조절효과 (Moderation, 이중조절 포함)

같은 피드백도 모든 학습자에게 똑같이 작용하지는 않을 수 있습니다. 어떤 사람이나 환경에서 X와 Y의 관계가 더 강하거나 약해지는지 궁금하다면 조절효과를 검토합니다.

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

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.

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: Joo, B.-K. (Brian), & Shim, J. H. (2010).

1. 관계가 어떤 조건에서 얼마나 달라지는지 비교표나 그림으로 보여 줍니다.
2. 조건별 기울기 그림: 어떤 조건에서 관계가 더 강하거나 약한가
3. 이중조절의 기울기 차이: X×W 관계가 Z에 따라 다시 변하는가

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)

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

사용 도구 SPSS 위계적 회귀 또는 PROCESS macro(Model 1, 이중조절 Model 3) 기준.

기준의 출처 Aiken·West(1991), Cohen 외(2003), Hayes(2022), Aguinis 외(2005), Dawson(2014), Johnson·Neyman(1936), Tabachnick·Fidell(2019).

1. 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. 상호작용 효과는 작아 검정력이 낮기 쉬우므로 상호작용항 검정을 기준으로 계산합니다.

   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. 상호작용의 f²는 주효과보다 훨씬 작은 경우가 많아(Aguinis et al., 2005) 일반 회귀의 최소 표본보다 넉넉히 잡습니다. 범주형 조절변수는 집단별 표본이 고르게 확보되어야 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.

2. 이론적 모형 정의 (X, 조절변수 W, Y)

   어떻게 하나요

   관계가 ‘어떤 조건에서’ 강해지거나 약해지는지 방향까지 이론으로 미리 정합니다. W가 X를 바꾸는지(조절), X와 W가 모두 Y에 독립적으로 영향을 주는지(주효과)를 구분합니다.

   확인할 값과 해석 기준

   조절변수는 X와 가능하면 무상관이거나 시간상 먼저인 변수가 이상적입니다. 결과를 본 뒤 조절변수를 찾는 탐색은 우연한 결과를 만들기 쉽습니다.

   왜 하고, 무엇을 알 수 있나요

   ‘누구에게, 어떤 상황에서’ 효과가 달라지는가라는 질문을 분명히 합니다.

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. 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.

6. 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.

7. 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.

8. 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).

9. 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.

10. 평균중심화와 범주형 조절변수 코딩

    어떻게 하나요

    [변환 > 변수 계산]으로 연속형 X와 W에서 각자의 평균을 뺀 중심화 변수를 만들고 중심화 변수로 곱셈항(X×W)을 만듭니다. 범주형 W는 0/1 더미(또는 효과 코딩)로 코딩합니다.

    확인할 값과 해석 기준

    중심화 후 평균이 0에 가까운지 확인합니다. 중심화는 주효과를 평균 수준에서 해석하게 해 주고 곱셈항과 주효과 사이의 비본질적 공선성(VIF)을 줄이지만 상호작용 계수의 값과 유의성은 바꾸지 않습니다. 표준화(z)도 가능하나 단순기울기 해석 단위가 바뀝니다.

    왜 하고, 무엇을 알 수 있나요

    ‘W가 평균인 사람에서의 X 효과’처럼 주효과를 의미 있는 값으로 읽게 됩니다.

11. 회귀 가정과 다중공선성 점검

    어떻게 하나요

    곱셈항을 포함한 최종 모형에서 선형성, 독립성(Durbin-Watson), 등분산성, 잔차 정규성, VIF, 영향점(Cook의 D)을 확인합니다.

    확인할 값과 해석 기준

    중심화 전에는 곱셈항과 주효과 변수의 VIF가 매우 높게 나오는데, 이건 정상입니다. 중심화 후 VIF가 10(엄격히 5) 미만이면 됩니다. 상호작용 모형에는 이분산이 흔하니 HC3 강건 표준오차도 같이 돌려 봅니다.

    왜 하고, 무엇을 알 수 있나요

    상호작용 계수와 단순기울기 검정을 믿어도 되는지 점검합니다.

12. 상호작용항 투입과 유의성 검정

    어떻게 하나요

    위계적 회귀에서 블록 1에 통제변수·X·W, 블록 2에 X×W를 넣습니다. PROCESS Model 1은 같은 모형을 한 번에 실행합니다.

    확인할 값과 해석 기준

    블록 2의 ΔR²와 ΔF가 유의하고 X×W 계수의 p < .05(신뢰구간이 0을 포함하지 않음)이면 조절효과가 있다고 봅니다. 상호작용항을 넣을 때는 반드시 구성 변수(X, W)도 모형에 함께 둡니다. ΔR²를 f² = ΔR² ÷ (1 − R²)로 환산해 효과 크기를 보고합니다.

    왜 하고, 무엇을 알 수 있나요

    X와 Y의 관계가 W의 수준에 따라 달라지는지 답합니다.

13. 단순기울기 분석 (조건별 효과)

    어떻게 하나요

    W가 평균 −1SD, 평균, 평균 +1SD일 때(또는 16·50·84 백분위수) X가 Y에 미치는 조건부 효과와 신뢰구간·p를 구합니다. PROCESS는 자동 출력하며 위계적 회귀는 W를 ±1SD로 다시 중심화해 반복 실행합니다.

    확인할 값과 해석 기준

    각 조건의 기울기가 유의한지를 보고 ‘어느 조건에서 X의 효과가 나타나는지’ 해석합니다. 기울기들의 차이 자체는 이미 상호작용 계수에서 검정했습니다. 조절변수가 이분형이면 두 집단의 기울기를 직접 구합니다.

    왜 하고, 무엇을 알 수 있나요

    ‘상사 지원이 높을 때만 교육이 전이로 이어진다’처럼 효과가 나타나는 조건을 구체적으로 말할 수 있습니다.

14. Johnson–Neyman 구간과 상호작용 그림

    어떻게 하나요

    PROCESS의 Johnson–Neyman 출력으로 X의 효과가 유의해지는 W의 경계값을 구하고 단순기울기 그림을 그립니다.

    확인할 값과 해석 기준

    경계값이 W의 실제 관측 범위 안에 있는지 확인하고 범위 밖은 외삽하지 않습니다. 그림은 X와 Y의 실제 단위로 그리고 축의 범위를 정직하게 둡니다. 교차형(기울기 방향 바뀜)과 비교차형을 구분해 서술합니다.

    왜 하고, 무엇을 알 수 있나요

    조절변수가 몇 점부터 효과가 의미 있게 달라지는지 기준값을 얻습니다.

15. 이중조절(X×W×Z)이 있는 경우

    어떻게 하나요

    PROCESS Model 3이나 회귀에 X×W, X×Z, W×Z, X×W×Z를 모두 투입합니다.

    확인할 값과 해석 기준

    삼원 상호작용 항이 유의할 때만 W·Z 조합별 단순기울기를 구해 기울기 차이를 검정합니다. 하위 이원 상호작용을 빼면 해석이 틀어지며, 표본이 더 많이 필요합니다.

    왜 하고, 무엇을 알 수 있나요

    두 조건이 함께 작용할 때 관계가 어떻게 달라지는지 봅니다.

16. 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. 상호작용 그림과 조건별 효과표를 함께 제시하고 중심화 여부를 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.

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

• 한 집단에서 유의하고 다른 집단에서 유의하지 않다는 사실만으로 집단 차이를 주장할 수 없습니다.
• 조절변수가 두 개라는 말이 항상 삼원 상호작용을 뜻하지는 않습니다. 연구가설로 모형을 먼저 정합니다.
• 중심화는 해석을 돕지만 상호작용 가설의 이론적 근거를 대신하지 않습니다.