SPSS 다중회귀분석은 어떤 결과를 어떻게 읽어야 할까?
다중회귀분석은 여러 독립변수가 종속변수에 미치는 영향을 동시에 분석하는 통계 방법입니다. SPSS에서 실행 후 나오는 표들(Model Summary, ANOVA, Coefficients)을 올바르게 해석하는 것이 논문·보고서 작성의 핵심입니다. 이 글은 회귀계수의 의미, 통계적 유의성, 모형 설명력을 실무 중심으로 풀어냅니다.
R² 값: 모형이 설명하는 분산의 크기
SPSS 결과의 Model Summary 표에서 R² 값은 독립변수들이 종속변수의 변동을 얼마나 설명하는지를 보여줍니다. 예를 들어 R² = 0.625라면 독립변수들이 종속변수 분산의 62.5%를 설명한다는 뜻입니다.
R² 해석 기준: 사회과학 분야에서는 0.30 이상이면 설명력이 있다고 봅니다. 0.50 이상이면 상당한 설명력, 0.70 이상이면 높은 설명력으로 평가됩니다.
Adjusted R²를 함께 확인: 독립변수를 많이 추가할수록 R²는 자동으로 커지므로, 조정된 R² 값이 모형의 실제 설명력을 더 정확히 반영합니다. 연구 보고서에는 Adjusted R²를 중심으로 기술하는 것이 권장됩니다.
구체적 예시: 신입사원의 업무 성과를 예측하는 모형에서 R² = 0.48이라면, 학력·경험·성격 등의 변수가 성과 변동의 48%를 설명할 수 있다는 뜻입니다. 나머지 52%는 조직 문화, 팀 환경, 개인의 노력 등 다른 요인이 설명합니다.
회귀계수(Beta): 각 변수의 영향 크기와 방향
Coefficients 표의 B(회귀계수) 값은 각 독립변수가 종속변수에 얼마나 영향을 미치는지를 정량적으로 나타냅니다. 회귀계수가 양수면 정적 영향(+), 음수면 부적 영향(-)을 의미합니다.
회귀계수 해석 방법: 예를 들어 광고비(X₁)의 B = 0.75라면, 다른 조건을 같게 유지했을 때 광고비가 1단위 증가할 때마다 판매량은 평균 0.75단위 증가한다는 뜻입니다.
표준화 계수(Beta, β)와 비표준화 계수(B)의 차이: B는 원래 단위를 유지하므로 해석이 직관적이지만, 변수 간 상대적 중요도를 비교할 때는 표준화 계수(Standardized Beta)를 봅니다. 예: 광고비 β = 0.42, 브랜드 인지도 β = 0.58이면 브랜드 인지도가 판매에 미치는 영향이 더 크다는 의미입니다.
실무 사례: 직원 만족도를 예측하는 모형에서 급여 상승률(B = 0.15)과 상사 신뢰도(B = 0.68)를 비교하면, 상사 신뢰도 1점 증가가 급여 상승률 1점 증가보다 만족도에 훨씬 큰 영향을 미친다는 해석이 가능합니다.
유의성 검정(p값): 회귀계수가 통계적으로 의미 있는가
Coefficients 표의 Sig. 열(p값)은 각 회귀계수가 0이 아닌지를 검정합니다. 일반적으로 p < 0.05 이하면 통계적으로 유의하며, 그 변수는 모형에 의미 있게 포함됩니다.
p값 해석 기준: p < 0.001 (***) : 매우 강한 증거, p < 0.01 (**) : 강한 증거, p < 0.05 (*) : 약한 증거, p ≥ 0.05 (유의하지 않음) : 통계적 근거 부족
비유의 변수의 처리: 연구 설계 단계에서 중요하다고 판단한 변수도 실제 분석에서 비유의하게 나올 수 있습니다. 이 경우 표본 크기 부족, 측정 오류, 다중공선성 등을 점검해야 합니다. 무작정 제거하지 말고, 이론적 근거에 따라 보고서에 해석을 추가합니다.
구체적 예시: 고객 구매 의도를 분석했을 때 상품 가격(p = 0.032, 유의), 배송 속도(p = 0.087, 비유의)가 나왔다면, 가격은 구매 결정에 통계적으로 유의한 영향을 미치지만 배송 속도는 표본 내에서 명확한 영향이 확인되지 않았다는 의미입니다.
ANOVA 표: 전체 모형의 통계적 유의성
ANOVA(분산분석) 표는 구축한 회귀 모형 자체가 통계적으로 의미가 있는지를 검정합니다. Model의 p값 < 0.05이면 개별 회귀계수와 무관하게, 전체 모형이 종속변수를 설명하는 데 통계적으로 유의합니다.
모형의 유의성과 개별 변수의 유의성은 독립적: 전체 모형이 유의해도 일부 독립변수는 비유의할 수 있습니다. 반대로 모형이 유의하지 않으면서 특정 변수만 유의한 경우는 극히 드물지만, 이때는 모형 재설계를 검토합니다.
F값의 크기: F값이 클수록(보통 F > 10일 때) 모형의 설명력이 우수합니다. 예: F = 24.5, p < 0.001이면 회귀 모형이 매우 강력하게 종속변수를 설명한다는 뜻입니다.
다중공선성 진단: 변수 간 높은 상관관계 확인
다중공선성(Multicollinearity)은 독립변수들 간의 높은 상관관계를 의미하며, 회귀 분석 결과의 신뢰성을 훼손합니다. SPSS에서는 VIF(Variance Inflation Factor)와 공차도(Tolerance)로 진단합니다.
VIF와 공차도 해석: VIF > 10 또는 공차도 < 0.1이면 다중공선성이 문제가 된다고 판단합니다. 일반적으로 VIF < 5, 공차도 > 0.2이면 안전합니다.
문제가 발견된 경우: 높은 상관의 변수 중 하나를 제거하거나, 주성분 분석(PCA)으로 변수를 통합하거나, 더 큰 표본을 확보합니다.
실무 예시: 주택 가격 예측 모형에서 건축면적과 방의 개수의 VIF가 각각 12와 11로 나왔다면, 이 두 변수는 거의 같은 정보를 담고 있다는 뜻입니다. 건축면적만 유지하거나 상호작용항을 고려합니다.
결과 보고 및 논문 작성 팁
다중회귀분석 결과를 학위논문이나 연구 보고서에 기술할 때는 통계량을 정확히 기록하고, 그 의미를 명확히 해석해야 합니다.
기본 기술 양식: "X 변수는 유의한 정적 영향을 미쳤다(B = 0.52, β = 0.41, t = 4.23, p < 0.001)." 이렇게 B값, 표준화 계수, t값, p값을 함께 기록하면 독자와 심사자가 신뢰도를 평가하기 쉽습니다.
회귀식 제시: Y = 2.15 + 0.52X₁ + 0.38X₂ - 0.21X₃ 형식으로 최종 회귀식을 명시하면, 향후 예측에 직접 사용 가능하고 글의 신뢰도가 높아집니다.
가정 검토 언급: 정규성(Normality), 등분산성(Homoscedasticity), 독립성(Independence) 같은 회귀 분석 기본 가정을 충족하는지 확인한 결과를 메서드 섹션에 기술하면 학위논문 심사에서 높이 평가받습니다.
자주 묻는 질문
Q: R²이 0.30인데 논문에 포함해도 될까요?
A: 네, 기준 이상입니다. 다중회귀분석에서 R² 0.30 이상이면 학위논문 수준에서 설명력이 있다고 인정받습니다. 다만 Adjusted R²를 함께 기술하고, 결과 해석에서 다른 요인이 70% 정도 설명된다는 점을 명시하면 더 학술적입니다.
Q: 회귀계수가 유의하지 않으면 해석 불가인가요?
A: 통계적으로는 유의하지 않지만, 연구 기여도를 위해 "이론적 예상과 달리 통계적 유의성이 확인되지 않았다"고 해석하고 원인을 논의할 수 있습니다. 표본 크기, 측정 방식 등을 검토하는 과정 자체가 연구 가치입니다.
Q: VIF가 높으면 반드시 변수를 빼야 하나요?
A: 필수는 아닙니다. 두 변수 모두 이론적으로 중요하면, 다중공선성을 인식하고 해석에 주의한다는 점을 명시합니다. 다만 VIF > 10은 결과 신뢰도가 낮아지므로, 변수 재설계나 샘플 확대를 먼저 검토합니다.
Q: SPSS 결과를 그대로 표로 붙여도 되나요?
A: 권장하지 않습니다. SPSS 원본 표는 너무 상세합니다. 연구 목적에 맞게 필요한 열(변수명, B, SE, β, t, p)만 정제한 표를 만들어 논문에 포함하면 가독성과 전문성이 훨씬 높아집니다.
Q: 독립변수가 많으면 모두 포함해야 하나요?
A: 아닙니다. 이론적 근거 없이 변수를 무분별하게 추가하면 R²는 커지지만 Adjusted R²는 감소하고, 모형의 일반화 능력이 떨어집니다. 변수 선택의 경제성(parsimony)을 고려해, 통계적으로도 이론적으로도 의미 있는 변수 조합을 찾는 것이 학위논문의 핵심입니다.
다중회귀분석, 전문가와 함께 시작하세요
SPSS 결과 해석은 기술적 이해와 함께 연구 맥락에 대한 깊이 있는 해석이 필요합니다. 빅링커의 대학원 입시·논문 코칭에서는 통계 분석 결과를 학위논문 수준으로 해석하고, 심사 교수가 인정하는 학술적 기술 방식을 직접 첨삭해 드립니다. 회귀분석이 처음이거나 결과 해석에 자신이 없다면, 전문가 상담을 통해 단계별로 접근하시길 권합니다. 빅링커와 함께 통계 분석을 과학적으로 보고하고, 논문의 설득력을 높이세요.
