SPSS 다중회귀분석 실전 튜토리얼 2026: 클릭 순서·가정 검정·APA 표·결과 서술 문장

밤 열한 시, SPSS는 켜져 있고 데이터도 다 코딩해 두었는데 <분석> 메뉴 어디를 눌러야 하는지부터 막히는 순간이 있습니다. 겨우 결과를 뽑아도 출력창에 표가 다섯 개쯤 쏟아지고, 그중 무엇을 논문에 옮겨야 하는지, 옮긴 뒤에는 그 숫자를 무슨 문장으로 풀어야 하는지가 또 막막합니다. 이 글은 그 두 가지 막힘을 한 번에 끝내기 위한 튜토리얼입니다.

다루는 범위는 다중회귀분석(multiple regression analysis) 하나입니다. 통계 프로그램 전반의 사용법이나 기법 선택 기준은 이미 정리된 글이 있으니, 아직 어떤 검정을 써야 할지 정하지 못했다면 논문 통계 분석 방법과 기법 선택 기준을 먼저 보고 오시는 편이 빠릅니다. SPSS 화면 구성과 데이터 입력이 낯설다면 SPSS 사용법 6단계 기본 가이드가 출발점입니다. 여기서는 그 두 가지를 이미 통과했다고 가정하고, 회귀분석 창을 여는 순간부터 논문 4장에 문장이 박히는 순간까지만 봅니다.

다중회귀분석은 정확히 어떤 가설을 검정하는가

다중회귀분석은 연속형 종속변수 하나를 둘 이상의 독립변수로 예측하는 기법입니다. 검정하는 것은 두 층위입니다. 첫째, 투입한 독립변수 전체가 종속변수의 분산을 유의하게 설명하는가(모형 전체의 F 검정). 둘째, 나머지 독립변수를 통제한 상태에서 각 독립변수가 종속변수에 고유하게 기여하는가(개별 계수의 t 검정).

두 번째 문장의 “나머지 변수를 통제한 상태에서”라는 조건이 다중회귀의 존재 이유입니다. 상관분석은 두 변수만 놓고 관계를 보지만, 회귀계수는 다른 예측변수를 고정한 뒤 남는 순수 효과를 보여 줍니다. 그래서 상관은 유의했는데 회귀에서는 유의하지 않은 변수가 흔히 나옵니다. 이것은 오류가 아니라 통제의 결과이고, 논문에서는 오히려 그 차이를 해석해야 합니다.

따라서 분석 전에 어떤 변수가 독립이고 어떤 변수가 통제변수인지가 문서로 확정되어 있어야 합니다. 변수 역할이 흔들린 상태에서 돌린 회귀는 결과가 아무리 예뻐도 심사에서 무너집니다. 이 구분이 아직 헐겁다면 독립·종속·매개·조절·통제변수 구분과 조작적 정의를 열어 변수표부터 확정하십시오.

이 글에서 계속 쓸 예시

설명을 구체적으로 만들기 위해 하나의 예시를 끝까지 끌고 갑니다. 직장인 200명을 대상으로 한 설문 자료이고, 종속변수는 직무만족(5점 리커트 평균), 독립변수는 직무자율성·상사지원·보상공정성 세 개입니다. 여러분의 변수 이름만 갈아 끼우면 그대로 적용됩니다.

1단계 — 분석 전에 반드시 통과해야 할 자료 요건

목표는 회귀를 돌릴 자격이 있는 자료인지 먼저 판정하는 것입니다. 돌린 뒤에 자격 미달을 알게 되면 결과 전체를 버려야 하므로 순서가 중요합니다.

방법은 네 가지를 차례로 확인하는 것입니다.

1. 척도 확인. 종속변수는 연속형(등간·비율)이어야 합니다. 독립변수는 연속형이거나, 범주형이라면 반드시 더미변수로 변환해 투입합니다. 성별을 1·2로 코딩한 채 그대로 넣는 것은 흔한 사고입니다. 범주가 k개이면 더미는 k−1개를 만들고, 빠진 한 범주가 기준집단이 됩니다.
2. 표본 크기. 통용되는 간이 기준은 독립변수 하나당 관측치 10~20개입니다. 더 정밀하게는 Green(1991)의 규칙이 자주 인용되는데, 모형 전체의 R²를 검정하려면 최소 N ≥ 50 + 8k, 개별 회귀계수를 검정하려면 N ≥ 104 + k(k는 독립변수 수)입니다. 예시에서 k=3이면 각각 74명, 107명이므로 200명은 여유가 있습니다.
3. 결측치 처리 방침 확정. SPSS 회귀는 기본이 목록별 결측 제외(listwise)라서, 변수 하나에 결측이 있으면 그 사례 전체가 빠집니다. 표본이 조용히 줄어드는 주된 경로입니다. 처리 원칙은 논문 데이터 결측치·이상치 처리 실전 튜토리얼에서 미리 정해 두고 들어가십시오.
4. 측정도구 신뢰도. 리커트 문항을 평균 내어 변수로 쓴다면 신뢰도 계수가 먼저 보고되어야 합니다. 절차는 SPSS 신뢰도 분석(Cronbach’s α) 실전 튜토리얼에 있습니다.

예시. 예시 자료는 200명 중 결측 응답 6명을 사전에 제외해 194명이 되었고, 세 독립변수와 종속변수의 α는 각각 .87, .91, .84, .89였습니다. 이 숫자들은 회귀 결과표보다 앞서 3장(연구방법) 또는 4장 첫머리에 배치합니다.

흔한 실수. 신뢰도와 요인분석을 건너뛰고 회귀부터 돌리는 것입니다. 심사위원은 회귀계수를 보기 전에 “이 변수는 무엇으로 측정했습니까”를 묻습니다. 척도의 구조를 먼저 확인해야 한다면 SPSS 탐색적 요인분석(EFA) 실전 튜토리얼 순서를 회귀보다 앞에 두십시오.

2단계 — 클릭 순서: 회귀분석 창에서 무엇을 켜는가

목표는 한 번의 실행으로 논문에 필요한 모든 통계량을 받아 두는 것입니다. 옵션을 빼먹으면 나중에 다시 돌려야 하고, 그 사이 데이터가 바뀌면 숫자가 어긋납니다.

방법은 다음 순서입니다. 한국어판 SPSS 기준이며, 영문판 메뉴명을 괄호로 병기합니다.

1. 상단 메뉴에서 분석(Analyze) → 회귀분석(Regression) → 선형(Linear)을 차례로 클릭합니다.
2. 왼쪽 변수 목록에서 직무만족을 선택해 종속변수(Dependent) 칸으로 옮깁니다.
3. 직무자율성·상사지원·보상공정성을 독립변수(Independent(s)) 칸으로 옮깁니다.
4. 방법(Method)은 입력(Enter)으로 둡니다. 기본값이 입력이며, 이론에 근거해 선정한 변수를 동시에 투입한다는 뜻입니다.
5. 통계량(Statistics) 버튼을 눌러 추정값(Estimates), 모형 적합(Model fit), R 제곱 변화량(R squared change), 기술통계(Descriptives), 공선성 진단(Collinearity diagnostics), Durbin-Watson, 케이스별 진단(Casewise diagnostics, 표준화 잔차 3 이상)을 체크하고 계속을 누릅니다.
6. 도표(Plots) 버튼에서 Y축에 *ZRESID, X축에 *ZPRED를 지정하고, 히스토그램과 정규확률도표(Normal probability plot)를 체크합니다.
7. 저장(Save) 버튼에서 Cook의 거리와 표준화 잔차를 체크해 두면 이상치 사례를 데이터 시트에서 바로 찾을 수 있습니다.
8. 확인(OK)을 누릅니다.

예시. 위 설정으로 실행하면 출력창에 기술통계, 상관계수, 진입/제거된 변수, 모형 요약, 분산분석, 계수, 공선성 진단, 잔차 통계량, 그리고 도표 세 개가 나옵니다. 논문에 실제로 옮기는 것은 이 중 세 개뿐입니다.

흔한 실수는 방법을 단계선택(Stepwise)으로 바꾸는 것입니다. 유의하지 않은 변수가 자동으로 빠져 나가니 결과표가 깔끔해 보이지만, 변수 선택을 이론이 아니라 표본의 우연에 맡기는 방식이라 사회과학 심사에서는 근거를 요구받습니다. 탐색적 목적이 분명하고 그 사실을 방법 절에 명시할 때만 쓰고, 확인적 가설 검정에서는 입력(Enter)을 쓰십시오.

메뉴를 눈으로 한 번 따라가 보고 싶다면, 한국어로 같은 절차를 시연하는 영상이 도움이 됩니다.

3단계 — 출력 결과 읽는 법: 세 개의 표를 순서대로

목표는 각 숫자가 무엇을 말하는지 알고, 그중 논문에 옮길 것만 골라내는 것입니다.

표 1 — 모형 요약(Model Summary): 설명력

왼쪽부터 R, R 제곱, 수정된 R 제곱, 추정값의 표준오차, Durbin-Watson이 나옵니다.

• R은 관측값과 예측값의 상관입니다. 단독으로 보고하지 않습니다.
• R²는 종속변수 분산 중 모형이 설명한 비율입니다. .412라면 직무만족 변량의 41.2%를 세 변수가 설명했다는 뜻입니다.
• 수정된 R²는 독립변수 개수에 대한 벌점을 반영한 값입니다. 변수를 늘리면 R²는 무조건 오르지만 수정된 R²는 오르지 않을 수 있어, 모형 비교에서는 이쪽을 봅니다. 논문에는 두 값을 함께 적는 것이 관례입니다.
• Durbin-Watson은 잔차의 자기상관 지표로 0~4 범위이며 2에 가까울수록 독립성 가정이 지켜진 것으로 봅니다. 실무에서는 대략 1.5~2.5를 무난한 구간으로 취급하지만, 이 구간은 관례이지 검정 기준이 아닙니다. 엄밀하게는 표본 수와 변수 수에 따른 dL·dU 임계값 표와 비교해야 합니다. 설문처럼 시계열이 아닌 자료에서는 애초에 자기상관이 문제가 되지 않으므로 참고 지표로만 씁니다.

효과크기를 함께 보고하려면 Cohen의 f² = R² / (1 − R²)를 계산합니다. 예시의 .412는 f² = .70으로, Cohen의 관례적 기준(.02 작음, .15 중간, .35 큼)에서 큰 효과에 해당합니다.

표 2 — 분산분석(ANOVA): 모형이 통째로 유의한가

회귀·잔차·전체의 제곱합, 자유도, 평균제곱, F, 유의확률이 나옵니다. 여기서 볼 것은 F와 유의확률 하나입니다. 유의확률이 .05 미만이면 “독립변수들이 종속변수를 전혀 설명하지 못한다”는 영가설이 기각되고, 모형 전체가 유의하다고 판정합니다. 자유도는 F(회귀 df, 잔차 df) 형태로 보고하므로 두 숫자를 함께 적어 두십시오. 예시에서는 F(3, 190) = 44.38, p < .001입니다.

이 표가 유의하지 않으면 아래 계수표는 읽을 필요가 없습니다. 모형이 성립하지 않았는데 개별 계수의 유의성만 골라 보고하는 것은 심사에서 바로 지적됩니다.

표 3 — 계수(Coefficients): 논문의 핵심

가장 오래 들여다볼 표입니다. 열마다 역할이 다릅니다.

• B(비표준화 계수)는 원래 측정 단위 그대로의 기울기입니다. “직무자율성이 1점 오르면 직무만족이 .312점 오른다”처럼 읽습니다. 예측식을 세우거나 실무적 크기를 말할 때 씁니다.
• 표준오차(SE B)는 B의 표본 변동입니다. 이 값이 크면 추정이 불안정합니다.
• β(표준화 계수)는 모든 변수를 표준점수로 바꾼 뒤의 기울기입니다. 단위가 다른 독립변수들의 상대적 영향력을 비교할 때 쓰는 값이며, 한국 논문에서 “가장 큰 영향을 미친 변수는 무엇인가”를 말할 때 근거가 되는 열이 바로 이것입니다.
• t와 유의확률은 해당 계수가 0과 다른지에 대한 검정입니다. t는 B를 표준오차로 나눈 값이므로, 표를 옮겨 적을 때 검산에 쓸 수 있습니다.
• 공차(Tolerance)와 VIF는 다중공선성 진단값입니다. 공차 = 1/VIF 관계입니다.

흔한 실수는 B와 β를 섞어 쓰는 것입니다. “직무자율성의 영향력이 가장 컸다(B = .312)”는 틀린 문장입니다. 단위가 다르면 B는 비교할 수 없습니다. 크기 비교는 β로, 실질적 변화량 설명은 B로 하십시오. 또 하나, 상수항(Constant)의 유의확률은 해석 대상이 아닙니다. 표에는 넣되 문장으로 논하지 않습니다.

4단계 — 가정 검정: 무엇을 어떻게 확인하고, 깨지면 어떻게 하는가

목표는 결과를 믿어도 되는지 판정하고, 그 판정 과정을 논문에 한 문단으로 남기는 것입니다. 심사에서 “회귀 가정은 검토하셨습니까”는 거의 매번 나오는 질문입니다.

가정 1. 선형성

확인: *ZPRED 대 *ZRESID 산점도에서 점들이 0을 중심으로 무작위로 흩어져야 합니다. 곡선 형태가 보이면 관계가 비선형입니다. 위배 시: 종속변수나 독립변수에 로그 변환을 적용하거나, 이차항을 추가한 다항회귀를 검토합니다.

가정 2. 잔차의 정규성

확인: 정규 P-P 도표에서 점들이 대각선에 붙어 있는지, 잔차 히스토그램이 종 모양인지를 봅니다. 여기서 정규성을 요구받는 것은 원자료가 아니라 잔차라는 점이 중요합니다. 독립변수가 정규분포가 아니어도 회귀는 성립합니다. 위배 시: 표본이 충분히 크면(중심극한정리에 기대어) 대체로 견딥니다. 심하게 치우쳤다면 왜도·첨도를 함께 확인하십시오. 왜도 절댓값 2, 첨도 절댓값 7을 넘으면 문제로 보는 기준(West 등, 1995)이 흔히 쓰이고, 더 관대한 기준(Kline: 왜도 3, 첨도 10)도 인용됩니다. 어느 기준을 채택했는지 논문에 밝히면 됩니다.

가정 3. 등분산성

확인: 같은 산점도에서 잔차의 흩어진 폭이 예측값 구간마다 비슷해야 합니다. 오른쪽으로 갈수록 넓어지는 깔때기 모양이면 이분산입니다. 위배 시: 로그·제곱근 변환을 적용하거나, 이분산에 강건한 표준오차를 사용하는 방법이 있습니다. SPSS 27 이상의 선형회귀 <부트스트랩> 옵션으로 부트스트랩 신뢰구간을 함께 보고하는 것도 실무적인 대안입니다.

가정 4. 오차의 독립성

확인: Durbin-Watson 값과 자료 수집 설계를 함께 봅니다. 위배 시: 같은 학급·같은 병동처럼 응답자가 집단에 내포된 구조라면 회귀 자체가 부적절할 수 있고, 다층모형을 검토해야 합니다.

가정 5. 다중공선성 없음

확인: 계수표의 VIF와 공차를 봅니다. 임계값은 문헌마다 갈립니다. 가장 널리 쓰이는 것은 VIF 10 초과를 문제로 보는 기준(Kutner 등의 회귀 교재 계열)이고, 사회과학에서는 VIF 5 초과부터 경고로 보는 더 엄격한 관행도 흔합니다. 생태학처럼 3 또는 2.5를 쓰는 분야도 있습니다. 공차로는 .1 미만(엄격하게는 .2 미만)을 위험 신호로 봅니다. 요컨대 5와 10 사이는 회색지대이므로, 채택한 기준과 출처를 명시하는 편이 안전합니다. 위배 시: 상관이 지나치게 높은 변수 중 하나를 제거하거나, 두 변수를 합성 지표로 묶거나, 위계적 회귀로 투입 순서를 나누어 설명량 변화를 보는 방식으로 대응합니다.

가정 6. 극단 사례의 과도한 영향

확인: 케이스별 진단표에 표준화 잔차 절댓값 3 이상인 사례가 나오는지, 저장해 둔 Cook의 거리가 큰 사례가 있는지 봅니다. Cook의 거리는 1을 넘으면 영향점으로 보는 고전적 기준이 널리 쓰이고, 더 민감하게 4/n을 쓰기도 합니다. 위배 시: 곧바로 삭제하지 말고 입력 오류인지 먼저 확인하고, 삭제했다면 삭제 전후 결과를 모두 제시하는 민감도 분석이 정직한 처리입니다.

5단계 — APA 형식 결과표로 옮기기

목표는 출력창의 표를 그대로 캡처하지 않고, 논문 본문용 표로 다시 조판하는 것입니다. SPSS 출력 화면을 이미지로 붙여 넣은 원고는 대부분 수정 요구를 받습니다.

방법: APA 양식의 회귀표는 세로선 없이 가로선 세 개(표 머리 위, 열 제목 아래, 표 맨 아래)만 씁니다. 열은 변수명, B, SE B, β, t, p 순서가 표준이고, 필요하면 VIF나 95% 신뢰구간을 덧붙입니다. 모형 수준 통계량(R², 수정된 R², F)은 표 아래 주석에 넣습니다.

예시. 앞의 자료로 만든 표는 다음과 같습니다.

주. R² = .412, 수정된 R² = .403, F(3, 190) = 44.38, p < .001, Durbin-Watson = 1.93.

흔한 실수 세 가지를 짚습니다. 첫째, 소수점 앞의 0입니다. 이론적으로 1을 넘을 수 없는 값(β, R², p, 상관계수)은 0을 생략해 .334로 적고, 1을 넘을 수 있는 값(B, t, F)은 그대로 적습니다. 둘째, p 값을 “.000”으로 적는 것입니다. 확률이 0일 수는 없으므로 <.001로 표기합니다. 셋째, 별표(*) 표기를 쓰면서 표 아래에 유의수준 범례를 달지 않는 것입니다.

6단계 — 결과 서술 문장 쓰기 (그대로 고쳐 쓰는 템플릿)

목표는 표를 반복하지 않으면서 표가 말하지 않는 것을 문장으로 채우는 것입니다. 연구 결과 절은 표를 읽어 주는 자막이 아니라, 독자의 시선을 어디에 둘지 정해 주는 안내문입니다.

방법은 네 문장 구조를 지키는 것입니다. ① 무엇을 왜 분석했는지 → ② 모형 전체의 유의성과 설명력 → ③ 개별 변수의 결과를 β 크기 순으로 → ④ 유의하지 않은 변수의 처리. 시제는 과거형으로 통일합니다.

① 분석 진술 — 직무자율성, 상사지원, 보상공정성이 직무만족에 미치는 영향을 검증하기 위해 다중회귀분석을 실시하였다. 분석에 앞서 Durbin-Watson 값은 1.93으로 2에 근접하여 잔차의 독립성 가정에 문제가 없었으며, 분산팽창지수(VIF)는 1.42~1.68로 기준치 10을 밑돌아 다중공선성 문제는 나타나지 않았다.

② 모형 진술 — 회귀모형은 통계적으로 유의하였고(F(3, 190) = 44.38, p < .001), 세 독립변수는 직무만족 전체 변량의 41.2%를 설명하였다(R² = .412, 수정된 R² = .403).

③ 개별 계수 진술 — 개별 변수를 살펴보면 직무자율성(β = .334, p < .001)과 상사지원(β = .271, p < .001)이 직무만족에 유의한 정(+)의 영향을 미쳤다. 상대적 영향력은 직무자율성이 가장 컸으며, 직무자율성이 1점 증가할 때 직무만족은 .312점 증가하는 것으로 나타났다.

④ 비유의 변수 진술 — 반면 보상공정성은 직무만족에 유의한 영향을 미치지 않았다(β = .126, p = .067). 따라서 가설 1과 가설 2는 지지되었고, 가설 3은 기각되었다.

흔한 실수는 유의하지 않은 결과를 “영향이 없었다”가 아니라 “다소 영향을 미쳤으나 유의하지 않았다”처럼 흐리게 쓰는 것입니다. 유의수준을 못 넘겼으면 영가설을 기각하지 못한 것이고, 그 사실을 분명히 적는 편이 오히려 신뢰를 얻습니다. p = .067을 “한계적으로 유의”라 부르는 관행도 최근 학술지에서는 권장되지 않습니다. 결과를 해석으로 끌어올리는 작업은 결과 절이 아니라 고찰에서 합니다. 결과 절 전체의 서술 규칙과 시제는 논문 연구 결과(Results) 작성법에 따로 정리되어 있습니다.

7단계 — 심사에서 자주 지적되는 실수 여섯 가지

1. 인과로 단정하는 서술. 횡단 설문 자료의 회귀는 예측 관계이지 인과가 아닙니다. “~을 향상시킨다” 대신 “~에 유의한 정적 영향을 미치는 것으로 나타났다”를 씁니다.
2. 가정 검정 문단 누락. VIF와 Durbin-Watson, 잔차 도표 확인 결과를 결과 절 첫머리에 두 문장으로 넣기만 해도 질문 하나가 줄어듭니다.
3. 통제변수를 넣고도 표에서 빼는 것. 성별·연령·근속연수를 투입했다면 표에 모두 표시해야 합니다. 유의하지 않다고 지우면 R²와 자유도가 설명되지 않습니다.
4. R²가 낮다고 결과를 숨기는 것. 사회과학에서 R² .10~.30은 드물지 않습니다. 낮은 설명력 자체가 결함은 아니며, 한계 절에서 다루면 됩니다.
5. 가설과 표의 순서 불일치. 가설 1·2·3의 순서와 표의 변수 순서, 서술 순서가 어긋나면 읽는 사람이 대응을 못 찾습니다. 세 곳을 같은 순서로 맞추십시오.
6. 매개·조절을 회귀표 하나로 주장하는 것. 변수 간 경로를 주장하려면 별도의 절차가 필요합니다. 매개효과·조절효과 분석과 PROCESS 매크로·부트스트랩이 그 절차를 다룹니다.

자주 묻는 질문

독립변수가 몇 개까지 들어가도 되나요?

상한선이 정해져 있지는 않지만 표본 크기가 제약이 됩니다. Green(1991)의 기준으로 개별 계수를 검정하려면 N ≥ 104 + k가 필요하고, 실무적으로는 변수당 10~20 사례를 확보하는 편이 안전합니다. 표본이 작은데 변수를 늘리면 수정된 R²가 오히려 떨어지고 계수가 불안정해집니다.

상관분석에서 유의했는데 회귀에서 유의하지 않게 나옵니다.

정상적인 현상입니다. 회귀계수는 다른 독립변수를 통제한 뒤의 고유 효과이므로, 다른 변수와 겹치는 설명량이 큰 변수는 통제 후 유의성을 잃습니다. VIF가 함께 높다면 다중공선성의 영향이고, VIF가 낮은데도 그렇다면 두 변수가 서로 다른 층위를 재고 있을 가능성을 고찰에서 논하십시오.

β가 1을 넘거나 음수가 나오면 잘못된 건가요?

음수는 전혀 문제가 아니며 부적 관계를 뜻합니다. 반면 β의 절댓값이 1을 넘는 경우는 대개 심각한 다중공선성의 신호이므로 VIF와 상관행렬을 다시 확인해야 합니다.

SPSS가 없으면 어떻게 하나요?

jamovi와 JASP는 무료이면서 회귀분석 출력이 APA 표에 가깝게 나옵니다. R도 선택지입니다. 어떤 도구를 쓰든 위에서 정리한 표 세 개와 가정 여섯 가지는 그대로 적용됩니다.

결과를 그래프로도 넣어야 하나요?

다중회귀는 표만으로 충분한 경우가 많습니다. 조절효과처럼 상호작용을 보여 줘야 할 때만 단순기울기 그래프를 넣습니다.

정리 — 오늘 밤 안에 끝내는 순서

척도와 표본을 확인하고(1단계), 분석 → 회귀분석 → 선형에서 옵션을 모두 켜고 한 번에 실행하고(2단계), 모형 요약·분산분석·계수 세 표만 읽고(3단계), 가정 여섯 가지를 점검해 한 문단으로 남기고(4단계), APA 표로 다시 조판하고(5단계), 네 문장 구조로 결과를 서술하면(6단계) 4장의 회귀 부분은 끝납니다. 순서를 지키면 다시 돌릴 일이 없고, 다시 돌리지 않으면 숫자가 어긋나지 않습니다.