이동의 해석
- 전이확률이 낮아도 시작 유형의 비율이 크면 옮겨 간 사람 수는 많을 수 있습니다. 확률과 추정 사람 수를 함께 봅니다.
- 이동은 인과가 아님
- 공변량이 이동을 예측해도 원인이라고 확정할 수 없습니다. 변화의 시간 순서와 교란 변수를 함께 검토합니다.
이 용어를 각 방법의 연구 맥락에서 더 확인하려면 해당 방법론 논문을 보세요: 추천논문 1.
01 · 목적언제, 어떤 목적으로 선택하나요?
평균이 변하지 않아도 그 안에서 사람들은 다른 유형으로 옮겨 갈 수 있습니다. 유형을 찾는 데서 나아가 유형 사이의 이동이 궁금하면 LTA를 검토합니다.
이 방법으로 답하는 연구 목적
학습 참여나 동기처럼 사람을 유형으로 나눌 수 있고, 그 유형이 시간에 따라 바뀌는지 궁금할 때 씁니다. 머무는 사람과 옮겨 가는 사람, 이동과 관련된 특성을 해석합니다.
대표 연구 질문
시간이 지나면서 사람들이 다른 유형으로 옮겨 가는가?
필요한 변수·자료의 형태
- 분석 단위는 사람이며, 같은 사람의 시점별 지표가 필요합니다. 예: T1·T2의 토론 참여, 재제출, 도움 요청 여부.
- 지표는 범주형 또는 연속형일 수 있고 모든 시점에 같은 코딩을 씁니다. 탈락과 희소 범주를 확인합니다.
- 유형을 만드는 지표와 공변량, 결과변수를 구분합니다. 공변량과 결과는 측정 모형을 정한 뒤 연결합니다.
분석에서는 무엇을 하나요?
- 시점별 유형 수를 먼저 정하고 측정불변 모형을 비교합니다.
- 시점 1 유형을 조건으로 한 시점 2 유형의 확률, 곧 전이확률을 추정합니다.
- 공변량은 다항 로지스틱 회귀의 승산비로, 결과는 유형별 평균이나 비율로 비교합니다.
결과를 어떻게 해석하나요?
- 유형 수의 근거, 측정불변, 전이확률 표, 공변량의 승산비를 보고합니다.
- 대각선은 유지, 나머지는 이동입니다. 확률과 추정 인원을 함께 해석합니다.
- 이동은 측정오차와 표본의 영향을 받을 수 있고 인과효과가 아닙니다. 다른 표본과 시점에서 재현되는지 검토합니다.
이런 상황이면 이 분석을 고려하세요
1. 유형의 이동이 궁금함
학기 초 저조 유형의 학습자가 학기 말에 어느 유형으로 옮겨 가는지처럼 사람의 유형 변화를 묻는 경우입니다.
2. 같은 사람의 2시점 이상 자료
같은 사람을 같은 도구로 반복 측정해야 합니다. 시점마다 다른 사람을 조사한 자료로는 개인의 이동을 추정할 수 없습니다.
3. 시점 간 유형의 의미가 같음
시점별 유형의 수와 모양이 비슷하고 응답확률이 같다는 제약을 받아들일 수 있어야 이동을 해석할 수 있습니다.
4. 분류오차를 반영할 계획
가장 그럴듯한 유형으로 배정해 교차표를 만들지 않고, 전이모형과 3단계 절차로 불확실성을 반영합니다.
어떤 질문이면 다른 방법을 비교해야 하나요?
- 잠재계층분석 (Latent Class Analysis, LCA)
- 한 시점의 범주형 응답 패턴만 궁금하면 LCA로 충분합니다.
- 잠재프로파일분석 (Latent Profile Analysis, LPA)
- 한 시점의 연속형 점수 패턴만 궁금하면 LPA로 충분합니다.
- 잠재성장모형 (Latent Growth Modeling, LGM)
- 유형이 아니라 점수의 평균 궤적과 변화 속도의 개인차가 궁금하면 잠재성장모형을 검토합니다.
선택 기준의 방법론 근거: 추천 논문 1. 아래 자료·해석 범위까지 확인해 최종 방법을 정하세요.
02 · 자료와 분석 구조어떤 자료와 변수로, 어떤 구조를 분석하나요?
시점별 잠재범주변수 사이의 다항 로지스틱 관계로 전이확률을 추정하는 구조입니다. 시점 간 응답확률을 같게 제약해 유형의 의미를 고정합니다.
분석 구조 한눈에 보기
지표 T1 ←── 유형 C1 ──(전이확률 τ)──→ 유형 C2 ──→ 지표 T2 공변량 → C1, C2 (C1을 조건으로) C2 → 원격 결과
식으로 보면
- P(C2 = j | C1 = i) = τ_j|i, Σ_j τ_j|i = 1
- P(C2 = j | C1 = i, x) = exp(α_j|i + γ_j·x) / Σ_k exp(α_k|i + γ_k·x)
잠재전이분석(LTA)은 LCA·LPA, 잠재성장모형(LGM)과 무엇이 다른가
| 구분 | LCA·LPA | 잠재전이분석 (LTA) | 잠재성장모형 (LGM) |
|---|---|---|---|
| 핵심 질문 | 어떤 유형이 있는가 | 유형 사이를 어떻게 옮겨 가는가 | 점수가 어떻게 변하고 개인차가 있는가 |
| 변화를 보는 방식 | 다루지 않음(한 시점) | 유형의 변화(질적 변화) | 점수의 변화(양적 변화) |
| 주요 결과 | 유형 비율, 응답확률 또는 평균 | 전이확률 | 절편·기울기의 평균과 분산 |
| 최소 측정 횟수 | 1회 | 2회 | 3회 |
| 선택 기준 | 사람의 유형이 궁금할 때 | 유형의 이동이 궁금할 때 | 변화의 모양과 속도가 궁금할 때 |
필요한 변수와 역할
| 역할 | 무엇인가요 | 예시 | 형태 |
|---|---|---|---|
| 시점별 지표 | 유형을 만드는 관측 응답 | 토론_T1, 토론_T2 | 범주형·연속형 |
| 잠재상태 (C1, C2) | 시점별 잠재 유형 | 활발, 부분, 저조 | 잠재범주변수 |
| 전이확률 (τ) | 유형 사이를 옮겨 갈 확률 | 저조 → 부분 .25 | 추정 모수 |
| 공변량 | 유형과 이동을 예측 | 상사 지원 | 연속형·범주 |
| 원격 결과 | 유형과 관련된 이후 결과 | 학업 성취 | 연속형·범주 |
분석용 자료 파일은 이렇게 만듭니다
| ID | disc_t1 | resub_t1 | disc_t2 | resub_t2 | support | achieve |
|---|---|---|---|---|---|---|
| A01 | 1 | 0 | 1 | 1 | 4.2 | 3.8 |
| A02 | 0 | 0 | 0 | 1 | 3.1 | 3.2 |
| A03 | 1 | 1 | 3.6 |
예시 값입니다(실제 자료가 아님). 한 행은 한 사람입니다. A03은 2시점에 탈락한 예입니다.
자료 파일을 만들 때 지킬 규칙
- 사람 1명을 한 행으로 두고 시점을 열 이름에 붙입니다(disc_t1, disc_t2).
- 모든 시점의 코딩을 같게 하고, 범주형 지표로 지정합니다.
- 탈락으로 비는 칸은 빈칸으로 두고 FIML로 처리합니다. 0으로 채우지 않습니다.
- 유형 라벨 열을 미리 만들어 넣지 않습니다. 유형은 모형이 추정합니다.
분석 프로그램에서 이렇게 설정합니다
- Mplus: VARIABLE: CATEGORICAL = u11-u16 u21-u26; CLASSES = c1(3) c2(3); ANALYSIS: TYPE = MIXTURE; STARTS = 500 100; MODEL: %OVERALL% c2 ON c1;
- Mplus 측정불변: MODEL c1: %c1#1% [u11$1-u16$1] (1-6); … MODEL c2: %c2#1% [u21$1-u26$1] (1-6); … 처럼 같은 번호로 임계값을 제약합니다.
- R LMest: 잠재 마르코프 모형으로 전이확률을 추정합니다. 함수와 옵션은 패키지 문서를 확인합니다.
자료 조건과 주의점
- 같은 사람을 2시점 이상 측정한 패널 자료. 사람 1명이 한 행이고 시점별 지표가 열입니다.
- 모든 시점에 같은 지표와 같은 코딩을 사용합니다.
- 지표는 범주형(LCA 기반) 또는 연속형(LPA 기반)일 수 있습니다.
- 유형 수와 시점 수가 늘면 칸이 희소해지므로 작은 유형과 드문 이동의 안정성을 고려해 표본을 계획합니다.
03 · 예시 연구모형이런 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. 기본 잠재전이모형 (2시점, 범주형 지표)
연구문제 예 온라인 학습자의 참여 유형은 한 학기 동안 어떻게 옮겨 가는가?
- 지표 (0/1)
- 잠재상태 (시점 1)
- 잠재상태 (시점 2)
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: 시점 1의 참여 유형은 시점 2의 참여 유형을 예측할 것이다(유형에 머무를 확률이 옮겨 갈 확률보다 높을 것이다).
예시 분석 결과 읽기
- H1 지지: 유형 유지 확률이 .70~.78로 가장 높습니다. 저조 유형의 25%는 부분 참여로 옮겨 갑니다.
- 측정불변: LR χ²(18) = 24, p = .16으로 제약 모형이 나빠지지 않았고, BIC도 7,010로 자유 모형 7,097보다 낮습니다.
이렇게 읽습니다 타원 둘은 시점별 잠재상태(잠재범주변수)이고, 그 사이의 화살표가 전이확률입니다. 네모는 관측 지표입니다. 유형의 의미가 시점마다 같아야 이동을 해석할 수 있으므로 응답확률을 같게 제약한 모형을 먼저 검토합니다.
모형 2. 공변량과 원격 결과를 포함한 잠재전이모형
연구문제 예 상사 지원이 유형 이동을 돕는가? 도착한 유형에 따라 성취가 다른가?
- 잠재상태
- 공변량 (독립)
- 원격 결과 (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: 상사 지원이 높을수록 시점 1에 활발 유형일 가능성이 높을 것이다.
- H2: 상사 지원이 높을수록 저조 유형에서 부분·활발 유형으로 옮겨 갈 가능성이 높을 것이다.
- H3: 시점 2의 유형에 따라 학업 성취가 다를 것이다.
예시 분석 결과 읽기
- H1 지지: 상사 지원이 1SD 높으면 활발 유형일 승산이 1.6배입니다(OR = 1.6, p < .05).
- H2 지지: 저조 유형에서 벗어날 승산이 1.8배입니다(OR = 1.8, p < .01).
- H3 지지: 시점 2 유형별 성취 평균이 다릅니다(χ²(2) = 18.6, p < .001). 이 관계는 인과효과로 확정되지 않습니다.
이렇게 읽습니다 아래쪽 긴 화살표는 공변량이 시점 1 유형을 조건으로 시점 2 유형을 예측한다는 뜻입니다. 계수는 다항 로지스틱 회귀의 승산비(OR)입니다. 회귀계수 β처럼 읽지 않습니다.
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: Gillet, N., Morin, A. J. S., & Reeve, J. (2017).
04 · 제시하고 싶은 결과분석 후 무엇을 보여 줄 수 있나요?
- 시점별 유형과 비율, 유형 사이를 옮겨 갈 확률을 보여 줍니다.
- 전이확률 표와 흐름도: 누가 머물고 누가 어디로 옮겨 갔는가
- 공변량의 승산비와 유형별 결과: 어떤 특성이 이동과 관련되고, 이동이 어떤 결과로 이어지는가
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. 전이확률 표
행의 유형(시점 1)에서 열의 유형(시점 2)으로 옮겨 갈 확률입니다.
이렇게 읽습니다 한 행의 확률을 더하면 1입니다. 대각선은 같은 유형에 머무를 확률이고, 나머지가 이동입니다. 저조 유형의 .25는 네 명 중 한 명이 부분 참여로 옮겨 갔다는 뜻입니다.
결과 그림 2. 유형 이동 흐름도
누가 어느 유형으로 옮겨 갔는지 한눈에 보여 줍니다.
이렇게 읽습니다 진한 띠는 머문 사람, 연한 띠는 옮겨 간 사람입니다. 전체 비율은 거의 그대로여도 그 안에서 사람들은 움직일 수 있습니다. 이것이 시점별 LCA를 나란히 놓는 것과 LTA의 차이입니다.
결과 그림 3. 측정불변 비교표
유형의 의미가 시점 간에 같은지 비교합니다.
이렇게 읽습니다 제약 모형의 적합도가 유의하게 나빠지지 않고 BIC가 낮으면 같은 유형으로 보고 이동을 해석할 수 있습니다. 시점별 유형 수는 먼저 각 시점의 LCA로 정합니다.
그림의 값은 이해를 돕기 위해 만든 예시이며 실제 연구 결과가 아닙니다.
내가 끝까지 답하고 싶은 질문과 맞나요?
“사람들이 시간에 따라 어떤 유형으로 옮겨 가고, 누가 옮겨 가는지 알고 싶다.”
이 질문에 답하는 분석 구조
시점마다 잠재 유형을 추정하고, 시점 1 유형에서 시점 2 유형으로 옮겨 갈 전이확률을 추정한 뒤, 공변량과 결과를 연결합니다.
왜 하나요? ‘사람들이 다른 유형으로 옮겨 가는가, 누가 옮겨 가는가’를 알고 싶을 때. 평균 변화에 가려진 개인의 유형 이동을 보기 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.
- 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.
- 잠재성장모형 (Latent Growth Modeling, LGM)
- 분석 구조 같은 사람의 반복 측정값을 지표로 삼아 잠재 절편(시작 수준)과 잠재 기울기(변화 속도)를 추정하고, 그 평균·분산과 예측변수·결과변수와의 관계를 분석합니다.이럴 때 선택 ‘시간에 따라 어떻게 변하고, 왜 어떤 사람은 더 빨리 변하는가’를 알고 싶을 때. 평균 변화와 변화의 개인차를 함께 보기 위해 합니다.
06 · 분석 순서분석은 어떤 순서로 진행하나요?
사용 도구 Mplus·R(LMest 등)·Latent GOLD 기준 (기초통계는 SPSS).
기준의 출처 Collins·Lanza(2010), Nylund 외(2007), Nylund-Gibson 외(2014), Asparouhov·Muthén(2014), Vermunt(2010), Bakk·Vermunt(2016).
연구 질문과 지표 정하기
- 어떻게 하나요
- ‘시간이 지나며 사람들이 다른 유형으로 옮겨 가는가’를 이론으로 정하고, 유형을 만들 지표를 고릅니다.
- 확인할 값과 해석 기준
- 지표가 범주형이면 LCA 기반, 연속형이면 LPA 기반 전이모형입니다. 시점 2개 이상이 필요합니다.
- 왜 하고, 무엇을 알 수 있나요
- 유형 이동을 물을 수 있는 설계인지 확인합니다.
자료 정리와 기초통계
- 어떻게 하나요
- 사람 1명을 한 행으로 두고 시점별 열을 만듭니다(SPSS 빈도분석, 교차표). 코딩과 탈락 패턴을 점검합니다.
- 확인할 값과 해석 기준
- 시점별 지표의 범주 빈도, 탈락 비율, 탈락자와 잔류자의 차이를 봅니다. 희소 범주는 합치거나 이유를 기록합니다.
- 왜 하고, 무엇을 알 수 있나요
- 추정이 불안정해질 부분을 미리 찾습니다.
시점별 유형 수 정하기
- 어떻게 하나요
- 시점마다 유형 수를 늘려 가며 LCA(또는 LPA)를 여러 시작값으로 추정합니다.
- 확인할 값과 해석 기준
- BIC·SABIC가 낮고 BLRT(또는 LMR) p < .05인 수를 우선 봅니다. 엔트로피는 .80 이상을 흔히 양호하게 보고, 최소 유형 비율은 약 5% 이상을 경험적 기준으로 씁니다. 최고 로그우도가 반복되어야 합니다.
- 왜 하고, 무엇을 알 수 있나요
- 각 시점의 유형 구조를 이해합니다.
측정불변 검토
- 어떻게 하나요
- 시점 간 응답확률을 자유롭게 둔 모형과 같게 제약한 모형을 비교합니다.
- 확인할 값과 해석 기준
- LR 검정이 유의하지 않거나 BIC가 낮으면 불변을 받아들입니다. 불변이 부분적으로만 유지되면 어떤 유형이 다른지 보고합니다.
- 왜 하고, 무엇을 알 수 있나요
- 같은 유형 사이의 이동으로 해석할 근거를 얻습니다.
전이모형 추정
- 어떻게 하나요
- 제약 모형에서 시점 1 유형이 시점 2 유형을 예측하도록 추정합니다.
- 확인할 값과 해석 기준
- 전이확률 표에서 유지 확률과 이동 확률, 한 행의 합이 1인지, 수렴과 해의 복제 여부를 확인합니다.
- 왜 하고, 무엇을 알 수 있나요
- 누가 어디로 옮겨 가는지 답합니다.
공변량 연결
- 어떻게 하나요
- 3단계 절차(수동 3단계 또는 R3STEP 등)로 공변량이 유형과 이동을 예측하는지 추정합니다.
- 확인할 값과 해석 기준
- 승산비와 95% 신뢰구간을 봅니다. 신뢰구간이 1을 포함하지 않으면 유의합니다. 기준 유형을 밝힙니다.
- 왜 하고, 무엇을 알 수 있나요
- 어떤 특성이 유형 이동과 관련되는지 답합니다.
원격 결과 연결
- 어떻게 하나요
- BCH·DCAT 등 분류오차를 반영한 방법으로 유형 또는 이동 경로별 결과를 비교합니다.
- 확인할 값과 해석 기준
- 유형별 평균 또는 비율, 전체 χ² 검정, 쌍별 비교를 봅니다. 가장 큰 사후확률로 배정해 ANOVA를 하면 오차가 무시됩니다.
- 왜 하고, 무엇을 알 수 있나요
- 유형 이동이 결과와 어떻게 이어지는지 답합니다.
보고와 해석
- 어떻게 하나요
- 유형 수 근거, 측정불변 결과, 전이확률 표, 흐름도, 공변량과 결과 표를 제시합니다.
- 확인할 값과 해석 기준
- 확률과 추정 인원을 함께 제시하고, 유형 이름이 지표로 뒷받침되는지 확인합니다. 인과 표현을 피합니다.
- 왜 하고, 무엇을 알 수 있나요
- 결과의 근거와 한계를 함께 전달합니다.
방법 선택을 위한 안내입니다. 실제 실행에서는 해당 방법의 원문과 교과서, 소프트웨어 문서를 함께 확인하세요.
07 · 사례사례를 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.
신입사원 직무동기 유형의 이동
- 연구목적
- 입사 후 1년 동안 동기 유형이 어떻게 달라지는지 봅니다.
- 알고 싶은 것
- 입사 초기의 동기 유형은 1년 뒤 어떤 유형으로 옮겨 가는가? 상사 지원이 이동과 관련되는가?
- 사용할 자료
- 같은 신입사원의 입사 3개월, 15개월 동기 점수
- 상사 지원
- 방법을 적용하는 방식
- 시점별 LPA로 유형 수를 정하고, 측정불변을 검토한 뒤 전이확률을 추정합니다. 상사 지원은 3단계 절차로 연결합니다.
- 제시할 결과
- 시점별 유형 프로파일
- 전이확률 표
- 상사 지원의 승산비
- 이 사례에서 밝힐 수 있는 것
- 평균 동기가 그대로여도 사람들은 유형 사이를 옮겨 갈 수 있습니다.
온라인 학습자의 참여 유형 이동
- 연구목적
- 학기 초반과 후반의 참여 유형이 어떻게 바뀌는지 봅니다.
- 알고 싶은 것
- 학기 초 저조 유형의 학습자 중 얼마나 활발 유형으로 옮겨 가는가?
- 사용할 자료
- 학습자별 학기 초·후반의 토론, 피드백, 재제출, 도움 요청 수행 여부
- 방법을 적용하는 방식
- 범주형 지표로 시점별 LCA를 수행하고 전이모형으로 이동 확률을 추정합니다.
- 제시할 결과
- 유형별 응답확률
- 전이확률 표
- 이동 흐름도
- 이 사례에서 밝힐 수 있는 것
- 학기 초의 유형만으로 학습자를 단정하지 않고, 옮겨 갈 가능성을 함께 볼 수 있습니다.
08 · 해석 범위이 결과로 어디까지 말할 수 있을까요?
- 전이확률은 측정불변이 받아들여질 때 같은 유형 사이의 이동으로 해석할 수 있습니다.
- 공변량이 이동을 예측해도 이동의 원인이라고 단정할 수 없습니다.
- 사람을 유형 하나로 배정해 교차표를 만들면 분류오차가 무시되어 이동이 과대추정될 수 있습니다.
- 2시점 자료의 이동에는 실제 변화와 측정오차가 섞일 수 있습니다.
09 · 나의 연구에 대입하기이 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
Nylund-Gibson, K., Grimm, R., Quirk, M., & Furlong, M. (2014). A Latent Transition Mixture Model Using the Three-Step Specification. Structural Equation Modeling: A Multidisciplinary Journal, 21(3), 439-454.
읽을 초점 시점별 유형을 먼저 고정하고 전이와 공변량, 결과를 나중에 연결하는 3단계 절차가 왜 필요한지 읽어 보세요.
DOI: 10.1080/10705511.2014.915375 · ISSN: 1070-5511 / 1532-8007 - 적용 논문KCI
Jang, J. H., & Ko, Y. (2021). Longitudinal patterns of critical thinking ability on media in adolescence: A latent transition analysis. 교육정보미디어연구, 27(4), 1429-1456.
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.27.4.1429 · Crossref 인용 수 1회 (2026-11-02 확인) - 적용 논문SSCI
Gillet, N., Morin, A. J. S., & Reeve, J. (2017). Stability, change, and implications of students’ motivation profiles: A latent transition analysis. Contemporary Educational Psychology, 51, 222-239.
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: 10.1016/j.cedpsych.2017.08.006 · Crossref 인용 수 144회 (2026-11-02 확인)
교수님 Research list에서 이 방법의 직접 적용이 제목·서지로 확인되는 논문이 없어, 적용 논문은 SSCI와 KCI에서 각 1편을 골랐습니다.
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.