논문 통계 분석을 하다 보면 대학원생 분들께 가장 많이 받는 질문이 있어요.
"이 변수는 어떤 척도로 봐야 하나요?"
그리고 대부분은 ‘그게 뭐였더라...’ 하는 표정을 지으시죠.

사실 척도(scale)란 게 별건 아닙니다. 우리가 어떤 개념이나 현상을 수치화해서 표현할 때, 그 수치가 갖는 의미와 성격을 구분해놓은 체계거든요. 예를 들어볼게요.

누군가의 성별을 조사한다면 '남자', '여자' 라는 값에는 크고 작음이 없죠. 그냥 구분만 되는 거예요. 이런 걸 명명척도(명목척도, Nominal scale)라고 합니다.

반면, 학년이나 직급처럼 순서를 매길 수 있는 경우가 있죠. 1학년, 2학년, 3학년... 이건 순서가 있지만 1학년과 2학년의 차이와 3학년과 4학년의 차이가 같다고는 할 수 없잖아요. 이런 걸 서열척도(Ordinal scale)라고 부릅니다.

조금 더 나가볼까요?
온도나 점수처럼 숫자 간 간격이 일정하고, 덧셈과 뺄셈이 가능한 경우가 있어요. 예를 들어 20도와 30도의 차이와 30도와 40도의 차이는 같죠. 하지만 0도가 ‘없음’을 의미하진 않잖아요. 그래서 이건 등간척도(Interval scale)예요.

마지막으로 몸무게, 키, 수입 같은 건 비율척도(Ratio scale)라고 해요. 0이 절대적인 의미를 갖고, 비율 계산도 가능합니다. 0kg은 아무것도 없는 상태니까요.

이걸 왜 알아야 할까요?
척도의 종류에 따라 적용할 수 있는 통계분석이 달라지거든요.
명목척도 변수엔 빈도분석이나 카이제곱검정을, 등간척도 이상이면 t검정, ANOVA 같은 분석을 쓸 수 있는 식이죠. 그래서 논문에서 변수의 척도를 잘못 설정하면 분석 자체가 엉뚱한 방향으로 가기도 해요.

논문에서 변수마다 이 척도를 정리해두면, 그걸 바탕으로 어떤 분석기법을 써야 하는지 명확해집니다. 그리고 이걸 헷갈려서 분석방식이 잘못되면 논문 심사 때 반드시 지적받게 되어 있죠.

실제로 얼마 전에도, 한 석사과정 학생분이 오셔서 ‘독립표본 t검정’을 했다고 하는데 변수 척도를 보니 명목척도라 분석법부터 다시 잡아드린 일이 있었어요. 이런 부분에서 논문컨설팅을 의뢰하시는 분들이 많고, 저도 그런 사례를 많이 다뤄왔습니다.

혹시 지금 논문에 쓸 변수와 분석법이 애매하다 싶다면, 척도를 정리해보는 것부터 시작해보세요. 그리고 필요하면 언제든 저에게 상담 주세요. 20년 넘게 논문통계만 해온 경험으로, 가장 적절한 분석설계를 함께 잡아드릴 수 있습니다.

논문 통계 분석은 결국 변수와 척도를 제대로 설정하는 데서 절반이 결정됩니다.
그거 하나만 잘 잡아도 분석 속도가 확 줄어요.
만약 지금 보고 계신 연구 설계나 변수 목록에서 이 부분이 고민된다면, 언제든 편하게 연락 주세요. 20년 동안 대학원생 분들의 논문 통계 분석을 함께 해온 경험으로, 딱 맞는 방향 잡아드릴게요.

논문통계관련 상담문의는 chsoo.lee@gmail.com 입니다. ~

논문을 분석하다 보면 많은 분들이 "이 변수는 어떤 통계분석을 써야 하나요?"라는 질문을 가장 많이 하십니다. 그런데 정작 그보다 더 먼저 점검해야 할 게 있어요. 바로 그 변수가 어떤 척도로 측정되었는가입니다.
우리가 연구에서 다루는 모든 변수는 사실 네 가지 범주 중 하나에 속해요. 명목척도, 서열척도, 등간척도, 비율척도. 이걸 구분하지 않으면, 분석 방법을 고르는 것도, 해석을 하는 것도 모두 엉켜버릴 수밖에 없습니다.
예를 들어볼까요?
만약 '성별'이라는 변수를 가지고 있다면, 이건 남/여로 나뉘는 단순한 분류예요. 이를 '명목척도'라고 하죠. 숫자를 부여해도 그건 그저 코드일 뿐, 1이 2보다 크거나 작다는 의미는 없어요. 그런데 '만족도'처럼 ‘만족’, ‘보통’, ‘불만족’으로 순위를 매기는 변수는 또 다릅니다. 이건 순서가 있어요. 누군가 ‘매우 만족’을 선택했다면, ‘보통’보다는 만족도가 높다는 걸 알 수 있으니까요. 하지만 그 간격이 같은지는 알 수 없죠. 그래서 이걸 '서열척도'라고 합니다.
그런데 여기서 '온도'나 'IQ'처럼 값의 간격이 일정한 변수는 또 다른 문제예요. 20도와 30도는 10도의 차이가 있지만, 절대적인 0이 없으니까 20도가 10도의 두 배라고 할 순 없습니다. 이걸 '등간척도'라고 해요. 마지막으로 ‘키’, ‘몸무게’, ‘소득’처럼 0이 존재하고, 간격도 같고, 비율 개념까지 성립하는 건 ‘비율척도’죠. 180cm는 90cm의 두 배입니다.
이걸 왜 이렇게 강조하냐면, SPSS로 분석할 때 변수의 척도에 따라 쓸 수 있는 분석 방법이 완전히 달라지기 때문이에요.
성별 같은 명목척도를 가지고 평균을 구할 수는 없잖아요. 마찬가지로 비율척도를 가지고 단순 빈도만 보는 것도 분석의 깊이를 얕게 만드는 거고요.
그리고 또 하나.
SPSS에서는 'Variable View'에서 'Measure' 항목을 보면 Nominal, Ordinal, Scale이렇게 3가지로 설정하게 돼 있어요. 문제는 SPSS에서는 등간척도와 비율척도를 그냥 'Scale'로 묶어버린다는 거죠. 그러니 연구자는 반드시 데이터와 설문 문항을 다시 들여다보면서 이 변수가 진짜로 어떤 척도인지, 분석에 따라 어떻게 구분하고 해석할지를 따져봐야 합니다.
실제로 통계 분석을 의뢰하러 오는 분들 중 절반 이상은 이 기본 정리가 안 된 상태로 오세요. 변수의 척도를 잘못 설정해 분석을 진행하면 결과가 엉뚱하게 나오고, 논문 심사에서 바로 지적받죠. 그리고 그때 다시 처음으로 돌아가야 합니다. 시간도, 마음도 지치기 전에 이 부분을 확실히 점검하는 게 논문 통계의 핵심이에요.
제가 20년 넘게 논문 통계를 하면서 느낀 건, 통계분석의 복잡함보다 척도의 개념을 잘못 이해한 게 더 큰 문제를 일으킨다는 겁니다.
만약 지금 논문을 준비하고 있다면, 혹은 SPSS 데이터파일을 열어두었다면, 오늘 이 글을 계기로 변수 하나하나의 척도를 점검해보세요.
모호하다 싶으면 언제든 저에게 편하게 문의주셔도 좋아요. 데이터만 보내지 말고, 측정방식이나 문항 내용도 함께 알려주시면 훨씬 정확한 분석을 도와드릴 수 있습니다.
이런 작은 정리가 논문의 완성도를 좌우합니다.
오늘은 변수 척도의 중요성에 대해 함께 정리해봤고, 내일은 이 척도에 따라 사용할 수 있는 분석방법을 사례와 함께 소개해보겠습니다.

통계문의는 chsoo.lee@gmail.com 으로 연락주세요 !

📊  논문에서 통계를 다룰 때 가장 먼저 정리해야 할 개념이 있습니다.
바로 **기술통계(Descriptive Statistics)**와 **추론통계(Inferential Statistics)**의 구분입니다.

두 가지는 전혀 다른 목적을 가진 통계이며, 사용되는 분석방법도 완전히 다릅니다.

✅ 기술통계(Descriptive Statistics): "지금 가진 자료를 요약한다"

기술통계는 말 그대로 현재 확보된 데이터를 요약, 정리하는 데 목적이 있습니다.

• 예: 평균, 표준편차, 중앙값, 빈도수, 백분율 등
• 목적: 표본 데이터 자체의 특성을 파악하기 위함

📌 SPSS에서는 어떻게?
분석 → 기술통계 → 빈도 / 기술통계 / 탐색 메뉴에서 확인 가능.
논문에서는 표 1. 대상자의 일반적 특성 등에 해당하는 내용이 기술통계입니다.

✅ 추론통계(Inferential Statistics): "표본을 통해 전체를 추론한다"

추론통계는 표본 데이터를 바탕으로 모집단 전체에 대한 결론을 도출하려는 분석입니다.
즉, 검정, 예측, 일반화의 목적을 가지고 있습니다.

• 예: t-test, ANOVA, 상관분석, 회귀분석, 카이제곱검정 등
• 목적: 특정 가설을 검정하고, 표본 결과를 통해 전체를 추론

📌 SPSS에서는 어떻게?
분석 → 평균비교 / 일반선형모형 / 회귀분석 / 상관분석 등 다양한 메뉴를 통해 실행.
논문의 가설검정, 즉 결과 분석 파트가 바로 이 추론통계입니다.

🔍 핵심 구분 요약

구분 기술통계 추론통계

📌 실전 팁

“분석을 시작할 때 기술통계는 반드시 선행되어야 합니다.”
데이터의 분포나 기본 특성을 이해하지 않은 채 가설검정을 진행하는 건,
기초 없이 건물을 올리는 것과 같기 때문입니다.

좋은 논문결과 나오기를 바라며 궁금하시거나 문의사항은 언제든지 chsoo.lee@gmail.com 으로 메일 주세요. 

사회과학 논문을 쓰다 보면 “모수”와 “통계량”이라는 용어가 반복해서 등장합니다.
이 둘을 구분하는 것은 연구 설계와 해석의 정확성을 위해 반드시 필요합니다.

모수(Parameter)란?

모수란 전체 집단(모집단)의 특성을 나타내는 수치를 의미합니다.
예를 들어, 어떤 나라 전체 성인의 평균 키나 평균 소득처럼,
전체 구성원에 대해 말할 때 사용됩니다.

하지만 현실적으로 우리는 모집단 전체를 조사하는 것이 거의 불가능하죠.
그래서 연구자들은 표본을 추출해 그 안에서 특성을 측정하고,
그 측정값을 바탕으로 모수를 추정하게 됩니다.

통계량(Statistic)이란?

통계량은 표본에서 얻은 수치를 말합니다.
즉, 실제 조사를 통해 얻어진 데이터의 평균, 비율, 분산 등이 이에 해당합니다.

표본의 평균 소득, 표본의 성별 비율, 표본의 만족도 점수 등이 모두 통계량입니다.

왜 이 차이가 중요할까?

모수와 통계량을 혼동하면 분석 결과의 해석에 오류가 생깁니다.
우리는 표본을 통해 ‘추정’하고 있는 것이지, 실제 모집단의 수치를 ‘알고 있는’ 것이 아닙니다.
따라서 항상 오차의 가능성을 염두에 둬야 하고,
그 오차를 줄이기 위한 통계 기법들이 발전해온 것입니다.

요약하자면,

• 모수: 전체 모집단의 수치 (실제로는 알기 어려움)
• 통계량: 표본을 통해 관찰된 수치 (우리가 실제로 갖는 데이터)

이 개념 위에서 모든 추론통계(inferential statistics)가 작동합니다.
모수는 우리가 알고 싶은 것, 통계량은 우리가 실제로 갖고 있는 것입니다.

SPSS에서는 어떻게 확인할까?

SPSS에서는 통계량, 즉 표본 데이터에 기반한 수치들을 쉽게 확인할 수 있습니다.

1. Analyze → Descriptive Statistics → Descriptives
2. 변수 선택 후 실행(OK)
3. 표본의 평균, 표준편차, 최소값, 최대값 등이 출력됨

이 화면에 나오는 모든 수치는 통계량입니다.
우리는 이 데이터를 바탕으로 모집단(모수)의 특성을 추정하게 되는 것이죠.

추가 팁:
SPSS에서는 Confidence Interval(신뢰구간) 도 함께 확인할 수 있는데,
이것이 바로 표본에서 모수를 얼마나 정확히 추정할 수 있는지를 보여주는 핵심 도구입니다.