다층분석 (Multilevel Analysis, HLM)

언제 쓰나요?

직원이 팀에, 학습자가 학급에, 반복 측정값이 사람에게 ‘묶여(중첩되어)’ 있어 같은 집단 안의 사람들이 서로 닮아 있을 때 사용합니다.
결과의 차이를 개인 수준과 집단 수준으로 나누어(ICC) 보고, 개인 수준 변수와 집단 수준 변수가 결과에 미치는 영향, 그리고 두 수준의 상호작용(교차수준 상호작용)을 한 모형에서 추정합니다.
일반 회귀는 관측이 서로 독립이라고 가정하므로 집단에 묶인 자료에 쓰면 표준오차가 작게 추정되어 유의하지 않은 효과를 유의하다고 판단하는 오류가 늘어납니다. 다층분석은 이를 바로잡습니다.
위계적 선형모형(HLM)은 관측변수의 점수로 효과를 추정하는 다층분석의 기본 방법이고, 다층 구조방정식모형(MSEM)은 잠재변수·다중 매개·측정오차를 다층 구조에서 함께 다루는 확장입니다. 둘 다 종단 자료(사람 안에 시점이 중첩)에도 쓰입니다.

예를 들면

교육을 이수한 직원 420명이 48개 팀에 속해 있고, 자기효능감과 학습전이는 개인이, 팀 학습문화는 팀 단위로 측정됩니다.
영모형에서 학습전이의 약 18%가 팀 간 차이임을 확인한 뒤 자기효능감과 팀 학습문화를 차례로 투입합니다.
자기효능감의 효과가 팀 학습문화가 높은 팀에서 더 큰지(교차수준 상호작용)를 검정해 그림으로 제시합니다.

선택할 때 확인할 점

먼저 영모형으로 ICC를 확인해 집단에 묶인 자료인지부터 판단하세요.
변수가 개인 수준인지 집단 수준인지, 어떻게 중심화할지를 분석 전에 정하세요.

다층분석 (Multilevel Analysis, HLM)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

중첩(nested) 구조와 수준: 개인이 팀에, 팀이 조직에 속하는 위계 구조입니다. 가장 낮은 단위를 수준 1(개인), 그 위를 수준 2(팀)라고 부릅니다. 시점이 사람에 중첩된 종단 자료도 같은 구조입니다.
비독립성과 ICC: 같은 집단의 구성원은 서로 닮아 관측이 독립이 아닙니다. ICC(1)는 결과의 전체 분산 중 집단 간 차이가 차지하는 비율로, 영모형에서 τ00/(τ00+σ²)로 계산합니다.
개인 내 효과와 집단 간 효과: 같은 변수가 개인 수준(같은 집단 안에서 개인이 평균보다 높을 때)과 집단 수준(집단 평균이 높을 때)에서 서로 다른 효과를 가질 수 있습니다. 집단평균 중심화로 두 효과를 구분합니다.

2. 설계와 절차

집합(aggregation)과 rwg·ICC(2): 구성원 응답을 평균해 집단 수준 변수를 만드는 것이 집합입니다. rwg는 집단 내 합의 정도(.70 이상 수용), ICC(2)는 집단 평균의 신뢰도(.70 이상 수용)로 집합이 정당한지 판단합니다.
중심화(centering): 예측변수에서 전체평균 또는 집단평균을 빼는 작업입니다. 집단평균 중심화는 순수한 개인 내 효과를, 전체평균 중심화는 집단 차이를 통제한 효과를 줍니다. 선택에 따라 계수의 의미가 달라집니다.
집단 수와 집단 크기: 다층분석에서는 개인 수보다 집단 수가 집단 수준 효과의 정확도를 좌우합니다. 집단 수가 너무 적으면 집단 수준 분산과 표준오차가 불안정합니다.

3. 분석과 결과

영모형과 임의절편·임의기울기: 영모형은 예측변수 없이 집단 간 분산만 추정한 기준 모형입니다. 임의절편은 집단마다 평균이 다름을, 임의기울기는 개인 수준 변수의 효과가 집단마다 다름을 허용합니다.
고정효과와 임의효과: 고정효과는 모든 집단에 공통인 평균적 효과(γ), 임의효과는 집단마다 다른 정도를 나타내는 분산 성분(τ)입니다.
교차수준 상호작용: 집단 수준 변수가 개인 수준 변수의 기울기를 바꾸는 효과입니다. 예를 들어 팀 학습문화(수준 2)가 자기효능감(수준 1)과 학습전이의 관계를 강하게 하는지를 봅니다.
REML과 ML, 우도비 검정: 분산 성분 추정에는 REML이 정확하고, 고정효과가 다른 모형을 비교할 때는 ML 기반의 −2 로그우도(deviance) 차이를 카이제곱으로 검정합니다. AIC·BIC도 비교에 씁니다.
HLM(위계적 선형모형): 관측변수의 점수를 가지고 수준 1 방정식과 수준 2 방정식으로 나누어 추정하는 다층분석입니다. 교차수준 상호작용과 임의기울기를 다루기에 편리하며, 종속변수는 수준 1에 있습니다.
MSEM(다층 구조방정식모형): 구조방정식을 다층 자료로 확장한 방법입니다. 같은 변수를 개인 내(within) 부분과 집단 간(between) 부분으로 나누어 잠재변수·매개·측정모형을 수준별로 따로 추정하며, 측정오차를 반영합니다.
잠재 집단평균(latent group mean): MSEM에서 관측된 집단 평균 대신 모형이 추정하는 집단 수준 값입니다. 집단 크기가 작고 구성원 간 변동이 크면 관측 평균에 오차가 크므로 잠재 집단평균이 편향을 줄입니다.

4. 해석과 보고

분산 설명 비율(pseudo R²): 예측변수를 넣은 뒤 수준별 분산이 영모형보다 얼마나 줄었는지(비율)로 설명력을 나타냅니다. 일반 회귀의 R²와 달리 수준마다 따로 계산합니다.
생태학적 오류: 집단 수준 자료의 관계를 개인 수준에도 그대로 성립한다고 해석하는 오류입니다. 반대로 개인 수준 결과를 집단에 적용하는 것은 원자적 오류입니다.

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

01 · 목적

언제, 어떤 목적으로 선택하나요?

같은 팀·학급 안의 사람들이 서로 닮아 있고, 개인 요인과 집단 요인이 결과에 미치는 영향을 구분하거나 두 수준이 만나는 효과를 알고 싶다면 다층분석을 검토합니다.

이 방법으로 답하는 연구 목적

팀 학습문화가 팀원의 학습전이에 영향을 주는지, 같은 개인 변수의 효과가 팀마다 다른지 볼 때, 학급 효과와 개인 효과를 나눠 보고 싶을 때 씁니다. 변량 분해(ICC), 개인·집단 수준의 고정효과, 임의 기울기, 교차수준 상호작용을 해석합니다.

대표 연구 질문

팀·학급에 묶인 개인의 자료에서 개인 요인과 집단 요인은 결과에 각각 얼마나 영향을 주는가?

필요한 변수·자료의 형태

분석 단위는 개인(수준 1)과 집단(수준 2)입니다. 종속변수는 보통 수준 1의 연속형 변수이고, 설명변수는 수준 1과 수준 2에 각각 속합니다. 종단 자료는 시점(수준 1)이 사람(수준 2)에 중첩됩니다.
집단 수준 변수는 집단 단위 측정값(예: 팀 규모) 또는 구성원 응답을 집단 평균으로 합성한 값(합성 구성개념)입니다. 후자는 집단 내 합의(rwg)와 ICC로 정당성을 확인합니다.
수준 1 변수를 전체평균 또는 집단평균으로 중심화할지, 집단평균을 수준 2 변수로 함께 넣을지를 이론에 따라 정합니다.

분석에서는 무엇을 하나요?

영모형으로 집단 간·집단 내 분산과 ICC를 구하고, 수준 1 변수 → 임의 기울기 → 수준 2 변수 → 교차수준 상호작용 순서로 모형을 쌓으며 우도비 검정과 AIC·BIC로 비교합니다.
고정효과는 계수·표준오차·p로, 임의효과는 분산 성분으로 해석하고, 분산 감소율(pseudo R²)로 설명력을 제시합니다.
교차수준 상호작용은 집단 수준 변수의 높은·낮은 수준(±1SD)에서 단순기울기를 구해 그림으로 나타냅니다.

결과를 어떻게 해석하나요?

수준별 표본 수, ICC, 중심화 방식, 추정법(REML/ML), 고정효과·임의효과 표, 모형 비교, 분산 설명 비율을 함께 보고합니다.
ICC가 크다는 것은 결과의 차이 중 집단에서 나온 비중이 크다는 뜻이지 집단 효과의 원인을 설명하지는 않습니다. 집단 수준 효과의 인과 해석은 설계에 달려 있습니다.
개인 수준의 결과를 집단 수준으로, 집단 수준의 결과를 개인 수준으로 그대로 일반화하지 않습니다(생태학적 오류·원자적 오류).

이런 상황이면 이 분석을 고려하세요

1. 자료가 집단에 중첩됨

직원이 팀에, 학습자가 학급에, 반복 측정값이 사람에게 속하는 구조처럼 관측이 서로 독립이 아닐 때입니다. ICC로 집단 효과의 크기를 확인합니다.

2. 수준별 효과를 구분

개인의 특성과 소속 집단의 특성이 결과에 각각 얼마나 영향을 주는지, 같은 변수의 개인 내 효과와 집단 간 효과가 다른지 알고 싶은 경우입니다.

3. 교차수준 상호작용

개인 수준 변수의 효과가 팀 문화·상사 같은 집단 수준 변수에 따라 달라지는지(예: 팀 학습문화가 높을 때 자기효능감의 효과가 더 큼)를 검정하려는 경우입니다.

4. HLM과 MSEM 중 무엇을 쓸까

개인·집단 변수가 관측 점수이고 질문이 ‘수준별 직접효과와 교차수준 상호작용’이면 HLM이 간단하고 널리 쓰입니다. 잠재변수(여러 문항)를 쓰거나 집단 수준 원인이 개인 수준 매개를 거치는 다층 매개, 수준별 측정오차·측정 구조를 검증하려면 MSEM(예: Mplus의 TYPE = TWOLEVEL)을 선택합니다. MSEM은 집단이 100개 안팎 이상 필요해 표본 요구가 더 큽니다.

5. 집단 수와 표본 구조 충족

수준 2 단위(집단)가 충분해야 하고(대략 30개 이상, 교차수준 상호작용은 50개 이상 권장), 집단당 구성원 수가 너무 적지 않아야 합니다.

어떤 질문이면 다른 방법을 비교해야 하나요?

다중회귀분석 (Multiple Regression): 자료가 집단에 묶여 있지 않고 관측이 독립이면 일반 회귀가 더 간단합니다. 집단에 묶이면 회귀의 표준오차가 과소추정되므로 다층분석을 씁니다.
다집단 분석 (Multigroup Analysis): 소수의 이미 알려진 집단(정규직/비정규직)의 경로 차이를 비교하려면 다집단 분석을, 집단을 모집단에서 뽑은 표본으로 보고 집단 간 변동을 모형화하려면 다층분석을 선택합니다.

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?

개인(수준 1)이 팀(수준 2)에 중첩된 자료에서 결과의 분산을 집단 내와 집단 간으로 나누고, 수준 1 변수의 효과(고정효과)와 그 효과가 집단마다 달라지는 정도(임의기울기), 그리고 수준 2 변수가 평균과 기울기에 미치는 영향을 한 모형에서 추정하는 구조입니다.

분석 구조 한눈에 보기

수준 2 (팀 j = 1 … J): 팀 학습문화 ──→ ① 팀 평균 결과(절편) ──→ ② 개인 효과의 크기(기울기)
수준 1 (개인 i, 팀 j): 자기효능감 ───────→ 학습전이
→ 영모형(ICC) → 수준 1 변수 → 임의기울기 → 수준 2 변수 → 교차수준 상호작용

식으로 보면

수준 1: Y_ij = β0j + β1j·(자기효능감_ij) + r_ij
수준 2: β0j = γ00 + γ01·(팀 학습문화_j) + u0j, β1j = γ10 + γ11·(팀 학습문화_j) + u1j
ICC = τ00 / (τ00 + σ²), DEFF = 1 + (평균 집단 크기 − 1) × ICC

필요한 변수와 역할

역할	무엇인가요	예시	형태
결과변수(Y)	수준 1의 종속변수. 개인(또는 시점)마다 측정	학습전이 점수	연속형
수준 1 설명변수	개인 수준 변수. 집단평균 또는 전체평균 중심화	자기효능감	연속형(중심화)
수준 2 설명변수	집단 수준 변수. 같은 팀의 모든 구성원에게 같은 값	팀 학습문화, 팀 규모	연속형·범주
집단 ID	각 개인이 속한 집단을 알려 주는 열(중첩 구조의 핵심)	T01~T48	고유 코드
임의효과	집단마다 다른 정도(분산). 절편·기울기에 각각 허용	τ00(절편 분산), τ11(기울기 분산)	분산 성분

분석용 자료 파일은 이렇게 만듭니다

ID	팀ID(수준 2)	efficacy_c(수준 1)	transfer(Y)	culture(수준 2)	teamsize
A01	T01	0.45	3.9	4.2	9
A02	T01	-0.30	3.4	4.2	9
B01	T02	0.10	3.2	3.1	7

예시 값입니다(실제 자료가 아님). 한 행은 한 사람의 응답입니다.

자료 파일을 만들 때 지킬 규칙

한 행에 한 사람, 집단 ID 열(팀ID)을 추가하고 수준 2 변수(culture, teamsize)는 같은 팀의 모든 행에 같은 값을 입력합니다.
집단 ID는 오타·중복 없이 일관되게 입력하고, 집단별 구성원 수의 분포(최소·평균·최대)를 확인합니다.
수준 1 변수를 집단평균 중심화하면 집단평균(variable_mean)을 따로 열로 만들어 수준 2 변수로 함께 투입할 수 있습니다.
집단 평균으로 만든 수준 2 변수(culture)는 rwg와 ICC(2)로 집합의 정당성을 확인한 뒤 사용합니다.
종단 자료는 사람×시점을 한 행으로 하는 긴 형식(person-period)으로 만들고 사람 ID를 집단 ID로 씁니다.

분석 프로그램에서 이렇게 설정합니다

SPSS: [분석 > 혼합 모형 > 선형]에서 주체에 팀ID, 종속변수 transfer, 공변량 efficacy_c·culture, 고정효과에 efficacy_c, culture, efficacy_c*culture를 넣고 임의 효과에 절편(과 efficacy_c)을 지정합니다. 추정은 모형 비교에는 ML, 최종 모형에는 REML.
R lme4: library(lme4); library(lmerTest); null <- lmer(transfer ~ 1 + (1 | team), data = d); m3 <- lmer(transfer ~ efficacy_c * culture + (1 + efficacy_c | team), data = d, REML = FALSE); anova(null, m3); performance::icc(null)
ICC는 영모형 분산에서 τ00/(τ00+σ²)로 계산하고 R의 performance::icc()나 SPSS의 분산 성분으로 확인합니다. 단순기울기는 emmeans::emtrends() 또는 interactions::sim_slopes()로 구합니다.
HLM 8 소프트웨어는 수준 1·수준 2 파일을 각각 만들고 방정식 창에서 모형을 단계별로 지정합니다.

자료 조건과 주의점

각 개인(수준 1)이 어떤 집단(수준 2)에 속하는지를 나타내는 집단 ID와, 수준 1 변수·수준 2 변수. 수준 2 변수는 같은 집단의 모든 구성원에게 같은 값을 입력합니다.
집단 수(수준 2 단위)가 충분해야 합니다. 개인이 많아도 집단이 적으면 집단 수준 효과의 추정이 불안정합니다.
집단 수준 구성개념(팀 학습문화 등)을 구성원 응답의 평균으로 만들 때는 구성원 사이의 합의(rwg)와 ICC로 집합이 정당한지 확인합니다.
수준 1 예측변수를 어떻게 중심화(집단평균/전체평균)하는지에 따라 계수의 의미가 달라지므로 연구 질문에 맞게 정합니다.

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. HLM 교차수준 모형 (수준 2 변수가 평균과 기울기를 설명)

연구문제 예 팀 학습문화가 높은 팀의 팀원은 학습전이가 높은가? 자기효능감이 학습전이로 이어지는 정도는 팀 학습문화에 따라 달라지는가?

수준 2 변수 (W, 조절·독립)
수준 1 독립변수 (X)
수준 1 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: 자기효능감이 높을수록 학습전이가 높을 것이다(수준 1).
H2: 팀 학습문화가 높은 팀일수록 팀원의 학습전이 평균이 높을 것이다(수준 2 → 절편).
H3: 팀 학습문화가 높을수록 자기효능감이 학습전이에 미치는 영향이 더 강해질 것이다(교차수준 상호작용, 수준 2 → 기울기).

예시 분석 결과 읽기

영모형에서 ICC = .18이므로 학습전이 점수 차이의 18%가 팀 간 차이입니다. 팀 단위를 무시하면 안 됩니다.
H1 지지(γ10 = .31, p < .001): 같은 팀 안에서 자기효능감이 높은 사람이 학습전이도 높습니다.
H2 지지(γ01 = .22, p < .01): 팀 학습문화가 1단위 높으면 팀 평균 학습전이가 .22 높습니다. 이 변수가 팀 간 분산의 43%를 설명합니다.
H3 지지(γ11 = .12, p < .05): 팀 학습문화가 높은 팀에서 자기효능감의 기울기가 더 가파릅니다(.31 → 학습문화 +1SD에서 .43, −1SD에서 .19).

이렇게 읽습니다 수준 2 변수가 수준 1의 평균(절편)과 효과의 크기(기울기)를 각각 설명하는 구조입니다. 개인 수준 화살표 안에 팀마다 다른 기울기(임의기울기)가 있고, 팀 학습문화가 그 차이를 설명합니다.

모형 2. MSEM 다층 매개모형 (수준 2 원인 → 수준 2 매개 → 결과, 2-1-1)

연구문제 예 팀 변혁적 리더십은 팀 평균 자기효능감을 거쳐 팀 평균 혁신행동을 높이는가? 같은 팀 안의 개인 수준 효과와 팀 간 효과는 같은가?

수준 2 매개변수 (M_B, 잠재)
수준 1 매개변수 (M_W)
수준 2 독립변수 (X_B)
수준 2 종속변수 (Y_B, 잠재)
수준 1 종속변수 (Y_W)

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: 팀 변혁적 리더십은 팀 평균 자기효능감을 높일 것이다(수준 2).
H2: 팀 평균 자기효능감은 팀 평균 혁신행동을 높일 것이다(수준 2).
H3: 팀 변혁적 리더십은 팀 평균 혁신행동에 직접 영향을 미칠 것이다.
H4: 같은 팀 안에서 자기효능감이 높은 개인은 혁신행동이 높을 것이다(수준 1).
H5: 팀 변혁적 리더십은 팀 평균 자기효능감을 매개로 팀 평균 혁신행동에 간접 영향을 미칠 것이다.

예시 분석 결과 읽기

H1, H2 지지: 팀 수준에서 a = .35(p < .01), b(between) = .52(p < .01)입니다.
H5 지지: 간접효과 a×b = .18의 몬테카를로 95% 신뢰구간 [.06, .33]이 0을 포함하지 않아 팀 수준 매개가 유의합니다. H3 기각: 직접효과 c′ = .08은 유의하지 않습니다(점선).
H4 지지: 팀 안에서도 개인 내 b(within) = .31(p < .001)이 유의합니다. 개인 내 효과(.31)와 팀 간 효과(.52)가 다르면 맥락 효과가 있다고 해석합니다.
적합도: CFI .97, RMSEA .04, SRMR(within) .03, SRMR(between) .07로 기준(SRMR ≤ .08)을 충족합니다(예시 값).

이렇게 읽습니다 MSEM은 같은 변수(자기효능감, 혁신행동)를 개인 내(within)와 팀 간(between) 부분으로 나누어 수준별로 따로 경로를 추정합니다. 위쪽 타원은 관측된 팀 평균이 아니라 모형이 추정한 잠재 집단평균이라 측정오차와 집단 크기의 영향을 줄입니다. 집단 수준 원인(X)의 효과는 between 수준에서만 해석합니다.

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: Hirst, G., Van Knippenberg, D., & Zhou, J. (2009).

04 · 제시하고 싶은 결과

분석 후 무엇을 보여 줄 수 있나요?

결과의 차이가 개인과 집단 중 어디에서 얼마나 나오는지(ICC), 개인 수준과 집단 수준 변수의 효과, 두 수준의 상호작용을 표와 그림으로 보여 줍니다.
수준별 고정효과 표: 개인 수준과 집단 수준 변수가 결과를 설명하는지
임의효과(분산) 표와 교차수준 상호작용 그림: 개인 효과가 집단에 따라 달라지는지

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. 모형 비교와 고정효과·분산 성분 표

영모형에서 시작해 수준 1 변수, 수준 2 변수, 교차수준 상호작용을 차례로 넣은 네 모형의 결과를 한 표로 제시합니다.

이렇게 읽습니다 영모형의 ICC로 팀 효과가 있는지 확인하고, 모형이 쌓일수록 deviance(−2LL)가 줄어드는지 봅니다. 고정효과는 계수와 유의성, 임의효과는 분산 성분으로 읽고, 마지막 줄의 분산 설명 비율은 수준별로 따로 계산합니다.

결과 그림 2. 교차수준 상호작용 그림

팀 학습문화가 높은 팀과 낮은 팀에서 자기효능감과 학습전이의 관계(단순기울기)를 비교합니다.

이렇게 읽습니다 두 선의 기울기가 다르면 교차수준 상호작용이 있다는 뜻입니다. 높은 팀의 기울기(.43)가 낮은 팀(.19)보다 가파르므로 자기효능감의 효과가 학습문화가 좋은 팀에서 더 크게 나타납니다.

결과 그림 3. 분산 분해(ICC)

학습전이 점수의 차이가 팀 간과 팀 내 중 어디에서 나오는지, 예측변수가 얼마나 줄였는지를 막대로 보여 줍니다.

이렇게 읽습니다 영모형에서 팀 간 분산이 18%이면 집단을 무시한 분석은 표준오차를 과소추정합니다. 모형 3에서 팀 간 분산은 43% 줄고 팀 내 분산은 15% 줄어, 팀 학습문화가 팀 간 차이를 주로 설명함을 알 수 있습니다.

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

05 · 궁극적으로 밝힐 것

내가 끝까지 답하고 싶은 질문과 맞나요?

“집단에 묶인 사람들의 결과가 개인 요인과 집단 요인에 의해 각각 어떻게 달라지고, 두 수준이 어떻게 상호작용하는지 알고 싶다.”

이 질문에 답하는 분석 구조

개인(수준 1)이 팀(수준 2)에 중첩된 자료에서 결과의 분산을 개인 내·집단 간으로 나누고, 두 수준의 변수와 교차수준 상호작용이 결과를 설명하는 정도를 한 모형에서 추정합니다.

왜 하나요? ‘집단에 묶인 사람들의 결과가 개인 요인과 집단 요인에 의해 각각 어떻게 달라지는가’를 알고 싶을 때. 집단 안의 유사성(비독립)을 반영해 정확한 표준오차와 수준별 효과를 얻기 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.
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.
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.

06 · 분석 순서

분석은 어떤 순서로 진행하나요?

사용 도구 SPSS(MIXED), HLM 8, Mplus, R(lme4·lmerTest·nlme·performance), Stata(mixed), jamovi(GAMLj) 기준.

기준의 출처 Raudenbush·Bryk(2002), Hox·Moerbeek·van de Schoot(2017), Snijders·Bosker(2012), Hofmann(1997), Hofmann·Gavin(1998), Enders·Tofighi(2007), Aguinis·Gottfredson·Culpepper(2013), LeBreton·Senter(2008), Bliese(2000), Preacher·Zyphur·Zhang(2010), Maas·Hox(2005).

분석 단위와 수준 정의
어떻게 하나요
연구 질문에서 수준 1(개인·시점)과 수준 2(팀·학급·조직)를 정하고, 각 변수가 어느 수준에 속하는지, 효과를 개인 내·집단 간 중 어느 쪽에서 보려는지 정리합니다.
확인할 값과 해석 기준
같은 개념을 개인 수준(개인이 인식한 팀 문화)과 집단 수준(팀원 평균)에서 측정할 수 있으므로 어느 쪽인지 이론으로 정합니다. 3수준 이상은 모형이 복잡해지므로 이론적으로 필요한 경우만 사용합니다.
왜 하고, 무엇을 알 수 있나요
모형의 구조와 무엇을 해석할지(개인 효과/집단 효과)를 정합니다.
이론적 모형 정하기 (직접효과·교차수준 조절·다층 매개)
어떻게 하나요
집단 수준 변수의 직접효과(절편 결과모형), 개인 변수 효과의 집단 간 차이(임의기울기), 집단 수준 변수의 조절(교차수준 상호작용), 집단 수준 원인의 매개(2-1-1 모형 등)를 구분해 가설을 씁니다.
확인할 값과 해석 기준
교차수준 상호작용은 이론이 있을 때만 검정하고, 개인 수준 변수의 기울기가 집단마다 달라진다는 근거를 제시합니다.
왜 하고, 무엇을 알 수 있나요
분석할 모형의 구성 요소를 가설과 연결합니다.
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. 다층분석에서는 수준 2 집단 수가 관건입니다.
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 집단 30개 이상(30집단×30명 규칙), 교차수준 상호작용은 집단 50개 이상(50×20 규칙)입니다. 집단이 10개 이하이면 집단 수준 분산과 표준오차가 크게 불안정하므로 집단 고정효과·군집 강건 표준오차·베이즈 추정 같은 대안을 고려합니다(Maas & Hox, 2005). 집단당 구성원이 너무 적으면(2~3명) 임의기울기 추정이 어렵습니다.
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.
집단 구성과 응답률 확보
어떻게 하나요
집단마다 구성원이 충분히 응답하도록 설계하고(집단 평균을 쓰려면 집단 내 응답률이 높아야 함), 집단 ID를 정확히 기록합니다.
확인할 값과 해석 기준
집단 응답률이 낮으면 집단 평균이 집단을 대표하지 못합니다. 집단 수준 변수를 구성원 응답에서 만들 때는 합의를 이끄는 문항 형식(참조 이동 합의, 예: ‘우리 팀은 …’)이 권장됩니다.
왜 하고, 무엇을 알 수 있나요
집단 수준 변수의 질을 설계 단계에서 챙깁니다.
자료 파일 정리 (긴 형식)
어떻게 하나요
한 행에 한 사람(수준 1 단위)을 두고 집단 ID 열을 추가하며, 집단 수준 변수는 같은 집단의 모든 행에 같은 값을 입력합니다. 종단 자료는 사람×시점이 한 행인 긴 형식(person-period)으로 만듭니다.
확인할 값과 해석 기준
집단 ID에 오타·중복이 없는지, 집단별 구성원 수의 분포를 확인합니다. 집단 수준 변수가 같은 집단 안에서 값이 다르면 오류입니다.
왜 하고, 무엇을 알 수 있나요
소프트웨어가 중첩 구조를 읽을 수 있는 분석 파일을 만듭니다.
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.
집단 수준 구성개념의 집합 정당화: rwg·ICC(1)·ICC(2)
어떻게 하나요
구성원 응답을 집단 평균으로 합성하기 전에 집단 내 합의 지표 rwg(j), ICC(1), ICC(2)를 계산합니다(R multilevel 패키지의 rwg(), ICC1(), ICC2() 등).
확인할 값과 해석 기준
rwg(j) 평균이 .70 이상이면 합의가 충분하다고 봅니다. ICC(1)는 .01 작음·.10 중간·.25 큼(LeBreton & Senter, 2008), ICC(2)는 .70 이상이면 집단 평균의 신뢰도가 수용 가능합니다. 합의가 낮으면 집단 평균 변수로 쓰기 어렵습니다.
왜 하고, 무엇을 알 수 있나요
개인 응답을 합쳐 만든 집단 수준 변수가 타당한지 판단합니다.
영모형(null model)과 ICC·설계 효과
어떻게 하나요
예측변수 없이 임의절편만 있는 모형 Yij = γ00 + u0j + rij를 적합해 집단 간 분산 τ00과 집단 내 분산 σ²를 구합니다. ICC = τ00 / (τ00 + σ²), 설계 효과 DEFF = 1 + (평균 집단 크기 − 1) × ICC를 계산합니다.
확인할 값과 해석 기준
집단 간 분산의 유의성은 분산 성분의 검정(우도비 검정, 경계값이라 p를 절반으로 보정)으로 봅니다. ICC가 작더라도(.05 이하) DEFF가 2 이상이면 집단 구조를 무시하기 어렵다는 기준이 널리 인용됩니다. ICC와 DEFF를 모두 보고합니다.
왜 하고, 무엇을 알 수 있나요
결과의 차이가 개인과 집단 중 어디에서 얼마나 나오는지 보고, 다층분석이 필요한지 판단합니다.
중심화 결정
어떻게 하나요
수준 1 예측변수는 개인 내 효과가 관심이면 집단평균 중심화, 집단 차이를 통제한 효과가 관심이면 전체평균 중심화를 선택하고(Enders & Tofighi, 2007), 집단평균을 수준 2 변수로 함께 넣어 맥락 효과를 구합니다. 수준 2 변수는 전체평균 중심화합니다.
확인할 값과 해석 기준
집단평균 중심화를 쓰면 수준 1 계수는 순수한 개인 내 효과이고 집단평균 변수의 계수는 집단 간 효과입니다. 교차수준 상호작용에서 집단평균 중심화를 쓰면 해석이 명확해집니다. 중심화 방법은 반드시 보고합니다.
왜 하고, 무엇을 알 수 있나요
계수의 의미를 연구 질문에 맞게 고정합니다.
수준 1 변수 투입 (임의절편 모형)
어떻게 하나요
수준 1 예측변수를 고정효과로 넣고 절편만 임의로 둔 모형을 적합합니다. SPSS [분석 > 혼합 모형 > 선형]에서 집단 ID를 ‘주체’, 임의 효과에 절편을 지정합니다.
확인할 값과 해석 기준
고정효과 계수와 표준오차, p를 확인합니다. 수준 1 분산 σ²의 감소율 R²_L1 = (σ²영모형 − σ²모형) / σ²영모형을 계산합니다.
왜 하고, 무엇을 알 수 있나요
개인 수준 변수가 결과를 얼마나 설명하는지 답합니다.
임의기울기 검정
어떻게 하나요
개인 수준 변수의 기울기를 집단마다 다르게 허용(임의기울기)한 모형을 적합하고, 임의절편 모형과 우도비 검정(ML)으로 비교합니다. 기울기 분산 τ11의 유의성과 절편·기울기 상관을 확인합니다.
확인할 값과 해석 기준
기울기 분산이 유의하면 개인 변수의 효과가 집단마다 다르다는 뜻이므로 교차수준 상호작용으로 원인을 탐색할 근거가 됩니다. 수렴 문제(경계 해, singular fit)가 나면 임의효과 구조를 단순화합니다.
왜 하고, 무엇을 알 수 있나요
개인 변수의 효과가 집단에 따라 달라지는지 답합니다.
수준 2 변수 투입 (절편 결과 모형)
어떻게 하나요
집단 수준 변수를 절편 방정식에 넣어 집단 평균 결과의 차이를 설명합니다(예: β0j = γ00 + γ01·팀 학습문화 + u0j).
확인할 값과 해석 기준
γ01의 유의성과 크기를 확인하고 집단 간 분산 감소율 R²_L2 = (τ00영모형 − τ00모형) / τ00영모형을 구합니다. 집단 수가 적으면 자유도를 Satterthwaite·Kenward–Roger 방법으로 보정합니다.
왜 하고, 무엇을 알 수 있나요
집단 수준 변수가 집단 평균 결과의 차이를 설명하는지 답합니다.
교차수준 상호작용 (기울기 결과 모형)
어떻게 하나요
임의기울기 모형에서 집단 수준 변수가 개인 수준 기울기를 설명하도록 상호작용 항을 넣습니다(β1j = γ10 + γ11·팀 학습문화 + u1j). 구성 변수의 주효과를 함께 넣습니다.
확인할 값과 해석 기준
γ11이 유의하면 교차수준 조절이 있습니다. 집단 수준 변수의 평균 ±1SD에서 단순기울기와 신뢰구간을 구하고 그림으로 제시합니다. 최적 관행(Aguinis et al., 2013): 중심화 명시, 임의기울기 포함, 효과 크기 제시.
왜 하고, 무엇을 알 수 있나요
집단 수준 요인이 개인 수준 효과를 어떻게 바꾸는지 답합니다.
모형 비교와 수렴·적합도 점검
어떻게 하나요
ML 추정에서 −2 로그우도(deviance) 차이를 카이제곱(자유도 = 추가한 모수 수)으로 검정하고 AIC·BIC도 비교합니다. 수렴 경고와 singular fit(분산이 0 또는 상관이 ±1) 여부를 확인합니다.
확인할 값과 해석 기준
고정효과가 다른 모형은 ML, 최종 모형의 분산 성분 추정은 REML을 씁니다. 분산이 0에 가깝거나 상관이 ±1인 경계 해는 해당 임의효과를 제거해 단순화합니다. 변수 척도를 맞추면(표준화) 수렴이 쉬워집니다.
왜 하고, 무엇을 알 수 있나요
가장 간명하면서 자료를 잘 설명하는 모형을 고르고, 추정을 믿어도 되는지 점검합니다.
가정 점검
어떻게 하나요
수준 1 잔차와 수준 2 임의효과(BLUP)의 정규성(Q-Q 도표), 수준 1 잔차의 등분산성, 선형성, 다중공선성(VIF), 영향력 있는 집단(집단 단위 Cook의 거리)을 확인합니다.
확인할 값과 해석 기준
잔차가 심하게 비정규이거나 이분산이면 로버스트 표준오차, 부트스트랩, 변환을 고려합니다. 영향력 큰 집단을 제외했을 때 결과가 바뀌면 둘 다 보고합니다.
왜 하고, 무엇을 알 수 있나요
추정한 효과와 표준오차를 믿어도 되는지 점검합니다.
효과 크기와 해석
어떻게 하나요
고정효과는 표준화 계수 또는 원단위 계수와 신뢰구간, 분산 설명 비율(R²_L1, R²_L2), 교차수준 상호작용의 단순기울기 차이로 제시합니다.
확인할 값과 해석 기준
분산 설명 비율은 영모형 대비 수준별 분산의 감소율이며 일반 회귀의 R²와 해석이 다릅니다. 집단 수준 효과를 개인 수준으로(또는 반대로) 일반화하지 않습니다.
왜 하고, 무엇을 알 수 있나요
결과가 실제로 얼마나 큰 의미가 있는지 판단합니다.
HLM과 MSEM 중 선택
어떻게 하나요
분석 목적을 보고 도구를 고릅니다. 관측 점수의 수준별 효과와 교차수준 상호작용이면 HLM, 잠재변수·다층 매개·측정오차 반영이 필요하면 MSEM을 선택합니다.
확인할 값과 해석 기준
HLM은 집단이 30~50개면 가능하지만 MSEM은 집단 수가 많아야 안정적입니다(대체로 100개 이상, 적어도 50개). 집단이 적으면 MSEM 대신 HLM에서 관측 점수와 집단평균 중심화를 사용합니다.
왜 하고, 무엇을 알 수 있나요
표본 조건에 맞는 방법을 골라 불안정한 추정을 피합니다.
MSEM 1단계: 수준별 기술통계·ICC와 측정모형
어떻게 하나요
각 지표(문항)의 ICC를 구하고, 개인 내(within)와 집단 간(between) 수준에서 각각 요인구조를 확인하는 다층 CFA를 적합합니다(Mplus: TYPE = TWOLEVEL).
확인할 값과 해석 기준
지표의 ICC가 너무 작으면(예: .05 미만) 집단 간 부분의 분산이 거의 없어 between 모형을 추정하기 어렵습니다. 수준별 요인부하량이 .50 이상이고 수준별 신뢰도(ω_within, ω_between)가 수용 가능해야 합니다. 개인 내 구조와 집단 간 구조는 같지 않을 수 있으므로 각각 검증합니다.
왜 하고, 무엇을 알 수 있나요
잠재변수가 두 수준에서 같은 의미로 측정되는지, 집단 간 분산이 충분한지 봅니다.
MSEM 2단계: 구조모형과 다층 매개
어떻게 하나요
수준별 구조 경로를 추정합니다(예: 집단 수준 변혁적 리더십 → 집단 평균 자기효능감(between) → 집단 평균 혁신행동(between), 개인 내 자기효능감 → 개인 혁신행동(within)). 2-1-1 모형은 집단평균 중심화(또는 잠재 집단평균)로 개인 내 효과와 집단 간 효과를 분리합니다.
확인할 값과 해석 기준
간접효과는 a × b를 몬테카를로 신뢰구간(20,000회 이상) 또는 부트스트랩으로 검정하며 0을 포함하지 않으면 유의합니다. 개인 내 b와 집단 간 b가 다르면 맥락 효과(b_between − b_within)가 있다는 뜻입니다. 집단 수준 원인의 효과가 개인 수준 매개를 거치는 경로는 반드시 집단 간 부분에서 해석합니다.
왜 하고, 무엇을 알 수 있나요
집단 수준의 원인이 개인 수준의 과정을 거쳐 결과에 이르는지, 측정오차를 반영해 검정합니다.
MSEM 3단계: 적합도와 해석
어떻게 하나요
전체 적합도(CFI, TLI, RMSEA)와 수준별 SRMR(SRMR_within, SRMR_between)을 확인합니다. 모수 수가 많은 수준(between)에서는 모형을 단순화합니다.
확인할 값과 해석 기준
CFI·TLI ≥ .90(양호 .95), RMSEA ≤ .08(양호 .06), 수준별 SRMR ≤ .08입니다. 집단 수가 적으면 between 모형의 적합도가 불안정합니다. 수렴하지 않으면 between 수준의 오차분산을 0으로 고정하거나 경로를 줄입니다.
왜 하고, 무엇을 알 수 있나요
다층 구조방정식모형이 두 수준 모두에서 자료와 잘 맞는지 봅니다.
종단 자료로의 확장 (필요한 경우)
어떻게 하나요
시점을 수준 1, 사람을 수준 2로 두는 성장모형(HLM)으로 개인별 변화 궤적(절편·기울기)과 이를 설명하는 개인 특성을 추정합니다.
확인할 값과 해석 기준
시점 변수의 코딩(0, 1, 2 …)으로 절편의 의미를 정하고 임의기울기 분산이 유의하면 변화율이 사람마다 다르다는 뜻입니다. 측정 시점 수가 3회 이상 필요합니다.
왜 하고, 무엇을 알 수 있나요
사람 안에서 시간에 따라 변하는 정도와 사람 간 차이를 함께 분석합니다.
집단 수가 적을 때의 대안
어떻게 하나요
집단이 20개 미만이면 집단 고정효과(더미) 모형, 군집 강건 표준오차(CR2 등 작은 표본 보정), 또는 베이즈 다층모형을 검토합니다.
확인할 값과 해석 기준
작은 표본 보정 없이 군집 강건 표준오차를 쓰면 집단이 적을 때 오히려 표준오차를 과소추정합니다.
왜 하고, 무엇을 알 수 있나요
집단이 적은 자료에서도 편향을 줄여 추정합니다.
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. 수준별 표본 수(집단 수, 평균·범위의 집단 크기), ICC·DEFF, 집합 근거(rwg·ICC), 중심화, 추정법, 고정효과·임의효과 표, 모형 비교(−2LL, AIC, BIC), 분산 설명 비율, 교차수준 상호작용 그림을 모두 적습니다.
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 · 조직학습

팀 학습문화와 개인의 학습전이

연구목적

개인의 학습전이가 개인 특성과 소속 팀의 문화에 의해 각각 얼마나 설명되는지 알아봅니다.

알고 싶은 것

팀 학습문화가 높을수록 팀원의 학습전이가 높은가? 자기효능감의 효과는 팀 학습문화에 따라 달라지는가?

사용할 자료

교육 이수자 개인 응답(자기효능감, 학습전이)
소속 팀 ID, 팀 학습문화 평균, 팀 규모

방법을 적용하는 방식

영모형으로 ICC를 구하고, 자기효능감(수준 1)과 팀 학습문화(수준 2)를 투입한 뒤 자기효능감의 기울기를 임의로 두고 팀 학습문화와의 교차수준 상호작용을 검정합니다.

제시할 결과

수준별 표본 수와 ICC
고정효과 표와 임의효과(분산) 표
교차수준 상호작용 그림

이 사례에서 밝힐 수 있는 것

팀 학습문화를 팀원의 평균으로 만들었다면 팀 안의 응답이 충분히 비슷한지(rwg·ICC)를 먼저 확인해야 합니다.

사례 2 · 교육공학

학급 효과와 학습 성과

연구목적

같은 수업을 듣는 학습자들이 서로 닮는 정도를 반영해 수업 방식의 효과를 추정합니다.

알고 싶은 것

수업 방식(학급 수준)과 학습자의 사전지식(개인 수준)이 학업 성취에 어떻게 영향을 주는가?

사용할 자료

학습자별 사전·사후 성취 점수
학급 ID, 수업 방식 코드

방법을 적용하는 방식

학습자를 학급에 중첩시킨 2수준 모형으로 사전지식은 학급평균 중심화해 개인 효과와 학급 효과를 분리합니다.

제시할 결과

학급 간·학급 내 분산 비율
사전지식의 개인 내 효과와 학급 평균 효과
수업 방식의 학급 수준 효과

이 사례에서 밝힐 수 있는 것

학급 수가 적으면 학급 효과가 불안정합니다. 한 학급에서만 처치가 이루어졌다면 처치 효과와 학급 효과를 구분할 수 없습니다.

08 · 해석 범위

이 결과로 어디까지 말할 수 있을까요?

개인 자료를 집단 평균으로 합친 뒤 일반 회귀를 하면 집단 안의 정보가 사라지고 개인 수준 결론으로 잘못 해석하는 오류(생태학적 오류)가 생길 수 있습니다.
집단이 5~10개처럼 너무 적으면 집단 수준 효과와 변량의 추정이 불안정합니다. 이럴 때는 집단 고정효과나 군집 강건 표준오차 등 대안을 고려합니다.
집단 수준 변수와 개인 수준 변수를 같은 사람이 같은 설문으로 응답했다면 동일방법편향 가능성이 있어 설계와 해석에서 다룹니다.

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
Hofmann, D. A. (1997). An Overview of the Logic and Rationale of Hierarchical Linear Models. Journal of Management, 23(6), 723-744.
읽을 초점 관측이 집단에 묶일 때 일반 회귀가 왜 부적절한지, 수준 1·수준 2 방정식과 교차수준 효과를 어떻게 세우는지 읽어 보세요.
DOI: 10.1177/014920639702300602 · ISSN: 0149-2063 / 1557-1211
적용 논문KCI
이은혜, & Kim, M. S. (2010). A Study on the Effects of LMX through Multilevel Approach. 한국심리학회지: 산업 및 조직, 23(2), 317-338.
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.23.2.201005.317 · Crossref 인용 수 0회 (2026-11-02 확인)
적용 논문SSCI
Hirst, G., Van Knippenberg, D., & Zhou, J. (2009). A Cross-Level Perspective on Employee Creativity: Goal Orientation, Team Learning Behavior, and Individual Creativity. Academy of Management Journal, 52(2), 280-293.
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: 10.5465/amj.2009.37308035 · Crossref 인용 수 764회 (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.

← 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. 자료가 집단에 중첩됨

2. 수준별 효과를 구분

3. 교차수준 상호작용

4. HLM과 MSEM 중 무엇을 쓸까

5. 집단 수와 표본 구조 충족

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. HLM 교차수준 모형 (수준 2 변수가 평균과 기울기를 설명)

가설

예시 분석 결과 읽기

모형 2. MSEM 다층 매개모형 (수준 2 원인 → 수준 2 매개 → 결과, 2-1-1)

가설

예시 분석 결과 읽기

분석 후 무엇을 보여 줄 수 있나요?

결과는 이렇게 제시합니다 (예시)

결과 그림 1. 모형 비교와 고정효과·분산 성분 표

결과 그림 2. 교차수준 상호작용 그림

결과 그림 3. 분산 분해(ICC)

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?

분석 단위와 수준 정의

이론적 모형 정하기 (직접효과·교차수준 조절·다층 매개)

연구설계와 표본 크기(검정력) 계획

집단 구성과 응답률 확보

자료 파일 정리 (긴 형식)

변수 정의, 척도 점수 계산, 역채점·더미 코딩

결측치 확인과 처리

이상값(극단값) 점검

기술통계와 분포(정규성) 확인

척도 신뢰도 확인 (Cronbach α)

집단 수준 구성개념의 집합 정당화: rwg·ICC(1)·ICC(2)

영모형(null model)과 ICC·설계 효과

중심화 결정

수준 1 변수 투입 (임의절편 모형)

임의기울기 검정

수준 2 변수 투입 (절편 결과 모형)

교차수준 상호작용 (기울기 결과 모형)

모형 비교와 수렴·적합도 점검

가정 점검

효과 크기와 해석

HLM과 MSEM 중 선택

MSEM 1단계: 수준별 기술통계·ICC와 측정모형

MSEM 2단계: 구조모형과 다층 매개

MSEM 3단계: 적합도와 해석

종단 자료로의 확장 (필요한 경우)

집단 수가 적을 때의 대안

결과 정리와 보고

사례를 통해 내 연구에 어떻게 적용할지 살펴보세요

팀 학습문화와 개인의 학습전이

학급 효과와 학습 성과

이 결과로 어디까지 말할 수 있을까요?

이 방법의 선택 조건을 스스로 확인해 보세요

함께 비교하면 좋은 방법

이 방법을 이해하는 추천 연구논문