다중회귀분석 (Multiple Regression)

다른 요인들도 함께 고려했을 때, 어떤 요인이 결과와 관련되는가?

← 나의 연구목적에 맞는 분석방법 알아보기
언제 쓰나요?
  • 결과변수(Y)가 하나의 연속형 점수이고 설명변수(X)가 둘 이상일 때 기본적인 다중선형회귀를 사용합니다.
  • X는 연속형 점수여도 되고, 고용형태처럼 범주형이면 기준집단을 정해 지시변수로 코딩할 수도 있습니다.
  • 각 X의 회귀계수는 다른 변수들을 고려한 관련성을, 결정계수(R²)는 모형 전체가 Y 점수 차이를 설명하는 정도를 보여 줍니다.
  • 선형성·잔차의 독립성·설명변수 사이의 강한 중복 등을 점검합니다. 관찰자료에서 계수만으로 원인과 결과를 확정하지는 않습니다.
예를 들면
  • 결과변수 Y: 직원의 조직몰입 점수. 설명변수 X: 직무열정·성취지향성·자기효능감 점수.
  • 세 X를 한 모형에 넣어 각 요인이 나머지 둘을 고려한 뒤에도 몰입과 관련되는지 확인합니다.
  • 계수와 신뢰구간으로 요인별 관계를, R²로 세 요인이 함께 설명하는 몰입 점수 차이의 비율을 제시합니다.
선택할 때 확인할 점
  • 여러 요인의 평균적인 관련성이 궁금하면 시작점이 될 수 있습니다.
  • 여러 변수를 넣는 것만으로 숨은 원인까지 통제되는 것은 아닙니다.
다중회귀분석 (Multiple Regression)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

결과변수(Y)
연구에서 설명하거나 예측하려는 결과입니다. 회귀분석을 고려할 때는 먼저 결과가 연속 점수인지, 이분형인지, 횟수인지 확인해야 알맞은 모형을 고를 수 있습니다.
설명변수(X)와 공변량
X는 연구 질문에서 결과와의 관계를 알고 싶은 변수입니다. 공변량은 모형에 함께 넣는 변수이며, 이론적 근거와 시간 순서를 갖춰 선택해야 합니다. 변수를 많이 넣는다고 자동으로 더 타당한 분석이 되지는 않습니다.

2. 설계와 절차

분석 단위와 독립성
한 행이 한 사람·조직·시점 등 무엇을 나타내는지 정합니다. 같은 팀의 직원이나 같은 사람의 반복 응답처럼 관측치가 묶여 있으면 일반 회귀의 독립성 가정에 맞지 않을 수 있습니다.
범주형 변수의 더미코딩
범주를 회귀식에 넣기 위해 기준 범주와 비교 범주를 0·1 지표로 표현하는 방법입니다. 계수는 기준 범주와 비교했을 때의 차이를 나타내므로 기준 범주를 결과와 함께 밝혀야 합니다.
잔차와 회귀 가정
잔차는 실제 결과와 모형 예측값의 차이입니다. 잔차 그림 등으로 선형성·등분산성·독립성·이상치 등 추론에 필요한 가정을 살핍니다. 모든 자료가 정규분포여야 한다는 뜻은 아닙니다.

3. 분석과 결과

회귀계수(B와 표준화 계수)
B는 다른 모형 변수를 고려했을 때 X가 한 단위 달라질 때 Y의 추정 평균이 얼마나 달라지는지를 원래 단위로 나타냅니다. 표준화 계수는 척도 차이를 조정하지만 변수 중요도의 보편적 순위로 곧바로 읽을 수는 없습니다.
결정계수(R²)와 증가분
R²는 모형이 표본에서 Y 변동을 설명하는 비율을 요약합니다. 위계적 회귀에서 증가분은 새 변수 묶음을 더했을 때 설명력이 얼마나 변했는지 나타냅니다. 높은 R²만으로 모형이 옳거나 예측이 잘된다고 보장되지는 않습니다.

4. 해석과 보고

신뢰구간과 p값
계수의 신뢰구간은 추정의 불확실성을 보여 주며, p값은 정해 둔 모형과 귀무가설 아래 자료의 양립 가능성을 평가합니다. p값 하나로 효과의 크기·실무적 중요성·인과성을 판단하지 않습니다.
조건부 연관과 인과
회귀계수는 모형에 포함된 변수들을 고려한 조건부 연관을 나타냅니다. 관찰자료의 회귀만으로 혼란요인과 역인과를 없애지 못하므로, 설계가 뒷받침하지 않는 인과 표현은 피합니다.
다중공선성
설명변수들이 서로 강하게 연관되어 각 계수의 불확실성이 커지거나 표본에 따라 값이 흔들리는 현상입니다. VIF 기준 하나로 변수를 제거하기보다 이론적 중복, 표준오차, 목표 추정량을 함께 봅니다.

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

01 · 목적

언제, 어떤 목적으로 선택하나요?

상사 지원, 학습기회, 근속연수를 함께 살펴볼 때 학습기회가 조직몰입과 얼마나 관련되는지 궁금할 수 있습니다. 다른 요인들을 고려하면서 각 요인과 결과 점수의 관계를 알고 싶을 때 다중회귀를 선택합니다.

이 방법으로 답하는 연구 목적

상사 지원, 학습동기, 업무자율성 같은 요인이 학습전이나 조직몰입과 각각 얼마나 관련되는지 밝힐 때 씁니다. 변수 투입 순서는 이론으로 정합니다. 유의한 변수만 골라내는 절차로 쓰면 안 됩니다.

대표 연구 질문

다른 요인들도 함께 고려했을 때, 어떤 요인이 결과와 관련되는가?

필요한 변수·자료의 형태

  • 자료는 근로자 한 명당 한 행으로 정리합니다. 결과변수 Y는 기본적인 다중선형회귀에서 연속형 점수(예: 조직몰입)입니다.
  • 설명변수 X는 둘 이상이며 연속형 점수(열정·성취지향성·효능감) 또는 기준집단을 정해 지시변수로 코딩한 범주형 변수(고용형태)일 수 있습니다.
  • Y가 예/아니요처럼 범주형이면 선형회귀 대신 로지스틱 회귀 등 결과척도에 맞는 모형을 검토합니다. 반복측정·팀 군집 자료도 별도 모형이 필요할 수 있습니다.

분석에서는 무엇을 하나요?

  • 다른 설명변수들을 함께 고려한 회귀계수와 신뢰구간을 추정해 각 X와 Y의 조건부 관련성을 살핍니다.
  • R²는 모형 전체가 Y의 표본 점수 차이를 설명하는 비율을 요약하고, 변수 추가 전후 R² 변화는 추가된 설명력을 보여 줍니다.
  • 선형성·잔차 독립성·등분산성·잔차 분포와 다중공선성·영향점을 진단합니다. 범주형 설명변수의 기준집단과 코딩을 보고합니다.

결과를 어떻게 해석하나요?

  • 계수의 부호·크기·신뢰구간으로 다른 변수들을 고려한 조건부 관련성을 설명하고, R²로 모형 전체의 설명력을 요약합니다.
  • 표준화계수의 크기만으로 변수 중요도 순위를 확정하지 않습니다. 척도·측정오차·변수 범위와 모형의 설정을 함께 고려합니다.
  • 관찰자료의 회귀계수는 그 자체로 원인 효과가 아닙니다. 새로운 사례를 맞히려는 목적이면 훈련자료 적합도 대신 별도 자료의 예측 성능을 평가합니다.

이런 상황이면 이 분석을 고려하세요

1. 다른 요인을 고려한 관련성

예를 들어 근속연수·직급·상사 지원을 함께 고려한 뒤에도 학습기회가 조직몰입과 관련되는지 알고 싶은 경우입니다. 두 변수의 상관보다 질문이 구체적입니다.

2. 연속형 결과와 여러 설명요인

조직몰입·학습전이·최종 성취처럼 점수로 표현하는 결과가 있고, 이를 설명할 개인·환경 요인을 정할 수 있어야 합니다. 설명요인이 하나라면 단순회귀부터 검토합니다.

3. 요인별 관계와 모형의 설명력

변수별 계수·신뢰구간으로 방향과 크기를, R²로 모형의 설명력을 제시하려는 연구에 잘 맞습니다. 변수 투입 순서와 통제변수는 이론에 근거해 정합니다.

4. 연구설계에 맞는 해석

횡단 설문이라면 관측한 다른 요인을 고려한 관련성을 밝힙니다. 교육의 인과효과가 궁금하다면 비교조건·시간 순서·교란 통제 같은 연구설계를 함께 갖춰야 합니다.

어떤 질문이면 다른 방법을 비교해야 하나요?

매개효과 (Mediation, 다중매개 포함)
“어떤 중간 과정을 거치는가?”가 핵심이면 매개효과를 검토합니다. 여러 설명요인의 계수를 비교하는 것만으로 중간 기제가 확인되지는 않습니다.
예측분석 (Predictive Modeling, 랜덤 포레스트 중심)
새로운 직원·학습자의 결과를 얼마나 잘 맞히는지가 핵심이면 예측분석을 검토합니다. 모형을 만든 표본의 R²와 새 자료의 예측 성능은 구별합니다.

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?

결과변수 Y 하나를 여러 설명변수(X1, X2, …)와 통제변수로 동시에 설명하는 선형 모형입니다. 각 X의 계수는 ‘다른 변수를 고정했을 때’ 그 X가 1단위 늘 때 Y가 얼마나 변하는지를 보여 줍니다.

분석 구조 한눈에 보기

상사 지원 (X1) ──┐
학습 기회 (X2) ──┼──→ 조직몰입 (Y)
근속연수 (통제) ──┘

식으로 보면

  • Y = b0 + b1·지원 + b2·학습기회 + b3·근속 + b4·성별 + e
  • b1: 다른 변수가 같을 때 지원이 1점 오르면 몰입이 b1점 변하는 크기(비표준화 계수)

필요한 변수와 역할

역할무엇인가요예시형태
결과변수(Y)설명하려는 결과. 연속형 점수조직몰입 점수연속형(문항 평균)
설명변수(X)결과와 관련되는지 보려는 요인상사 지원, 학습 기회연속형 또는 0/1 더미
통제변수결과에 영향을 줄 수 있어 함께 고려할 변수근속연수, 성별연속형 또는 0/1 더미
분석 단위한 행이 나타내는 대상직원 1명—

분석용 자료 파일은 이렇게 만듭니다

IDcommit(Y)support(X1)learn(X2)female(0/1)tenure(년)
A013.84.13.514
A024.24.54.007
A032.93.22.812

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.
  • 범주가 3개 이상(예: 직급)이면 더미변수를 k−1개 만들고 기준 집단을 정합니다.

분석 프로그램에서 이렇게 설정합니다

  • SPSS: [분석 > 회귀분석 > 선형]에서 종속변수에 Y, 독립변수에 통제변수(블록 1)와 설명변수(블록 2)를 넣습니다.
  • R: lm(commit ~ tenure + female + support + learn, data = d) 형태로 지정합니다.
  • 표본 수 ≥ 50 + 8 × 예측변수 수를 최소 기준으로 확인합니다.

자료 조건과 주의점

  • 분석 단위: 근로자 또는 학습자 한 명당 한 행. 팀·기업·강좌에 묶인 자료는 군집 구조를 추가로 고려합니다.
  • 결과변수: 연속형 점수. 설명변수: 연속형 변수와 적절히 코딩한 범주형 변수.
  • 한 시점 자료로도 관계를 추정할 수 있습니다. 선형성, 잔차의 독립성·등분산성, 다중공선성, 영향점을 점검합니다.
  • 표본 수는 예상 효과, 설명변수 수와 검정력에 맞춰 계획합니다. 변수당 몇 명이라는 고정 규칙으로 결정하지 않습니다.
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. 여러 요인이 한 결과를 설명하는 다중회귀모형

연구문제 예 상사 지원, 학습 기회, 자기효능감 중 무엇이 근속연수를 통제한 뒤에도 조직몰입과 관련되는가?

여러 요인이 한 결과를 설명하는 다중회귀모형독립변수 세 개와 통제변수 한 개가 종속변수 조직몰입을 설명하는 다중회귀모형상사 지원독립변수 (X1)학습 기회독립변수 (X2)자기효능감독립변수 (X3)근속연수통제변수 (C)조직몰입종속변수 (Y)H1 β=.32***H2 β=.21**H3 β=.28***통제 β=.06 n.s.R² = .41, F 검정 p < .001
  • 통제변수 (C)
  • 독립변수 (X1)
  • 독립변수 (X2)
  • 독립변수 (X3)
  • 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: 상사 지원이 높을수록 조직몰입이 높을 것이다.
  • H2: 학습 기회가 많을수록 조직몰입이 높을 것이다.
  • H3: 자기효능감이 높을수록 조직몰입이 높을 것이다.

예시 분석 결과 읽기

  • H1~H3: 세 변수 모두 p < .05의 정(+) 계수 → 지지. 표준화 계수 β가 클수록 상대적 설명 기여가 큽니다(참고용).
  • R² = .41: 세 변수와 통제변수가 조직몰입 점수 차이의 41%를 설명합니다. F 검정이 유의하면 모형 전체가 의미가 있습니다.
  • 통제변수의 계수(.06)는 유의하지 않지만 통제 목적이므로 모형에 그대로 둡니다.

이렇게 읽습니다 독립변수 세 개가 한 모형에서 동시에 결과(Y)를 설명합니다. 각 화살표의 계수는 다른 변수를 고정했을 때 그 변수 고유의 효과입니다. 점선은 유의하지 않은 경로(또는 통제변수)입니다.

모형 2. 통제변수를 먼저 넣는 위계적 회귀모형

연구문제 예 성별·근속·직급을 통제한 뒤에도 AI 활용 역량과 상사 코칭이 직무성과를 추가로 설명하는가?

통제변수를 먼저 넣는 위계적 회귀모형통제변수 블록과 독립변수 블록이 순서대로 종속변수 직무성과를 설명하는 위계적 회귀모형1단계: 통제변수 (R²=.12**)2단계: 독립변수 (R²=.30)성별통제변수근속연수통제변수직급통제변수AI 활용 역량독립변수 (X1)상사 코칭독립변수 (X2)직무성과종속변수 (Y)H1 β=.34***H2 β=.17*ΔR² = .18***
  • 통제변수
  • 독립변수 (X1)
  • 독립변수 (X2)
  • 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: 통제변수를 고려해도 AI 활용 역량은 직무성과에 정(+)의 영향을 미칠 것이다.
  • H2: 통제변수를 고려해도 상사 코칭은 직무성과에 정(+)의 영향을 미칠 것이다.

예시 분석 결과 읽기

  • ΔR² = .18, p < .001: 독립변수를 추가하자 설명력이 유의하게 늘었습니다. 즉, 통제변수 이상의 고유한 설명력이 있습니다.
  • H1 β = .34(p < .001), H2 β = .17(p < .05) → 모두 지지.
  • 1단계의 R² = .12는 성별·근속·직급만으로 설명되는 직무성과 차이입니다.

이렇게 읽습니다 1단계에서 통제변수만 넣어 R²를 확인하고, 2단계에서 독립변수를 추가해 R²가 얼마나 늘었는지(ΔR²)를 검정합니다. 범주형 변수(성별, 직급)는 더미변수로 코딩해 넣습니다.

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: Sarti, D. (2014).

04 · 제시하고 싶은 결과

분석 후 무엇을 보여 줄 수 있나요?

  1. 각 요인이 결과와 얼마나 관련되는지, 다른 요인을 고려한 뒤의 관계를 표와 수치로 보여 줍니다.
  2. 모형 설명력(R²)과 필요시 추가 설명력: 결과 점수의 변동을 어느 정도 설명하는가
  3. 잔차·영향점·다중공선성 진단: 추정과 해석을 신뢰할 조건이 충족되는가

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. 회귀계수 표 (APA 형식)

비표준화 계수 B, 표준오차, 표준화 계수 β, 95% 신뢰구간, p, 다중공선성(VIF)을 한 표에 제시합니다.

조직몰입 회귀분석 결과 (N = 400)조직몰입 회귀분석 결과 (N = 400)조직몰입 회귀분석 결과 (N = 400)변수BSEβ95% CI (B)pVIF상사 지원.38.07.32***[.24, .52]< .0011.42학습 기회.25.08.21**[.09, .41].0021.38자기효능감.33.07.28***[.19, .47]< .0011.51근속연수 (통제).01.01.06 n.s.[−.01, .03].1901.12R² = .41, 수정 R² = .40, F(4, 395) = 68.7, p < .001, Durbin-Watson = 1.94 (예시 값)

이렇게 읽습니다 각 계수는 ‘다른 변수를 고정했을 때’의 고유한 효과입니다. 신뢰구간이 0을 포함하지 않거나 p < .05이면 유의합니다. VIF가 모두 5(엄격하게) 미만이므로 다중공선성 문제가 없고, 근속연수(통제)는 유의하지 않아도 표에 남깁니다.

결과 그림 2. 표준화 계수와 신뢰구간 (포레스트 그림)

변수별 β와 95% 신뢰구간을 한 그림에 나타내 효과의 크기와 불확실성을 비교합니다.

표준화 계수 β와 95% 신뢰구간표준화 계수 β와 95% 신뢰구간표준화 계수 β와 95% 신뢰구간-0.200.20.40.6상사 지원0.32 [0.22, 0.42]학습 기회0.21 [0.11, 0.31]자기효능감0.28 [0.18, 0.38]근속연수 (통제)0.06 [-0.03, 0.15]파란 선 = 유의, 주황 선 = 유의하지 않음 (예시 값)

이렇게 읽습니다 점은 추정치, 선은 95% 신뢰구간입니다. 선이 0 세로선을 가로지르면 유의하지 않습니다. 구간의 폭이 좁을수록 추정이 정확합니다. β의 크기로 변수의 상대적 기여를 비교하는 것은 참고용입니다.

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

05 · 궁극적으로 밝힐 것

내가 끝까지 답하고 싶은 질문과 맞나요?

“여러 요인 중 무엇이 결과와 독립적으로 관련되는지 설명하고 싶다.”

이 질문에 답하는 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.

왜 하나요? ‘여러 요인 중 무엇이 결과와 따로 관련되는가’를 알고 싶을 때. 요인끼리 서로 겹치는 부분을 통제하고 각 요인의 고유한 관련을 나누어 보기 위해 합니다.

알고 싶은 내용이 다르다면, 아래 방법은 이렇게 다른 질문에 답합니다

매개효과 (Mediation, 다중매개 포함)
분석 구조 X → M → Y 구조에서 X가 중간 변수 M을 거쳐 Y로 전달되는 간접효과(a×b)와 M을 통제한 직접효과(c′)를 나누어 추정합니다.이럴 때 선택 ‘X가 왜(어떤 과정을 거쳐) Y로 이어지는가’를 알고 싶을 때. X와 Y가 관련된다는 사실을 넘어 중간 기제가 있는지 확인하기 위해 합니다.
조절효과 (Moderation, 이중조절 포함)
분석 구조 Y = b0 + b1X + b2W + b3(X×W)처럼 X와 조절변수 W의 곱(상호작용) 항을 넣고, W 수준별로 X→Y 기울기가 달라지는지 봅니다.이럴 때 선택 ‘X와 Y의 관계가 어떤 조건(집단·상황)에서 더 강하거나 약해지는가’를 알고 싶을 때. 평균적인 관계 뒤에 숨은 조건별 차이를 드러내기 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.
06 · 분석 순서

분석은 어떤 순서로 진행하나요?

사용 도구 SPSS 기준 (R·Stata·jamovi도 같은 순서).

기준의 출처 Cohen(1988), Cohen·Cohen·West·Aiken(2003), Tabachnick·Fidell(2019), Field(2018), Hair 외(2019), Belsley·Kuh·Welsch(1980), Green(1991), Hayes·Cai(2007).

  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. 회귀에서는 예측변수(통제변수 포함) 수 k를 정한 뒤 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. 실무 규칙으로 전체 모형 검정에는 N ≥ 50 + 8k, 개별 예측변수 검정에는 N ≥ 104 + k(Green, 1991)가 흔히 인용되며, 예측변수당 10~20명도 참고합니다. 이는 최소치일 뿐 G*Power의 계산 결과가 우선입니다.
    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. 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.

  3. 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.

  4. 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.

  5. 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.

  6. 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.

  7. 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).

  8. 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.

  9. 회귀모형 설정: 변수 선택·투입 순서·함수 형태

    어떻게 하나요
    [분석 > 회귀분석 > 선형]에서 종속변수(Y)를 넣고, 독립변수 블록 1에 통제변수, 블록 2에 관심 설명변수를 넣습니다(위계적 회귀). 방법은 ‘입력’을 사용합니다. 통계량에서 ‘추정값·신뢰구간·모형 적합·R 제곱 변화량·부분상관·공선성 진단·Durbin-Watson·케이스별 진단’을 모두 선택하고, 도표에서 ZRESID–ZPRED 산점도와 표준화 잔차의 히스토그램·정규 P-P 도표를 선택합니다.
    확인할 값과 해석 기준
    변수와 투입 순서는 이론으로 미리 정합니다. 결과를 보며 변수를 넣고 빼는 단계적(stepwise) 회귀는 우연한 결과에 맞추기 쉬워서, 설명이 목적이면 권하지 않습니다. 통제변수는 Y와 설명변수 모두와 관련될 이론적 이유가 있는 것만 넣습니다. 관계가 곡선이면 제곱항을, 이분형 Y면 로지스틱 회귀를, 계수가 집단별로 다르면 상호작용항(조절효과)을 검토합니다.
    왜 하고, 무엇을 알 수 있나요
    통제변수의 영향을 뺀 뒤에도 관심 변수가 결과를 얼마나 더 설명하는지 볼 수 있는 모형이 됩니다.

  10. 가정 1: 선형성

    어떻게 하나요
    부분회귀 도표(partial regression plot)와 ZRESID–ZPRED 산점도에서 곡선 패턴이 있는지 봅니다.
    확인할 값과 해석 기준
    점들이 0 주변에 무작위로 흩어져 있어야 합니다. U자나 역U자 곡선이 보이면 해당 변수의 제곱항 추가나 변수 변환을 검토합니다.
    왜 하고, 무엇을 알 수 있나요
    예측변수와 Y의 관계가 정말 직선인지 봅니다. 곡선인데 직선으로 추정하면 계수가 관계를 잘못 요약합니다.

  11. 가정 2: 오차의 독립성

    어떻게 하나요
    출력의 Durbin-Watson 통계량을 확인합니다. 같은 팀·학급·기관에 묶인 자료는 집단 내 상관(ICC)도 계산합니다.
    확인할 값과 해석 기준
    Durbin-Watson이 2에 가까우면(대략 1.5~2.5) 잔차의 자기상관 문제가 작습니다. ICC가 크면(예: .05~.10 이상) 사람이 집단에 속한 구조이므로 일반 회귀 대신 다층모형이나 군집 보정 표준오차를 씁니다.
    왜 하고, 무엇을 알 수 있나요
    관찰들이 서로 독립인지 봅니다. 이 가정이 깨지면 표준오차와 p값을 믿기 어렵습니다.

  12. 가정 3: 등분산성

    어떻게 하나요
    ZRESID–ZPRED 산점도에서 퍼짐이 예측값에 따라 달라지는지 보고, Breusch–Pagan 검정이나 White 검정(또는 PROCESS·R의 강건 SE 옵션)을 사용합니다.
    확인할 값과 해석 기준
    점이 부채꼴이나 깔때기 모양이면 이분산입니다. 검정이 유의하면(p < .05) 이분산에 강건한 표준오차(HC3; Hayes & Cai, 2007), 가중최소제곱법, Y의 변환을 사용합니다.
    왜 하고, 무엇을 알 수 있나요
    오차의 크기가 예측값에 상관없이 비슷한지 봅니다. 이 조건이 맞아야 신뢰구간과 p값이 정확합니다.

  13. 가정 4: 잔차의 정규성

    어떻게 하나요
    표준화 잔차의 히스토그램과 정규 P-P 도표, Q-Q 도표를 확인합니다.
    확인할 값과 해석 기준
    P-P 도표의 점이 대각선 근처에 있고 히스토그램이 종 모양이면 충분합니다. 표본이 크면(대략 N ≥ 100~200) 중심극한정리 때문에 약간의 이탈은 계수 검정에 큰 영향을 주지 않습니다. 이탈이 크면 부트스트랩 신뢰구간을 사용합니다.
    왜 하고, 무엇을 알 수 있나요
    t검정, F검정, 신뢰구간이 기대고 있는 분포 가정을 점검합니다.

  14. 가정 5: 다중공선성 진단

    어떻게 하나요
    ‘공선성 통계량’에서 공차(Tolerance)와 VIF를, ‘공선성 진단’에서 조건지수와 분산분해 비율을 확인합니다. 상관행렬에서 설명변수 간 상관도 다시 봅니다.
    확인할 값과 해석 기준
    VIF 10 이상(엄격한 기준은 5 이상)이거나 공차 .10 이하(엄격하게는 .20 이하)이면 다중공선성이 문제입니다. 조건지수 30 이상이면서 두 개 이상의 변수가 분산분해 비율 .50 이상을 공유하면 문제 신호입니다. 설명변수 간 |r| ≥ .80~.85도 의심 기준입니다. 상호작용항·제곱항은 평균중심화로 줄입니다. 해결책: 중복 변수 제거·합치기(합성 점수, 요인점수), 표본 증가, 릿지 회귀.
    왜 하고, 무엇을 알 수 있나요
    설명변수끼리 너무 겹치면 개별 계수가 불안정해집니다(표준오차 증가, 부호 뒤바뀜). 공선성이 높으면 R²가 높아도 어떤 변수가 중요한지 말하기 어렵습니다.

  15. 가정 6: 영향점(영향력 있는 사례) 진단

    어떻게 하나요
    ‘케이스별 진단’, 저장한 Cook의 거리(Cook’s D), 레버리지(h), DFBETAS, 표준화 잔차를 확인합니다.
    확인할 값과 해석 기준
    표준화 잔차 |z| > 3, Cook의 D > 1(보수적으로 4/N 초과), 레버리지 h > 2(k+1)/N(엄격하게는 3(k+1)/N), |DFBETAS| > 2/√N이면 영향점 후보입니다. 입력 오류면 수정하고, 실제 응답이면 포함·제외 모형을 비교해 둘 다 보고합니다.
    왜 하고, 무엇을 알 수 있나요
    사례 몇 개가 회귀계수와 결론을 좌우하고 있지는 않은지 봅니다.

  16. 모형 적합도·설명력 해석

    어떻게 하나요
    ‘모형 요약’과 ‘ANOVA’ 표에서 R, R², 수정된 R², F, 유의확률과 블록별 ΔR², ΔF를 읽습니다.
    확인할 값과 해석 기준
    F 검정이 유의(p < .05)하면 절편만 있는 모형보다 낫다는 뜻입니다. R²는 Y 변동 중 모형이 설명하는 비율이고, Cohen의 참고치는 R² .02 작음·.13 중간·.26 큼(f² .02·.15·.35)입니다. 변수를 늘리면 R²는 커지기 마련이니 수정된 R²도 같이 봅니다. 블록 2의 ΔR²가 유의하면 설명변수가 통제변수 말고도 고유한 설명력을 더한다는 뜻입니다. 효과 크기 f² = ΔR² ÷ (1 − 전체 R²)로 계산해 보고합니다.
    왜 하고, 무엇을 알 수 있나요
    모형 전체가 결과를 얼마나 설명하는지, 관심 변수를 넣었을 때 설명력이 실제로 늘었는지 답할 수 있습니다.

  17. 회귀계수 해석 (어떤 변수가 유의하고 얼마나 큰가)

    어떻게 하나요
    ‘계수’ 표에서 비표준화 계수 B, 표준오차, 표준화 계수 β, t, p, B의 95% 신뢰구간, 부분상관(part)을 읽습니다.
    확인할 값과 해석 기준
    p < .05 또는 95% 신뢰구간이 0을 포함하지 않으면 다른 변수를 통제한 뒤에도 그 변수의 고유한 관련이 있다고 봅니다. B는 ‘다른 변수를 고정하고 X가 1단위 늘 때 Y의 변화량’이므로 실제 단위로 읽고, 더미변수의 B는 기준 집단과의 평균 차이로 읽습니다. β는 변수끼리 비교할 때 참고만 합니다. 크기만으로 ‘더 중요한 변수’라고 단정하지 말고 제곱한 부분상관(sr²)으로 고유 설명량을 제시하세요. p값만 보지 말고 효과 크기와 신뢰구간의 폭도 같이 해석합니다.
    왜 하고, 무엇을 알 수 있나요
    어떤 설명변수가 결과와 고유하게 관련되는지, 방향(+/−)과 크기는 어떤지 답합니다.

  18. 결과의 안정성 점검 (강건성·교차타당성)

    어떻게 하나요
    부트스트랩(5,000회) 신뢰구간, 영향점 제외 모형, 이분산 강건 표준오차, 대안 통제변수 구성으로 결과가 바뀌는지 봅니다. 표본이 충분하면 무작위로 반을 나눠 한쪽에서 만든 모형을 다른 쪽에서 검증하거나 k겹 교차검증을 합니다.
    확인할 값과 해석 기준
    방법을 바꿔도 계수의 방향과 유의성이 비슷하면 결과가 안정적입니다. 수정된 R²가 교차검증에서 크게 떨어지면 과적합을 의심합니다.
    왜 하고, 무엇을 알 수 있나요
    결과가 특정 분석 선택이나 특이한 사례 때문에 나온 것은 아닌지 보여 줍니다.

  19. Y가 이분형·순서형·횟수일 때의 대안

    어떻게 하나요
    수료/중도탈락 같은 이분형은 로지스틱 회귀, 순서형은 순서형 로지스틱, 횟수 자료는 포아송·음이항 회귀를 사용합니다. 로지스틱에서는 사건 수 대비 예측변수 수(사건당 변수 10~20개 이상 권장)를 확인합니다.
    확인할 값과 해석 기준
    로지스틱에서는 오즈비(OR)와 95% 신뢰구간, Hosmer–Lemeshow 적합도, Nagelkerke R², 분류표, ROC–AUC로 해석합니다. OR 1은 관련 없음을 뜻하고 신뢰구간이 1을 포함하면 유의하지 않습니다.
    왜 하고, 무엇을 알 수 있나요
    결과변수의 성격에 맞는 회귀를 써야 계수와 예측을 제대로 읽을 수 있습니다.

  20. 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. 위계적 회귀는 단계별 R², ΔR², 계수표를 한 표에 나란히 제시합니다.
    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 · 조직몰입

조직몰입과 관련된 학습환경 요인

연구목적
조직몰입과 상사 지원·학습기회·업무자율성의 고유한 관련성을 파악합니다.
알고 싶은 것
근속연수와 직급을 고려한 뒤에도 학습기회는 조직몰입과 관련되는가?
사용할 자료
  • 재직자별 조직몰입·지원·학습기회·자율성 척도
  • 근속연수와 직급
방법을 적용하는 방식
이론에 근거한 통제변수와 주요 설명변수를 투입하고 계수와 추가 설명력을 확인합니다. 동일 기업의 응답자가 많으면 군집 오차 또는 다층모형을 검토합니다.
제시할 결과
  • 학습기회·상사지원·자율성의 회귀계수와 신뢰구간
  • 통제변수 포함 여부별 설명력
  • 잔차 진단을 제시합니다
이 사례에서 밝힐 수 있는 것
여러 변수 중 어느 변수가 조건부로 관련되는지 답할 수 있습니다. 지원을 늘리면 몰입이 증가한다는 개입 효과는 별도 설계가 필요합니다.
사례 2 · 학습분석

최종 성취점수와 초반 학습활동

연구목적
사전성취를 고려하고도 초반 활동이 최종 성취와 관련되는지 확인합니다.
알고 싶은 것
사전시험 점수가 같은 학습자라도 1~3주 차의 분산학습일수가 많으면 최종 점수가 높은가?
사용할 자료
  • 학습자별 사전시험
  • 1~3주 차 활동일수·퀴즈 시도 수
  • 최종시험 점수
방법을 적용하는 방식
행동지표의 중복을 점검한 뒤 회귀모형을 적합합니다. 여러 강좌를 합칠 때는 강좌 구조를 반영합니다.
제시할 결과
  • 사전성취를 고려한 초기 활동지표의 계수·신뢰구간과 설명력을 제시하고 강좌 군집을 어떻게 처리했는지 밝힙니다
이 사례에서 밝힐 수 있는 것
설명 목적의 분석입니다. 새 학습자의 성적을 맞히는 것이 주목적이면 별도 검증 자료를 사용하는 예측분석을 선택합니다.
08 · 해석 범위

이 결과로 어디까지 말할 수 있을까요?

  • 횡단 설문에서 회귀계수가 유의하다는 사실만으로 원인이라고 결론 내릴 수 없습니다.
  • 퇴사 여부·수료 여부와 같은 이분형 결과는 로지스틱 회귀 등을 검토합니다.
  • 표준화 계수의 크기만으로 변수의 중요도를 단정하지 말고 변수 간 상관과 상대적 중요도 분석의 목적을 구분합니다.
  • 설명변수가 하나라면 단순회귀부터 검토합니다. 여러 설명변수를 함께 고려하는 질문일 때 다중회귀를 사용합니다.
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.

1. 결과변수가 연속형 점수인가요?
2. 다른 설명변수를 함께 고려한 관계를 알고 싶은가요?
3. 팀·강좌별 군집과 누락된 교란요인을 검토할 수 있나요?

함께 비교하면 좋은 방법

매개효과 (Mediation, 다중매개 포함)교육이나 경험이 성과로 이어지기까지 어떤 과정이 작동하는가?조절효과 (Moderation, 이중조절 포함)어떤 사람이나 상황에서 두 요인의 관계가 더 강하거나 약해지는가?예측분석 (Predictive Modeling, 랜덤 포레스트 중심)새로운 사람이나 다음 시기의 결과를 미리 얼마나 정확하게 예측할 수 있는가?

이 방법을 이해하는 추천 연구논문

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

  1. 방법 설명SSCI

    Tonidandel, S., & LeBreton, J. M. (2011). Relative Importance Analysis: A Useful Supplement to Regression Analysis. Journal of Business and Psychology, 26(1), 1-9.

    읽을 초점 설명변수 사이에 상관이 있을 때 상대적 중요도가 회귀계수 해석을 어떻게 보완하는지 읽어 보세요.

    DOI: 10.1007/s10869-010-9204-3 · ISSN: 0889-3268 / 1573-353X
  2. 적용 논문KCI

    Choi, U.-S., & Kwon, J.-H. (2007). Hierarchial Multiple Regression Analysis Relating to the Effects and Causes of Job Satisfaction and Organizational Commitment of Lifelong Education Specialist. 평생학습사회, 3(2), 75-91.

    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: 10.26857/jlls.2007.11.3.2.75 · Crossref 인용 수 0회 (2026-11-02 확인)
  3. 적용 논문SSCI

    Sarti, D. (2014). Job Resources as Antecedents of Engagement at Work: Evidence From a Long-Term Care Setting. Human Resource Development Quarterly, 25(2), 213-237.

    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: 10.1002/hrdq.21189 · Crossref 인용 수 64회 (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 살펴보기나의 연구 발전시키기(실습) →