ㅇ SEM의 장점 (기존 vs. SEM) - 회귀분석은 연구모형에서 독립변수-종속변수 간의 관계를 각각 돌려줬어야 했는데 SEM은 한 번에 가능 (조절 효과는 예외) - 기존과는 다르게 "확인적 요인분석(신뢰성+타당성)", "경로/회귀분석", "상관관계"의 결과를 한 번에 도출 - 심지어, 종속변수가 여러개인 다변량 분석 또한 한 번에 가능 - 오차를 고려하기 때문에 더 정확 - 회귀분석은 새로운 연구모형을 검증하는 것이라면 (귀납적), SEM은 선행 연구의 연구모형을 검증함 (연역적) (비유적으로 얘기하자면 기존의 회귀분석은 비지도 학습, SEM은 지도학습 같은 느낌) - 부트스트래핑으로 인해 굳이 중심극한정리를 가정 안해도 괜찮음 - 소프트웨어 툴이 점점 간편해짐 (AMOS인 CB-SEM은 회귀분석 ..

ㅇ설문 연구 중 일반적인 통계 방법론을 활용하여 가설을 검증하는 경우. ㅇ우선, 표면타당성을 충족해야됨 - Adapt : 설문 문항 그대로 가져옴 - Adopt : 설문 문항을 가지고 오면서 연구에 맞게 조금 수정 -이 후 전문가 검증을 수행 ※ Common Method Bias (동일방법편의)를 해결해야되는데, 동일방법편의란 독립변수와 종속변수를 동일한 측정도구와 응답원에 의해 측정하였을 경우에 발생하는 오류. 해결 방법으로는 사전 방법으로 설문지 위치를 조정하거나 사후 방법으로는 변수들의 상관계수 파악 등을 통해 문제를 해결. (설문이 편향되게 됐을 경우가 있음) ㅇ 표면타당성이 충족 됐다면 신뢰도 분석 및 탐색적 요인분석 (EFA)를 진행해야함 - 신뢰도 분석 : 크롬바 알파 0.7 이상. (이상치..

ㅇ 알파 (1종 오류) - 알파는 Type 1 Error로 잘못 예측할 확률임 - 사회, 경제적으로 중요하게 따지는 오류인데, 도둑이 아닌 사람을 도둑이라고 판정 지은 경우를 뜻함 (False Positive) - 민주주의 국가에서는 99명의 도둑을 놓아주더라도 1명의 억울한 사람을 만들지 말자는 주의 ㅇ 베타 (2종 오류) - 베타는 Type 2 Error로 잘못 예측할 확률임 - 의료계에서 중요시하게 따지는 오류인데, 실제 에이즈인 사람을 에이즈가 아니라고 잘못 판단한 경우임 (False Negative) - 에이즈라고 잘못 예측 하는 것 보다 진짜 에이즈 사람을 잘못 판단해버리면 문제가 더 크게 발생

※상관성이 존재한다고 인과성이 존재하는 것은 아님 예를 들어, 혈압과 연봉간에 양의 상관관계가 존재한다고 가정할 때 연봉을 높이기 위해서는 협압을 높여야 한다? 나이와 같은 외생변수 또는 매개변수로 인해 상관성이 존재하는 것이지 인과관계는 아님. (외생변수란 연구이 대상이 되는 현상과 관련된 실험변수와 결과변수 이외의 기타 변수들로써, 결과변수에 영향을 미칠 수 있는 변수) ※인과관계를 위한 조건은 세 가지가 있음 1. 변수간의 상관관계가 존재해야함 2. 변수간의 시간 선후 관계가 존재해야함 (불이 나기 때문에 소방관이 감) 3. 허위관계(Spurious Relationship)가 없어야됨 → 허위관계가 있는 명확하게 파악하고자 "통제변수"를 활용

ㅇ Univariate vs. Multivariate - Univariate (단변량) : 종속변수 1개 - Multivariate (다변량) : 종속변수가 여러개 ㅇ Simple vs. Multi - Simple ~ (ex. Simple Regression) : 독립변수가 1개 - Multi~ (ex. Multiple Regression) : 독립변수가 여러개 ※ 독립변수 개수를 카운팅할 때는 조절변수도 개수에 포함

# 매개효과분석 ㅇ 매개효과 분석는 아래 그림의 M과 같은 매개변수가 생김으로써 X와 Y의 기존 관계가 유의하지 않으면 완전매개, 조금이라도 유의하면 부분매개라고 말함 ㅇ 매개효과 분석의 경우 4가지 스텝의 바론 & 케니(Baron & Kenney) 방법론 활용 1. 독립변수와 매개변수가 유의한지 2. 독립변수와 종속변수가 유의한지 (회귀계수 b 구함) 3. 매개변수와 종속변수가 유의한지 검정과 유의할 때의 독립변수와 종속변수의 회귀계수 b1을 구해서 |b| > |b1|인지 검정함 4. (step3 모형의 설명력) > (step2 모형의 설명력) 을 검정하며 effect size (Cohen's d) 확인 ※ 여기서 effect size는 [(step3 모형의 설명력) - (step2 모형의 설명력)] ..