매개효과 (Mediation, 다중매개 포함)

언제 쓰나요?

설명변수(X)와 결과변수(Y)의 관계가 중간 과정인 매개변수(M)를 거쳐 나타나는지 알고 싶을 때 사용합니다.
X·M·Y를 같은 분석 단위에서 측정합니다. 변수는 연속형 또는 범주형일 수 있지만, 각 결과의 척도에 맞는 추정법을 선택해야 합니다.
X→M 경로와 M→Y 경로를 연결해 간접효과를 추정합니다. M이 여럿이면 서로 나란히 작동하는 병렬 경로와 순서대로 이어지는 직렬 경로를 구분합니다.
경로별 간접효과와 신뢰구간을 제시합니다. 매개를 원인 과정으로 해석하려면 측정 시점과 다른 원인에 대한 연구설계의 근거가 필요합니다.

예를 들면

X는 교육 참여 여부, M1은 교육 직후 자기효능감, M2는 한 달 뒤 전이동기, Y는 이후 학습전이 점수로 둡니다.
교육 참여→자기효능감→전이동기→학습전이의 직렬 간접효과와 각 매개변수를 따로 거치는 경로를 구분해 추정합니다.
어느 경로의 간접효과가 자료에서 뒷받침되는지 신뢰구간과 함께 보고합니다.

선택할 때 확인할 점

매개변수는 X 다음에 일어나는 설명 기제입니다.
X와 함께 Y를 예측하는 추가 변수와 역할이 다릅니다.

매개효과 (Mediation, 다중매개 포함)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

매개변수(M)와 기제: M은 X와 Y의 관계를 설명할 수 있는 중간 과정 또는 기제입니다. 매개분석은 X가 Y와 관련되는 경로 중 M을 거치는 간접경로를 질문합니다.
경로 a·b·c′: a는 X와 M의 경로, b는 X를 함께 고려한 M과 Y의 경로, c′는 M을 고려한 뒤 X와 Y 사이에 남는 직접경로를 흔히 뜻합니다. 연구 질문에 맞춰 분석 모형과 각 경로의 추정량을 밝힙니다.

2. 설계와 절차

병렬·직렬 매개: 병렬은 여러 M이 별개의 경로로 X와 Y를 연결한다고 가정합니다. 직렬은 M1→M2처럼 경로의 순서를 가정합니다. 매개변수를 함께 측정했다는 이유만으로 직렬 순서를 정하지 말고 이론과 시간 설계를 제시해야 합니다.
시간 순서와 혼란: 인과적 매개 해석에는 X가 먼저, M이 다음, Y가 마지막에 측정되는 순서와 각 경로의 혼란요인 통제가 중요합니다. 한 시점 자기보고 자료의 간접효과는 기제의 인과적 증명과 다릅니다.

3. 분석과 결과

특정 간접효과: 특정 매개변수 또는 특정 경로를 거치는 간접효과입니다. 여러 매개를 쓴 모형에서는 각 경로의 효과를 따로 보고하고, 경로 간 차이는 그 차이를 직접 검정합니다.
총효과와 직접효과: 총효과는 매개경로를 분해하기 전 X와 Y의 관계를, 직접효과는 모형에 포함한 매개를 고려한 뒤 남는 경로를 말합니다. 총효과가 유의해야만 간접효과를 검정할 수 있는 것은 아닙니다.
부트스트랩 신뢰구간: 표본을 반복 재추출해 간접효과의 표집분포와 불확실성을 추정하는 방법입니다. 결과에는 추정치와 구간을 함께 보고하고, 재표집 단위가 자료의 독립·군집 구조에 맞는지 확인합니다.

4. 해석과 보고

간접효과의 방향과 크기: 간접효과가 양수·음수인지와 그 크기, 신뢰구간을 읽습니다. 유의성만으로 매개가 강하다거나 실무적으로 중요하다고 단정하지 말고 척도 단위와 설계를 고려합니다.
매개와 인과기제의 구분: 통계적으로 추정된 간접경로는 제안한 기제와 자료의 관계가 양립하는지 보여 줍니다. 시간 순서·혼란 통제·대안 경로가 부족하면 인과적 기제가 입증됐다고 쓰지 않습니다.
매개효과 차이 검정: 두 간접효과의 추정치가 달라 보이는 것만으로 한 경로가 더 크다고 결론 내릴 수 없습니다. 차이의 추정치와 불확실성을 직접 검정해 보고합니다.

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

01 · 목적

언제, 어떤 목적으로 선택하나요?

교육을 받은 사람이 업무에 배운 내용을 더 잘 적용한다면, 그 사이에 어떤 과정이 있을까요? 자기효능감이나 전이동기처럼 관계를 설명할 중간 기제를 구체적으로 검토하려 할 때 매개효과를 선택합니다.

이 방법으로 답하는 연구 목적

자기효능감이 교육 참여와 학습전이의 관계를 설명하는지, 자기효능감과 전이동기가 서로 다른 경로인지 알고 싶을 때 씁니다. 직접효과가 유의한지만 보고 매개효과를 판단하면 안 됩니다.

대표 연구 질문

교육이나 경험이 성과로 이어지기까지 어떤 과정이 작동하는가?

필요한 변수·자료의 형태

한 사람 또는 같은 분석 단위마다 선행변수 X, 매개변수 M, 결과변수 Y의 값이 연결되어 있어야 합니다. 예: 교육 참여(X), 자기효능감(M), 학습전이(Y).
각 변수는 연속형·범주형일 수 있지만, Y와 M의 척도에 맞춰 선형·로지스틱 등 추정모형을 정합니다. 여러 M이면 병렬 경로인지 순차 경로인지 이론으로 구분합니다.
과정을 설명하려면 가능한 한 X를 먼저, M을 다음, Y를 나중에 측정하고 사전 수준과 중요한 교란변수도 계획합니다. 한 시점 설문은 시간 순서를 보여 주지 못합니다.

분석에서는 무엇을 하나요?

이론에 맞춰 a경로(X→M), b경로(M→Y), 직접경로 c′(X→Y)를 포함한 모형을 정합니다. M이 연속형이고 Y가 연속형인 기본 예에서는 간접효과를 a×b로 계산합니다.
간접효과는 표본분포가 비대칭일 수 있어 부트스트랩 신뢰구간 등 적절한 구간추정으로 평가합니다. 총효과가 유의해야만 간접효과를 검정할 수 있는 것은 아닙니다.
매개변수가 여럿이면 병렬매개는 각 M의 고유 경로를, 직렬매개는 M1→M2 같은 순서를 추정합니다. 전체 간접효과뿐 아니라 각 특정 간접효과와 차이를 직접 확인합니다.

결과를 어떻게 해석하나요?

X→M, M→Y, 직접효과와 특정 간접효과의 추정치·신뢰구간을 경로별로 보고합니다. 간접효과 구간이 0을 포함하는지와 효과의 크기를 함께 설명합니다.
병렬 경로가 각각 유의한지만 비교하지 말고, “두 간접효과가 서로 다르다”는 주장은 간접효과 차이를 직접 검정해 뒷받침합니다.
통계적 간접효과는 자료가 제안한 경로와 부합한다는 뜻입니다. 인과적 과정이라고 해석하려면 시간 순서, 교란 통제와 설계의 근거가 추가로 필요합니다.

이런 상황이면 이 분석을 고려하세요

1. 관계를 설명하는 중간 과정

교육 참여와 학습전이 사이에 자기효능감이 놓이는지처럼, 이론적으로 설명할 수 있는 중간 기제가 있을 때 선택합니다. 막연히 영향이 있다는 것을 보이는 목적보다 한 단계 깊은 질문입니다.

2. X·M·Y의 역할과 시간 순서

같은 대상에서 선행요인·매개변수·결과를 연결해 측정해야 합니다. 가능한 한 X 이후 M, 그 이후 Y를 측정하며, 매개경로를 왜 그 순서로 생각하는지 근거를 제시합니다.

3. 여러 매개변수의 경로 구분

자기효능감과 전이동기가 각각 별도 경로인지 궁금하면 병렬매개, 자기효능감이 전이동기에 선행하는지까지 설명하려면 직렬매개를 검토합니다. 변수 수만으로 형태를 정하지 않습니다.

4. 직접효과와 특정 간접효과

각 경로의 간접효과와 신뢰구간을 제시합니다. 관찰자료에서는 제안한 간접경로와 자료가 부합하는지 밝히며, 미측정 교란이 남아 있으면 인과 기제로 확정하지 않습니다.

어떤 질문이면 다른 방법을 비교해야 하나요?

조절효과 (Moderation, 이중조절 포함): “어떤 조건에서 X–Y 관계가 달라지는가?”가 핵심이면 조절효과입니다. 중간 과정 M과 관계를 바꾸는 조건 W의 역할을 먼저 구별하세요.
조절된 매개효과 (Moderated Mediation): 중간 경로 자체가 활용기회·리터러시 같은 조건에 따라 강해지는지까지 묻는다면 조절된매개효과로 확장합니다.

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?

X가 Y에 영향을 주는 경로를 ‘직접 경로’와 ‘중간 변수 M을 거치는 간접 경로’로 나누어 추정하는 구조입니다. 간접효과 = a × b(X→M 계수 × M→Y 계수)입니다.

분석 구조 한눈에 보기

교육 참여(X) ──a──→ 자기효능감(M) ──b──→ 학습전이(Y)
교육 참여(X) ────────────c′ (직접효과)──────────→ 학습전이(Y)
총효과 c = c′ + a×b

식으로 보면

M = i1 + a·X + e1
Y = i2 + c′·X + b·M + e2
간접효과 = a × b, 직접효과 = c′

필요한 변수와 역할

역할	무엇인가요	예시	형태
독립변수(X)	원인으로 가정하는 변수	교육 참여 점수	연속형 또는 0/1
매개변수(M)	X가 Y로 이어지는 중간 과정	자기효능감, 전이동기	연속형 점수
종속변수(Y)	최종 결과	현업 적용 점수	연속형 점수
공변량	세 변수 모두에 영향 줄 수 있는 통제변수	근속, 성별	연속형 또는 더미

분석용 자료 파일은 이렇게 만듭니다

ID	train(X)	efficacy(M1)	motive(M2)	transfer(Y)	tenure
A01	1	3.9	4.1	3.8	4
A02	0	3.1	3.4	3.0	7
A03	1	4.4	4.2	4.1	2

예시 값입니다(실제 자료가 아님). 한 행은 한 사람의 응답입니다.

자료 파일을 만들 때 지킬 규칙

한 행에 한 사람(분석 단위)의 응답을, 한 열에 한 변수를 둡니다(‘넓은 형식’). 같은 사람의 여러 시점 응답은 열을 늘려(예: mot_t1, mot_t2) 같은 행에 둡니다.
ID 열을 맨 앞에 두고 중복이 없는지 확인합니다. 변수 이름은 짧은 영문·숫자(예: com1, sup_mean)로 정하고 한글 설명은 변수 설명(레이블)에 적습니다.
역채점 문항은 먼저 뒤집은 뒤 문항 평균(또는 합계) 점수를 만듭니다. 범주형 변수는 숫자 코드(예: 남 0·여 1)로 입력하고 값 설명을 붙입니다.
무응답은 빈칸(시스템 결측)으로 두거나 999 같은 값을 쓰고 ‘결측값’으로 지정합니다. 0으로 채우지 않습니다.
코드북(변수 이름·뜻·값 코드·측정 단위·역채점 여부)을 따로 만들어 분석 파일과 함께 보관합니다.
X, M, Y를 서로 다른 시점에 측정했다면 시점을 열 이름에 붙입니다(train_t1, efficacy_t2, transfer_t3).

분석 프로그램에서 이렇게 설정합니다

SPSS PROCESS: Model 4(M 하나·병렬) 또는 Model 6(직렬)을 선택하고 Y, X, M, 공변량을 지정, 부트스트랩 5,000회, 95% 신뢰구간.
R lavaan: efficacy ~ a*train; transfer ~ b*efficacy + c*train; ab := a*b; total := c + a*b
해석은 ab의 부트스트랩 신뢰구간이 0을 포함하는지로 판단합니다.

자료 조건과 주의점

X·매개변수 M·결과 Y를 같은 분석 단위에서 측정합니다. 결과변수의 척도에 맞는 추정법을 선택합니다.
기제와 시간적 순서를 주장하려면 X → M → Y의 측정 시점과 설계를 계획합니다. 횡단 자료만으로 순서를 확인할 수 없습니다.
병렬매개: 여러 M이 별도 경로로 작용한다고 가정. 직렬매개: M1 → M2의 순서를 이론으로 뒷받침합니다.
미측정 교란, 측정오차와 표본의 군집을 검토하고 간접효과의 검정력을 고려합니다.

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. 단순매개모형 (X → M → Y)

연구문제 예 교육 참여는 자기효능감을 거쳐서 학습전이로 이어지는가?

매개변수 (M)
독립변수 (X)
종속변수 (Y)

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: 교육 참여는 자기효능감에 정(+)의 영향을 미칠 것이다.
H2: 자기효능감은 학습전이에 정(+)의 영향을 미칠 것이다.
H3: 교육 참여는 학습전이에 직접 영향을 미칠 것이다.
H4: 교육 참여는 자기효능감을 매개로 학습전이에 간접 영향을 미칠 것이다.

예시 분석 결과 읽기

H1, H2 지지: a와 b가 모두 유의합니다(p < .001).
H4 지지: 간접효과 .17의 부트스트랩 95% 신뢰구간 [.09, .27]이 0을 포함하지 않으므로 매개효과가 유의합니다.
H3 기각: M을 통제하면 직접효과 c′(.08)는 유의하지 않습니다(점선). 이 결과는 ‘교육 효과가 대부분 자기효능감을 통해 전달된다’는 해석과 맞지만, ‘완전매개’라는 표현은 이론과 함께 신중히 씁니다.

이렇게 읽습니다 X가 Y에 이르는 길을 직접 경로(c′)와 M을 거치는 간접 경로(a×b)로 나눕니다. H4는 간접효과의 부트스트랩 신뢰구간이 0을 포함하지 않는지로 검정합니다.

모형 2. 직렬다중매개모형 (X → M1 → M2 → Y)

연구문제 예 교육 참여는 자기효능감을 높이고, 그것이 전이동기를 높여서 현업 적용으로 이어지는가?

매개변수 1 (M1)
매개변수 2 (M2)
독립변수 (X)
종속변수 (Y)

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~H3: 교육 참여 → 자기효능감 → 전이동기 → 현업 적용의 각 경로는 정(+)일 것이다.
H4~H5: 교육 참여는 전이동기로, 자기효능감은 현업 적용으로도 각각 영향을 미칠 것이다.
H6: 교육 참여는 현업 적용에 직접 영향을 미칠 것이다.
H7: 교육 참여→자기효능감→전이동기→현업 적용의 직렬 간접효과가 유의할 것이다.

예시 분석 결과 읽기

H1~H3 지지: 직렬 사슬의 세 경로가 모두 유의합니다.
H4~H6 기각: 사슬 밖의 경로(점선)는 유의하지 않습니다.
H7 지지: 직렬 간접효과(.42 × .51 × .36 ≈ .08)의 95% 신뢰구간 [.04, .13]이 0을 포함하지 않습니다. 즉, 효과는 ‘자기효능감 → 전이동기’의 순서로 전달됩니다.

이렇게 읽습니다 M이 순서대로 놓인 모형입니다. 경로가 많으므로 이론적 시간 순서가 분명해야 합니다. 간접효과는 경로별로 따로 부트스트랩 신뢰구간을 확인합니다.

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: Li, L., Gao, H., & Xu, Y. (2020).

04 · 제시하고 싶은 결과

분석 후 무엇을 보여 줄 수 있나요?

결과와 직접 연결되는 부분과 중간 과정을 거쳐 연결되는 부분을 경로 그림으로 보여 줍니다.
경로별 간접효과와 신뢰구간: 어떤 경유 관계가 자료와 부합하는가
다중매개 경로 간 비교: 병렬 경로의 차이 또는 직렬 경로의 추정

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. 경로계수와 간접효과의 신뢰구간

a, b, c′, 간접효과(a×b), 총효과(c)를 부트스트랩 95% 신뢰구간과 함께 한 그림에 제시합니다.

이렇게 읽습니다 간접효과 a×b의 신뢰구간이 0을 포함하지 않으면 매개효과가 유의합니다. 직접효과 c′의 구간은 0을 포함해 유의하지 않고, 총효과 c(.25)는 c′(.08)와 간접효과(.17)의 합입니다.

결과 그림 2. 총효과의 분해

총효과를 직접효과와 간접효과로 나누어 매개가 효과의 얼마나 큰 몫을 설명하는지 보여 줍니다.

이렇게 읽습니다 총효과 .25 중 간접효과가 .17(약 68%), 직접효과가 .08(약 32%)입니다. 매개 비율은 총효과가 작을 때 불안정하므로 신뢰구간과 함께 제시합니다.

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

05 · 궁극적으로 밝힐 것

내가 끝까지 답하고 싶은 질문과 맞나요?

“왜 그런 관계가 나타나는지, 중간의 어떤 경로를 거치는지 설명하고 싶다.”

이 질문에 답하는 분석 구조

X → M → Y 구조에서 X가 중간 변수 M을 거쳐 Y로 전달되는 간접효과(a×b)와 M을 통제한 직접효과(c′)를 나누어 추정합니다.

왜 하나요? ‘X가 왜(어떤 과정을 거쳐) Y로 이어지는가’를 알고 싶을 때. X와 Y가 관련된다는 사실을 넘어 중간 기제가 있는지 확인하기 위해 합니다.

알고 싶은 내용이 다르다면, 아래 방법은 이렇게 다른 질문에 답합니다

다중회귀분석 (Multiple Regression): 분석 구조 결과변수(Y) 하나를 여러 설명변수(X1, X2, X3…)와 통제변수로 동시에 설명하는 회귀모형 Y = b0 + b1X1 + b2X2 + …을 추정하고, 각 X의 고유한 회귀계수와 모형의 설명력(R²)을 봅니다.이럴 때 선택 ‘여러 요인 중 무엇이 결과와 따로 관련되는가’를 알고 싶을 때. 요인끼리 서로 겹치는 부분을 통제하고 각 요인의 고유한 관련을 나누어 보기 위해 합니다.
조절된 매개효과 (Moderated Mediation): 분석 구조 X → M → Y 간접효과를 구하되, 그 경로(a 또는 b)가 조절변수 W에 따라 달라지는 조건부 간접효과와 조절된 매개 지수를 추정합니다.이럴 때 선택 ‘이 중간 과정이 모든 사람에게 같은가, 아니면 어떤 조건에서만 작동하는가’를 알고 싶을 때. 매개와 조절을 한 모형에서 함께 검증하기 위해 합니다.
구조방정식모형 (Structural Equation Modeling, SEM): 분석 구조 여러 문항으로 잰 잠재변수를 측정모형(요인분석)으로 나타내고, 그 잠재변수들 사이의 구조 경로를 한 번에 추정해 모형 전체 적합도를 평가합니다.이럴 때 선택 ‘직접 잴 수 없는 개념들이 서로 어떻게 연결되는가’를 알고 싶을 때. 측정오차를 반영해 개념 간 관계를 추정하고 이론 모형 전체가 자료와 맞는지 보려고 합니다.

06 · 분석 순서

분석은 어떤 순서로 진행하나요?

사용 도구 SPSS + PROCESS macro(Hayes; Model 4, 6 등) 기준 (R lavaan·Mplus로도 가능).

기준의 출처 Hayes(2022), Preacher·Hayes(2008), MacKinnon(2008), Zhao 외(2010), Fritz·MacKinnon(2007), Tabachnick·Fidell(2019).

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. 매개분석은 a·b 경로의 곱을 검정하므로 Fritz & MacKinnon(2007)의 표를 참고합니다.
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. a·b 경로가 모두 중간 크기일 때 부트스트랩 검정에 대략 70~80명, 작은 크기면 400명 이상이 필요하다는 안내가 있습니다. 간접효과는 검정력이 낮기 쉬워 표본을 넉넉히 잡습니다.
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.
이론적 모형과 시간 순서 정의
어떻게 하나요
X(독립), M(매개), Y(종속)와 통제변수를 이론으로 정하고 X → M → Y의 시간 순서를 설명합니다. 직렬매개면 M1 → M2 순서, 병렬매개면 M들이 독립적임을 설명합니다. 가능하면 X, M, Y를 서로 다른 시점에 측정합니다.
확인할 값과 해석 기준
각 경로에 이론적·선행연구 근거가 있어야 합니다. Baron & Kenny의 단계적 4단계(총효과가 유의해야 한다는 조건 포함)는 검정력이 낮아 현재는 간접효과 자체의 부트스트랩 검정을 권합니다(Hayes, 2022; Zhao et al., 2010).
왜 하고, 무엇을 알 수 있나요
매개효과가 ‘왜, 어떤 과정을 거쳐’라는 질문에 답할 이론적 근거를 마련합니다.
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.
공통방법편향(동일방법편의) 점검
어떻게 하나요
같은 사람이 같은 시점에 같은 설문으로 모든 변수에 답한 자료라면 공통방법편향을 점검합니다. (1) 설계 단계: 측정 시점·출처 분리, 응답 익명성 보장, 문항 순서 조정. (2) 분석 단계: Harman의 단일요인 검정이나 CFA에서 ‘공통방법요인’을 추가한 모형 비교.
확인할 값과 해석 기준
Harman 검정은 모든 문항을 한 번에 요인분석했을 때 첫 요인이 전체 분산의 50% 미만이면 문제가 작다고 보지만 민감도가 낮다는 비판이 있어 CFA 방법요인 비교나 VIF(전체 공선성 VIF < 3.3) 같은 보조 근거를 함께 쓰기도 합니다. 한 가지 검정만으로 ‘편향이 없다’고 단정하지 않습니다.
왜 하고, 무엇을 알 수 있나요
상관과 회귀계수가 실제 관계보다 같은 방식으로 응답한 탓에 부풀려졌을 가능성을 가늠할 수 있습니다(Podsakoff et al., 2003).
상관분석: 변수 간 관계의 방향·크기와 중복 확인
어떻게 하나요
[분석 > 상관분석 > 이변량 상관계수]에서 모형에 넣을 모든 변수(통제변수 포함)를 한 번에 투입해 Pearson 상관행렬을 구합니다. 순서형이거나 분포가 크게 치우치면 Spearman을 씁니다. 평균·표준편차·신뢰도(α)·상관을 한 표에 정리합니다.
확인할 값과 해석 기준
부호는 방향, 절댓값은 크기입니다(참고치 |r| .10 작음·.30 중간·.50 큼). 설명변수끼리 |r| ≥ .80~.85이면 다중공선성을 의심합니다. 이론이 예측한 방향과 다르거나 지나치게 높은 상관(.90 이상)은 변수가 사실상 같은 개념을 재는 것은 아닌지 확인합니다. 상관은 선형 관계만 보여 주므로 산점도도 함께 봅니다.
왜 하고, 무엇을 알 수 있나요
어떤 변수가 함께 움직이는지, 변수끼리 겹치거나 이상한 패턴은 없는지 모형을 돌리기 전에 살핍니다. 상관이 원인을 뜻하지는 않습니다.
회귀 기본 가정 점검 (선형성·독립성·등분산성·잔차 정규성·다중공선성)
어떻게 하나요
PROCESS 내부의 두 회귀식(M ← X, Y ← X + M)에 대해 SPSS 선형 회귀로 잔차 도표, Durbin-Watson, VIF를 확인합니다.
확인할 값과 해석 기준
기준은 VIF 5(엄격) 또는 10(느슨) 미만, 공차 .20 또는 .10 초과입니다. X와 M의 상관이 매우 높으면(|r| ≥ .80) b 경로 추정이 불안정해지고 서로의 효과를 가립니다. 등분산이 어긋나면 PROCESS의 HC3 강건 표준오차 옵션을 씁니다.
왜 하고, 무엇을 알 수 있나요
매개모형의 회귀계수와 표준오차를 믿어도 되는지 점검합니다.
PROCESS로 모형 지정과 부트스트랩 설정
어떻게 하나요
단순·병렬매개는 Model 4, 직렬매개는 Model 6을 선택해 Y, X, M(들), 공변량을 지정합니다. 부트스트랩은 5,000회 이상, 신뢰구간 수준 95%로 하고, 필요하면 ‘효과 크기’와 ‘간접효과 대비(contrast)’ 옵션을 켭니다. 결과에서 X의 계수가 다중범주면 ‘mcx’ 옵션을 사용합니다.
확인할 값과 해석 기준
평균중심화는 필수가 아니지만 해석을 위해 할 수 있습니다. 부트스트랩 시드를 고정하고 기록하면 재현할 수 있습니다.
왜 하고, 무엇을 알 수 있나요
이론으로 세운 경로를 통계 모형으로 옮겨 실행합니다.
각 경로(a, b, c′, c) 확인
어떻게 하나요
출력에서 X → M(a), M → Y(b, X 통제), 직접효과(c′), 총효과(c)의 비표준화 계수·표준오차·t·p·신뢰구간을 읽습니다.
확인할 값과 해석 기준
a와 b가 의미 있는 크기와 이론이 예측한 방향이어야 간접경로가 성립합니다. 총효과 c가 유의하지 않아도 간접효과를 검토할 수 있지만 이론적 근거를 함께 제시합니다. 총효과 = 직접효과 + 간접효과(c = c′ + ab)의 항등식이 맞는지 확인합니다.
왜 하고, 무엇을 알 수 있나요
X가 M을 얼마나 바꾸는지, M이 Y를 얼마나 바꾸는지, M을 통제한 뒤에 남는 직접 관련은 얼마인지 봅니다.
간접효과(a×b) 검정: 부트스트랩 신뢰구간
어떻게 하나요
‘Indirect effect(s)’ 표에서 추정치와 부트스트랩 95% 신뢰구간(BootLLCI~BootULCI)을 읽습니다.
확인할 값과 해석 기준
신뢰구간이 0을 포함하지 않으면 간접효과가 유의합니다. 간접효과의 표집분포는 비대칭이라 정규분포를 가정하는 Sobel 검정보다 부트스트랩이 적절합니다. 직렬·병렬 매개는 경로별 특정 간접효과와 총 간접효과를 각각 읽습니다.
왜 하고, 무엇을 알 수 있나요
‘X가 M을 거쳐 Y로 이어지는 몫’이 통계적으로 있는지 봅니다. 교육 효과가 어떤 심리적 기제로 전달되는가에 답하는 결과입니다.
효과 크기와 간접효과의 비교
어떻게 하나요
완전표준화 간접효과, 표준화 간접효과, 총효과 대비 비율(PM = ab/c)을 계산하고, 두 개 이상 간접효과의 차이는 ‘contrast’ 옵션으로 직접 검정합니다.
확인할 값과 해석 기준
Cohen의 기준(작음·중간·큼)은 표준화 계수에 관습적으로 적용합니다. PM은 c가 작으면 불안정하니 신뢰구간을 같이 봅니다. 둘 다 유의하다고 해서 두 간접효과가 서로 다르다고 말할 수는 없습니다. ‘완전매개·부분매개’라는 표현은 직접효과의 유의성만 보고 쓰지 말고 신중하게 씁니다.
왜 하고, 무엇을 알 수 있나요
여러 중간 경로 가운데 어느 쪽이 더 큰 몫을 하는지 비교합니다.
대안 모형과 인과 해석의 한계 점검
어떻게 하나요
M과 Y의 순서를 바꾼 역방향 모형, 공변량을 바꾼 모형을 함께 돌려 비교합니다. 가능하면 종단 자료(X는 1시점, M은 2시점, Y는 3시점)로 재검증합니다.
확인할 값과 해석 기준
횡단 자료로는 시간 순서와 인과 방향을 확정할 수 없고, 빠뜨린 교란변수와 측정오차도 간접효과를 왜곡할 수 있습니다. 이 한계는 논문에 꼭 적습니다.
왜 하고, 무엇을 알 수 있나요
매개 결과를 ‘경로 후보’로 어디까지 말할 수 있는지 정합니다.
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. 경로 그림에 계수와 신뢰구간을 적고, 부트스트랩 횟수·신뢰구간 방식·공변량·PROCESS 버전을 밝힙니다.
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 · HRD

교육이 학습전이로 이어지는 경로

연구목적

교육 참여와 현업 적용의 관계를 자기효능감과 전이동기로 설명합니다.

알고 싶은 것

교육 참여가 자기효능감을 거쳐 전이동기, 이후 학습전이와 연결되는가?

사용할 자료

교육 참여·사전 수준
교육 직후 자기효능감
이후 전이동기
후속 현업 적용

방법을 적용하는 방식

직렬매개 X → M1 → M2 → Y를 이론과 시점에 맞춰 추정하고 특정 간접효과의 신뢰구간을 확인합니다.

제시할 결과

교육 → 자기효능감 → 전이동기 → 전이의 경로 그림
각 특정 간접효과와 신뢰구간
직접효과를 제시합니다

이 사례에서 밝힐 수 있는 것

직렬과 병렬 모형은 다른 질문입니다. 시간적으로 구분된 관찰자료도 교란 통제가 부족하면 인과를 확정할 수 없습니다.

사례 2 · 학습분석

대시보드와 자기조절학습의 병렬 경로

연구목적

학습 대시보드 제공과 성취의 관계에 목표설정과 자기점검이 각각 기여하는지 봅니다.

알고 싶은 것

대시보드 제공이 목표설정과 자기점검을 각각 거쳐 후속 성취와 연결되는가?

사용할 자료

대시보드 제공 조건
사전성취
활동 중 목표설정·자기점검 측정
사후시험

방법을 적용하는 방식

목표설정과 자기점검의 병렬매개를 추정하고 두 특정 간접효과를 비교합니다. 제공 조건을 무작위 배정하더라도 매개변수의 교란은 별도로 검토합니다.

제시할 결과

목표설정 경로와 자기점검 경로의 특정 간접효과·신뢰구간 및 두 경로의 직접 차이 검정을 제시합니다

이 사례에서 밝힐 수 있는 것

매개변수 두 개를 한꺼번에 넣은 모형에서 각각의 경로가 무엇을 뜻하는지 설명할 수 있어야 합니다.

08 · 해석 범위

이 결과로 어디까지 말할 수 있을까요?

총효과가 유의해야만 간접효과를 검정할 수 있는 것은 아닙니다.
두 매개변수를 넣었다는 이유만으로 직렬 순서를 정할 수 없습니다.
통계적 간접효과는 연구설계가 뒷받침하지 않는 인과 기제를 입증하지 않습니다.

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
Preacher, K. J., & Hayes, A. F. (2008). Asymptotic and resampling strategies for assessing and comparing indirect effects in multiple mediator models. Behavior Research Methods, 40(3), 879-891.
읽을 초점 여러 매개변수의 특정 간접효과를 추정하고 서로 비교하는 절차와 불확실성 추론을 읽어 보세요.
DOI: 10.3758/brm.40.3.879 · ISSN: 1554-351X / 1554-3528
교수님 Research listKCI
하선민, 박은실, 주홍주, 김다현, 송지훈 (2024). 직무과부하와 정서적 소진 간의 관계: 조직기반 자아존중감과 일의 의미의 직렬다중매개효과. 기업교육과 인재연구, 26(1), 75-102. https://doi.org/10.46260/kslp.26.1.3
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
류수민, & Yoo, T.-Y. (2015). The Effect of Role Stress on Organizational Commitment: The Mediating Effect of Psychological Contract Breach and Moderating Effect of Resilience. 한국심리학회지: 산업 및 조직, 28(4), 723-747.
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: 10.24230/ksiop.28.4.201511.723 · Crossref 인용 수 7회 (2026-11-02 확인)
적용 논문SSCI
Li, L., Gao, H., & Xu, Y. (2020). The mediating and buffering effect of academic self-efficacy on the relationship between smartphone addiction and academic procrastination. Computers & Education, 159, 104001.
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.compedu.2020.104001 · Crossref 인용 수 145회 (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. 관계를 설명하는 중간 과정

2. X·M·Y의 역할과 시간 순서

3. 여러 매개변수의 경로 구분

4. 직접효과와 특정 간접효과

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. 단순매개모형 (X → M → Y)

가설

예시 분석 결과 읽기

모형 2. 직렬다중매개모형 (X → M1 → M2 → Y)

가설

예시 분석 결과 읽기

분석 후 무엇을 보여 줄 수 있나요?

결과는 이렇게 제시합니다 (예시)

결과 그림 1. 경로계수와 간접효과의 신뢰구간

결과 그림 2. 총효과의 분해

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?

연구설계와 표본 크기(검정력) 계획

이론적 모형과 시간 순서 정의

변수 정의, 척도 점수 계산, 역채점·더미 코딩

결측치 확인과 처리

이상값(극단값) 점검

기술통계와 분포(정규성) 확인

척도 신뢰도 확인 (Cronbach α)

공통방법편향(동일방법편의) 점검

상관분석: 변수 간 관계의 방향·크기와 중복 확인

회귀 기본 가정 점검 (선형성·독립성·등분산성·잔차 정규성·다중공선성)

PROCESS로 모형 지정과 부트스트랩 설정

각 경로(a, b, c′, c) 확인

간접효과(a×b) 검정: 부트스트랩 신뢰구간

효과 크기와 간접효과의 비교

대안 모형과 인과 해석의 한계 점검

결과 정리와 보고

사례를 통해 내 연구에 어떻게 적용할지 살펴보세요

교육이 학습전이로 이어지는 경로

대시보드와 자기조절학습의 병렬 경로

이 결과로 어디까지 말할 수 있을까요?

이 방법의 선택 조건을 스스로 확인해 보세요

함께 비교하면 좋은 방법

이 방법을 이해하는 추천 연구논문