t-검정 (t-test)
t-검정은 모분산(모집단의 분산)을 알 수 없는 상황에서 표본 데이터를 바탕으로 모평균을 추정하거나 집단 간 평균 차이의 통계적 유의성을 검증하기 위해 널리 사용되는 모수적 가설검정 방법입니다.
t-검정의 개요와 기본 개념
t-검정은 1908년 영국 맥주 양조장 글라우저(Guinness)의 화학자 윌리엄 시즐리 겐트(William Sealy Gosset)가 '스튜던트(Student)'라는 필명으로 처음 제안했습니다. 그는 소표본 데이터의 정확성을 높이기 위해 이 방법을 개발했으며, 이후 통계학의 기초가 되었습니다.
t-검정의 핵심은 z-검정과의 차이점에 있습니다. z-검정은 모분산을 정확히 알 때 사용되지만, 실제 연구에서는 모분산을 알기 어렵기 때문에 표본 분산을 사용하여 모분산을 추정합니다. 이때 사용되는 확률 분포가 t-분포입니다. t-분포는 정규분포와 유사한 종 모양을 띠지만, 중심부는 낮고 꼬리가 두꺼운(heavy-tailed) 형태를 가집니다. 이는 표본 크기가 작을 때 발생할 수 있는 불확실성을 보정하기 위함입니다. t-분포의 형태는 자유도(Degrees of Freedom, df)에 따라 결정되며, 자유도가 증가할수록 t-분포는 표준정규분포에 수렴합니다.
t-검정의 주요 유형
연구 설계의 성격에 따라 t-검정은 크게 세 가지 유형으로 구분됩니다.
| 유형 |
적용 조건 |
주요 가정 |
자유도 (df) |
검정 통계량 핵심 개념 |
| 일표본 t-검정 |
단일 표본의 평균이 특정 기준값(모평균)과 다른지 검증 |
정규성 |
$n - 1$ |
표본 평균과 기준값의 차이를 표준오차로 나눈 값 |
| 독립표본 t-검정 |
두 개의 서로 독립적인 집단의 평균 차이를 비교 |
정규성, 등분산성, 독립성 |
$n_1 + n_2 - 2$ (등분산 가정 시)
웰치 공식 적용 (가정 위반 시) |
두 집단의 평균 차이와 pooled standard error |
| 대응표본 t-검정 |
동일한 집단의 두 시점(전후) 또는 매칭된 쌍의 차이 분석 |
차이점의 정규성 |
$n - 1$ |
각 쌍의 차이점 평균과 그 표준오차 |
일표본 t-검정 (One-Sample t-test)
일표본 t-검정은 단일 표본의 평균이 미리 정해진 특정 기준값(모평균)과 통계적으로 유의미하게 다른지를 검증합니다.
예시: 특정 공장에서 생산되는 제품의 규격 길이가 10cm인지 확인하고자 할 때, 무작위로 추출한 30개의 제품 길이를 측정하여 표본 평균이 10cm와 유의미한 차이가 있는지 검정합니다. 귀무가설($H_0$): 모평균($\mu$) = 10cm로 설정됩니다.
독립표본 t-검정 (Independent Samples t-test)
독립표본 t-검정은 두 개의 서로 독립적인 집단(예: 남성 vs 여성, 실험군 vs 대조군)의 평균이 동일한지 비교합니다. 이 검정에서 가장 중요한 가정 중 하나는 등분산성(Homogeneity of Variance)입니다. 즉, 두 집단의 분산이 동일하다고 가정해야 합니다.
예시: 새로운 학습법을 적용한 실험군(15명)과 기존 학습법을 적용한 대조군(15명)의 시험 점수 평균이 동일한지 비교합니다.
등분산성 여부에 따라 계산식이 달라지며, 이를 확인하기 위해 레빈 검정(Levene's Test)이나 브로이슈-페건 검정(Brown-Forsythe Test) 등을 수행합니다. 브로이슈-페건 검정은 레빈 검정에 비해 이상치(outlier)에 더 강건한 특성을 가집니다.
| 가정 상태 |
사용 통계량 |
설명 |
| 등분산 가정 충족 |
Pooled t-statistic |
두 집단의 분산을 결합(Pooling)하여 표준오차를 계산합니다. 검정력이 더 높습니다. |
| 등분산 가정 위반 |
Welch's t-statistic |
분산을 결합하지 않고 각 집단의 분산을 개별적으로 사용하여 계산합니다. 자유도도 조정됩니다. |
대응표본 t-검정 (Paired Samples t-test)
대응표본 t-검정은 동일한 대상에게 두 가지 조건을 적용하거나, 동일한 대상을 두 시점에 걸쳐 측정할 때 사용됩니다. 이는 개체 간 변이를 제거하고 순수한 처리 효과만을 추출하는 데 유리합니다.
예시: 다이어트 프로그램 참여 전후의 체중 변화를 분석합니다. 각 참여자의 '전후 체중 차이'를 계산한 후, 이 차이점의 평균이 0과 유의미하게 다른지를 일표본 t-검정 방식으로 검증합니다.
t-검정의 가정 조건 및 해석
t-검정은 모수적 검정이므로 다음과 같은 통계적 가정을 충족해야 합니다.
- 정규성(Normality): 데이터가 정규분포를 따라야 합니다. 표본 크기가 충분히 크다면 중심극한정리에 의해 완화될 수 있으나, 소표본일 경우 샤피로-윌크(Shapiro-Wilk) 검정 등으로 확인해야 합니다.
- 독립성(Independence): 관측치들이 서로 독립적이어야 합니다.
- 등분산성(Homogeneity of Variance): 독립표본 t-검정 시 두 집단의 분산이 동일해야 합니다. 레빈 검정에서 p-value가 0.05보다 작으면 등분산 가정이 위반된 것으로 간주하여 웰치 t-검정을 적용해야 합니다.
p-value가 유의수준(일반적으로 0.05)보다 작으면 귀무가설을 기각하고 차이가 유의미하다고 판단합니다. 그러나 p-value만으로는 차이의 실질적 중요성을 알 수 없으므로 효과 크기(Effect Size)를 함께 고려해야 합니다.
Cohen's d 계산법
| 유형 |
공식 |
비고 |
| 일표본/대응표본 |
$d = \frac{\bar{X} - \mu}{s}$ |
$\mu$: 기준값 (대응표본의 경우 차이점 평균 0)
$s$: 표준편차 |
| 독립표본 |
$d = \frac{\bar{X}_1 - \bar{X}_2}{s_{pooled}}$ |
$s_{pooled}$: 결합 표준편차 |
효과 크기 해석 기준 (Cohen's 기준)
| 효과 크기 ($d$) |
해석 |
| 0.2 미만 |
작은 효과 (Small Effect) |
| 0.2 ~ 0.5 |
중간 효과 (Medium Effect) |
| 0.5 ~ 0.8 |
큰 효과 (Large Effect) |
| 0.8 이상 |
매우 큰 효과 (Very Large Effect) |
가정 위반 시 대안 (비모수 검정)
데이터가 정규성이나 등분산성 가정을 심각하게 위반할 경우, 모수적 가정 없이도 사용할 수 있는 비모수 검정(Non-parametric Test)을 사용해야 합니다. 이들은 데이터의 순위(Rank)를 기반으로 검정을 수행하여 이상치나 비정규 분포의 영향을 줄입니다.
- 일표본 t-검정 대안: 부호 순위 검정(Signed-Rank Test)
- 대응표본 t-검정 대안: 윌콕슨 부호 순위 검정 (Wilcoxon Signed-Rank Test)
- 독립표본 t-검정 대안: 만-휘트니 U 검정 (Mann-Whitney U Test), 또는 윌콕슨 순위합 검정 (Wilcoxon Rank-Sum Test)
- 참고: 만-휘트니 U 검정과 윌콕슨 순위합 검정은 수학적으로 동등한 검정 방법입니다.
# t-검정 (t-test)
t-검정은 모분산(모집단의 분산)을 알 수 없는 상황에서 표본 데이터를 바탕으로 모평균을 추정하거나 집단 간 평균 차이의 통계적 유의성을 검증하기 위해 널리 사용되는 모수적 가설검정 방법입니다.
## t-검정의 개요와 기본 개념
t-검정은 1908년 영국 맥주 양조장 글라우저(Guinness)의 화학자 윌리엄 시즐리 겐트(William Sealy Gosset)가 '스튜던트(Student)'라는 필명으로 처음 제안했습니다. 그는 소표본 데이터의 정확성을 높이기 위해 이 방법을 개발했으며, 이후 통계학의 기초가 되었습니다.
t-검정의 핵심은 **z-검정**과의 차이점에 있습니다. z-검정은 모분산을 정확히 알 때 사용되지만, 실제 연구에서는 모분산을 알기 어렵기 때문에 표본 분산을 사용하여 모분산을 추정합니다. 이때 사용되는 확률 분포가 **t-분포**입니다. t-분포는 정규분포와 유사한 종 모양을 띠지만, 중심부는 낮고 꼬리가 두꺼운(heavy-tailed) 형태를 가집니다. 이는 표본 크기가 작을 때 발생할 수 있는 불확실성을 보정하기 위함입니다. t-분포의 형태는 **자유도(Degrees of Freedom, df)**에 따라 결정되며, 자유도가 증가할수록 t-분포는 표준정규분포에 수렴합니다.
## t-검정의 주요 유형
연구 설계의 성격에 따라 t-검정은 크게 세 가지 유형으로 구분됩니다.
| 유형 | 적용 조건 | 주요 가정 | 자유도 (df) | 검정 통계량 핵심 개념 |
| :--- | :--- | :--- | :--- | :--- |
| **일표본 t-검정** | 단일 표본의 평균이 특정 기준값(모평균)과 다른지 검증 | 정규성 | $n - 1$ | 표본 평균과 기준값의 차이를 표준오차로 나눈 값 |
| **독립표본 t-검정** | 두 개의 서로 독립적인 집단의 평균 차이를 비교 | 정규성, **등분산성**, 독립성 | $n_1 + n_2 - 2$ (등분산 가정 시)<br>웰치 공식 적용 (가정 위반 시) | 두 집단의 평균 차이와 pooled standard error |
| **대응표본 t-검정** | 동일한 집단의 두 시점(전후) 또는 매칭된 쌍의 차이 분석 | 차이점의 정규성 | $n - 1$ | 각 쌍의 차이점 평균과 그 표준오차 |
## 일표본 t-검정 (One-Sample t-test)
일표본 t-검정은 단일 표본의 평균이 미리 정해진 특정 기준값(모평균)과 통계적으로 유의미하게 다른지를 검증합니다.
**예시**: 특정 공장에서 생산되는 제품의 규격 길이가 10cm인지 확인하고자 할 때, 무작위로 추출한 30개의 제품 길이를 측정하여 표본 평균이 10cm와 유의미한 차이가 있는지 검정합니다. 귀무가설($H_0$): **모평균($\mu$) = 10cm**로 설정됩니다.
## 독립표본 t-검정 (Independent Samples t-test)
독립표본 t-검정은 두 개의 서로 독립적인 집단(예: 남성 vs 여성, 실험군 vs 대조군)의 평균이 동일한지 비교합니다. 이 검정에서 가장 중요한 가정 중 하나는 **등분산성(Homogeneity of Variance)**입니다. 즉, 두 집단의 분산이 동일하다고 가정해야 합니다.
**예시**: 새로운 학습법을 적용한 실험군(15명)과 기존 학습법을 적용한 대조군(15명)의 시험 점수 평균이 동일한지 비교합니다.
등분산성 여부에 따라 계산식이 달라지며, 이를 확인하기 위해 **레빈 검정(Levene's Test)**이나 **브로이슈-페건 검정(Brown-Forsythe Test)** 등을 수행합니다. 브로이슈-페건 검정은 레빈 검정에 비해 이상치(outlier)에 더 강건한 특성을 가집니다.
| 가정 상태 | 사용 통계량 | 설명 |
| :--- | :--- | :--- |
| **등분산 가정 충족** | Pooled t-statistic | 두 집단의 분산을 결합(Pooling)하여 표준오차를 계산합니다. 검정력이 더 높습니다. |
| **등분산 가정 위반** | Welch's t-statistic | 분산을 결합하지 않고 각 집단의 분산을 개별적으로 사용하여 계산합니다. 자유도도 조정됩니다. |
## 대응표본 t-검정 (Paired Samples t-test)
대응표본 t-검정은 동일한 대상에게 두 가지 조건을 적용하거나, 동일한 대상을 두 시점에 걸쳐 측정할 때 사용됩니다. 이는 개체 간 변이를 제거하고 순수한 처리 효과만을 추출하는 데 유리합니다.
**예시**: 다이어트 프로그램 참여 전후의 체중 변화를 분석합니다. 각 참여자의 '전후 체중 차이'를 계산한 후, 이 차이점의 평균이 0과 유의미하게 다른지를 일표본 t-검정 방식으로 검증합니다.
## t-검정의 가정 조건 및 해석
t-검정은 모수적 검정이므로 다음과 같은 통계적 가정을 충족해야 합니다.
1. **정규성(Normality)**: 데이터가 정규분포를 따라야 합니다. 표본 크기가 충분히 크다면 중심극한정리에 의해 완화될 수 있으나, 소표본일 경우 샤피로-윌크(Shapiro-Wilk) 검정 등으로 확인해야 합니다.
2. **독립성(Independence)**: 관측치들이 서로 독립적이어야 합니다.
3. **등분산성(Homogeneity of Variance)**: 독립표본 t-검정 시 두 집단의 분산이 동일해야 합니다. 레빈 검정에서 p-value가 0.05보다 작으면 등분산 가정이 위반된 것으로 간주하여 웰치 t-검정을 적용해야 합니다.
### 결과 해석 및 효과 크기
p-value가 유의수준(일반적으로 0.05)보다 작으면 귀무가설을 기각하고 차이가 유의미하다고 판단합니다. 그러나 p-value만으로는 차이의 실질적 중요성을 알 수 없으므로 **효과 크기(Effect Size)**를 함께 고려해야 합니다.
**Cohen's d 계산법**
| 유형 | 공식 | 비고 |
| :--- | :--- | :--- |
| **일표본/대응표본** | $d = \frac{\bar{X} - \mu}{s}$ | $\mu$: 기준값 (대응표본의 경우 차이점 평균 0)<br>$s$: 표준편차 |
| **독립표본** | $d = \frac{\bar{X}_1 - \bar{X}_2}{s_{pooled}}$ | $s_{pooled}$: 결합 표준편차 |
**효과 크기 해석 기준 (Cohen's 기준)**
| 효과 크기 ($d$) | 해석 |
| :---: | :--- |
| 0.2 미만 | 작은 효과 (Small Effect) |
| 0.2 ~ 0.5 | 중간 효과 (Medium Effect) |
| 0.5 ~ 0.8 | 큰 효과 (Large Effect) |
| 0.8 이상 | 매우 큰 효과 (Very Large Effect) |
### 가정 위반 시 대안 (비모수 검정)
데이터가 정규성이나 등분산성 가정을 심각하게 위반할 경우, 모수적 가정 없이도 사용할 수 있는 **비모수 검정(Non-parametric Test)**을 사용해야 합니다. 이들은 데이터의 순위(Rank)를 기반으로 검정을 수행하여 이상치나 비정규 분포의 영향을 줄입니다.
* **일표본 t-검정 대안**: **부호 순위 검정(Signed-Rank Test)**
* **대응표본 t-검정 대안**: **윌콕슨 부호 순위 검정 (Wilcoxon Signed-Rank Test)**
* **독립표본 t-검정 대안**: **만-휘트니 U 검정 (Mann-Whitney U Test)**, 또는 **윌콕슨 순위합 검정 (Wilcoxon Rank-Sum Test)**
* *참고: 만-휘트니 U 검정과 윌콕슨 순위합 검정은 수학적으로 동등한 검정 방법입니다.*