“실험집단과 통제집단의 점수 차이가 통계적으로 유의한가”를 묻는 순간, 논문에서 가장 많이 쓰이는 검정이 독립표본 t-검정(independent samples t-test)입니다. 절차 자체는 5분이면 끝납니다. 문제는 그다음입니다. 출력창에는 줄이 두 개인 표가 나오는데 어느 줄을 읽어야 하는지, 그 숫자를 어떤 문장으로 옮겨야 하는지, 그리고 왜 심사위원이 “효과크기는요?”라고 묻는지가 남습니다.
이 글은 그 전부를 한 번에 끝내기 위한 튜토리얼입니다. SPSS 화면 구성 자체가 낯설다면 SPSS 사용법 6단계 기본 가이드를 먼저 보시고, 어떤 검정을 골라야 하는지가 아직 정해지지 않았다면 논문 통계 분석 방법과 기법 선택 기준에서 위치를 잡고 오십시오. 여기서는 “독립표본 t-검정을 쓰기로 정했다”는 지점에서 출발합니다.
독립표본 t-검정은 언제 쓰고, 언제 쓰면 안 되는가
조건은 세 가지입니다. ① 종속변수가 연속형이고, ② 집단 변수가 서로 겹치지 않는 두 개의 범주이며, ③ 두 집단의 응답자가 서로 다른 사람이어야 합니다. 셋 중 하나라도 어긋나면 다른 검정으로 가야 합니다.
- 같은 사람을 사전·사후로 두 번 측정했다면 → 대응표본 t-검정입니다. 이 구분을 틀리면 자유도부터 어긋나고, 대개 유의성 판정이 뒤집힙니다.
- 집단이 세 개 이상이라면 → 일원배치 분산분석(ANOVA)입니다. 세 집단을 두 개씩 짝지어 t-검정을 세 번 돌리는 것은 1종 오류를 부풀리는 대표적인 잘못입니다.
- 종속변수가 ‘예/아니오’처럼 범주형이라면 → 카이제곱 검정입니다.
- 표본이 아주 작고 분포가 심하게 치우쳤다면 → Mann-Whitney U 검정(비모수)이 대안입니다.
검정 선택은 결국 가설의 형태가 결정합니다. 가설 문장이 “A 집단과 B 집단 간에 차이가 있을 것이다” 형태로 확정되어 있어야 이 검정이 정당화됩니다. 가설 진술이 아직 헐겁다면 연구 가설 설정과 영가설·대립가설 연결하기에서 문장부터 다듬고 오는 편이 빠릅니다.
이 글에서 계속 쓸 예시
온라인 협동학습 프로그램의 효과를 검증하는 연구라고 하겠습니다. 실험집단 42명, 통제집단 45명이고, 종속변수는 5점 척도로 측정한 학습몰입 점수입니다. 가설은 “실험집단의 학습몰입이 통제집단보다 높을 것이다”입니다.
1단계 — 데이터가 갖춰야 할 모양
목표는 SPSS가 읽을 수 있는 형태로 변수를 배치하는 것입니다. 여기서 어긋나면 메뉴가 아예 열리지 않거나, 열려도 엉뚱한 결과가 나옵니다.
방법. 데이터 시트에 두 개의 열만 있으면 됩니다.
- 집단 변수(독립변수) 한 열. 실험집단을 1, 통제집단을 2로 코딩합니다. 두 집단을 서로 다른 열에 나란히 입력하는 것은 흔한 실수인데, 그렇게 하면 t-검정 메뉴에서 집단변수를 지정할 수 없습니다. 모든 사례가 한 열에 세로로 쌓여야 합니다.
- 종속변수 한 열. 학습몰입 평균 점수를 넣습니다. 문항별 점수는 미리 <변환 → 변수 계산>으로 평균을 내어 하나의 변수로 만들어 둡니다.
- 변수 보기 탭에서 측도를 지정합니다. 집단 변수는 <명목>, 종속변수는 <척도>로 두어야 이후 도표와 옵션이 정상 작동합니다.
예시. 87행 2열짜리 시트가 만들어집니다. 값 설명(1=실험집단, 2=통제집단)까지 입력해 두면 출력표에 집단명이 한글로 찍혀 그대로 논문에 옮기기 좋습니다.
흔한 실수. 결측을 빈칸이 아니라 9나 99로 입력해 두고 결측값 지정을 하지 않는 경우입니다. 99가 실제 점수로 계산되어 평균이 터무니없이 커집니다. 처리 원칙은 논문 데이터 결측치·이상치 처리 실전 튜토리얼에 정리되어 있습니다.
2단계 — 클릭 순서
목표는 필요한 통계량을 한 번에 받아 두는 것입니다.
- 분석(Analyze) → 평균 및 비율 비교(Compare Means) → 독립표본 T 검정(Independent-Samples T Test)을 클릭합니다. 버전에 따라 상위 메뉴 이름이 <평균 비교>로 표기되기도 합니다.
- 학습몰입을 검정 변수(Test Variable(s)) 칸으로 옮깁니다. 종속변수 여러 개를 한꺼번에 넣어도 되며, 그러면 변수마다 한 줄씩 결과가 나옵니다.
- 집단변수를 집단변수(Grouping Variable) 칸으로 옮깁니다. 변수 이름 뒤에 물음표 두 개가 붙습니다.
- 집단 정의(Define Groups)를 눌러 집단 1에 1, 집단 2에 2를 입력하고 계속을 누릅니다. 이 단계를 빼먹으면 확인 버튼이 활성화되지 않습니다.
- 옵션(Options)에서 신뢰구간이 95%인지 확인하고, SPSS 27 이상이라면 <효과크기 추정(Estimate effect sizes)>을 체크합니다. 이 항목 하나로 Cohen’s d가 자동 출력됩니다.
- 확인(OK)을 누릅니다.
흔한 실수. 집단 정의에 코딩값이 아닌 집단명(“실험집단”)을 입력하는 것입니다. 숫자 코드를 넣어야 합니다. 또 하나, 세 집단 자료에서 1과 2만 정의해 두 집단만 비교하고는 “t-검정으로 분석했다”고 적는 경우인데, 나머지 한 집단을 왜 뺐는지 방법 절에 설명이 없으면 반드시 질문을 받습니다.
메뉴 흐름을 눈으로 한 번 확인하고 싶다면 한국어 시연 영상이 도움이 됩니다.
3단계 — 출력표 읽기: Levene 검정이 갈림길이다
출력창에는 표가 두 개 나옵니다. 첫 번째 집단통계량(Group Statistics)에는 집단별 사례 수(N), 평균, 표준편차, 평균의 표준오차가 있습니다. 논문 표의 왼쪽 절반이 여기서 나옵니다.
두 번째 독립표본 검정(Independent Samples Test)이 본체인데, 줄이 두 개라 초보자가 가장 많이 헤매는 지점입니다. 위 줄은 <등분산이 가정됨>, 아래 줄은 <등분산이 가정되지 않음>입니다. 둘 중 하나만 읽습니다.
어느 줄인지는 표 맨 왼쪽 Levene의 등분산 검정이 정합니다. 읽는 규칙은 직관과 반대라서 자주 뒤집힙니다.
- Levene 유의확률 ≥ .05 → 두 집단의 분산이 같다는 영가설을 기각하지 못함 → 위 줄(등분산 가정됨)을 읽습니다.
- Levene 유의확률 < .05 → 분산이 다르다고 판단 → 아래 줄(등분산 가정되지 않음)을 읽습니다. 이 줄은 Welch 보정을 적용한 결과이며, 자유도가 85가 아니라 82.417처럼 소수점으로 나옵니다.
즉 Levene이 유의하면 ‘나쁜 일’이 아니라 그냥 아래 줄을 읽으라는 신호입니다. 아래 줄을 읽었다는 사실만 결과 절에 한 문장 적어 두면 됩니다.
선택한 줄에서 읽을 값은 t, 자유도(df), 유의확률(양측), 평균차, 차이의 95% 신뢰구간입니다. 신뢰구간이 0을 포함하면 유의하지 않고, 포함하지 않으면 유의합니다. 유의확률과 항상 같은 방향을 가리키므로 검산에 쓸 수 있습니다.
예시. Levene의 F = .412, p = .523이므로 위 줄을 읽습니다. t(85) = 2.92, p = .004, 평균차 = .38, 95% CI [.12, .64]. 신뢰구간이 0을 포함하지 않으니 유의합니다.
4단계 — 가정 점검과 위배 시 대안
t-검정이 요구하는 가정은 세 가지이고, 각각 확인법과 대안이 다릅니다.
가정 1. 독립성
두 집단의 응답자가 서로 다른 사람이어야 합니다. 확인은 통계량이 아니라 연구 설계로 합니다. 같은 학급을 반으로 갈라 배정했다면 학급 효과가 섞이므로, 설계 자체를 방법 절에서 해명해야 합니다.
가정 2. 정규성
확인: <분석 → 기술통계량 → 데이터 탐색>에서 집단별로 나누어 정규성 검정을 요청합니다. 표본이 작을 때는 Shapiro-Wilk를, 클 때는 Kolmogorov-Smirnov를 보는 것이 관례입니다. 유의확률이 .05 이상이면 정규성 가정이 유지됩니다. 검정이 지나치게 민감하다고 보아 왜도·첨도를 함께 제시하는 방식도 널리 쓰입니다.
위배 시: 각 집단의 사례 수가 대략 30 이상이면 중심극한정리에 기대어 t-검정을 그대로 쓰는 관행이 통용됩니다. 표본이 작고 분포가 심하게 비대칭이라면 Mann-Whitney U 검정으로 갈아탑니다. 이때 보고하는 것은 평균이 아니라 중앙값과 순위합이고, 문장도 “평균이 높았다”가 아니라 “순위가 높았다”로 바뀝니다.
가정 3. 등분산성
확인: 위에서 본 Levene 검정입니다. 위배 시: 아래 줄(Welch 보정)을 읽으면 그것으로 처리가 끝납니다. 별도의 변환이나 사례 삭제가 필요하지 않습니다. 오히려 두 집단의 사례 수가 크게 다를 때는 Levene이 유의하지 않더라도 Welch 결과를 보고하는 편이 안전하다는 견해도 있습니다.
5단계 — 효과크기(Cohen’s d)를 반드시 함께 보고한다
목표는 “유의한가”를 넘어 “얼마나 큰 차이인가”를 말하는 것입니다. 유의확률은 표본이 커지면 저절로 작아지므로, 그것만으로는 차이의 크기를 말할 수 없습니다. APA 규정도 효과크기 보고를 요구하고, 국내 학술지 심사에서도 표준 요구사항이 되었습니다.
방법. SPSS 27 이상은 옵션에서 효과크기를 체크하면 Cohen’s d, Hedges’ 보정, Glass’s delta가 함께 나옵니다. 구버전이라면 손으로 계산합니다. d = (M₁ − M₂) / SDpooled이며, 통합표준편차는 두 집단의 표준편차를 사례 수로 가중평균한 값입니다.
해석 기준은 Cohen의 관례를 씁니다. .20 작음, .50 중간, .80 큼입니다. 다만 이 값은 Cohen 본인이 “다른 근거가 없을 때의 임시 기준”으로 제시한 것이므로, 같은 분야 선행연구의 효과크기와 비교해 논하는 편이 훨씬 설득력 있습니다. 표본이 아주 작을 때(대략 각 집단 20명 미만)는 편향을 보정한 Hedges’ g를 쓰는 것이 권장됩니다.
예시. 평균차 .38, 통합표준편차 .61이므로 d = .63입니다. 중간을 넘는 크기입니다.
6단계 — APA 결과표로 옮기기
t-검정 표는 회귀표보다 단순합니다. 왼쪽에 집단별 기술통계, 오른쪽에 검정통계량을 배치하고, 세로선 없이 가로선 세 개만 씁니다.
| 집단 | n | M | SD | t | df | p | Cohen’s d |
|---|---|---|---|---|---|---|---|
| 실험집단 | 42 | 4.12 | 0.58 | 2.92 | 85 | .004 | 0.63 |
| 통제집단 | 45 | 3.74 | 0.63 |
주. Levene의 등분산 검정 F = .41, p = .523. 평균차 = .38, 95% CI [.12, .64].
흔한 실수가 셋 있습니다. 첫째, 유의확률을 “.000”으로 적는 것입니다. <.001로 표기합니다. 둘째, 1을 넘을 수 없는 값(p)의 소수점 앞 0을 그대로 남기는 것입니다. 셋째, 별표만 찍고 정확한 p 값을 안 적는 것인데, 최근에는 별표보다 정확한 p와 신뢰구간을 함께 제시하는 방식이 선호됩니다. M과 SD는 1을 넘을 수 있으므로 0을 살려 0.58처럼 적어도 무방합니다.
7단계 — 결과 서술 문장 (그대로 고쳐 쓰는 템플릿)
네 문장이면 충분합니다. ① 무엇을 왜 검정했는지 → ② 가정 점검 결과 → ③ 검정 결과와 방향 → ④ 효과크기와 가설 판정. 시제는 과거형입니다.
① 분석 진술 — 협동학습 프로그램 참여 여부에 따른 학습몰입의 차이를 검증하기 위해 독립표본 t-검정을 실시하였다.
② 가정 점검 — 분석에 앞서 Shapiro-Wilk 검정으로 두 집단의 정규성을 확인하였고, Levene의 등분산 검정 결과 등분산 가정이 충족되어(F = .41, p = .523) 등분산을 가정한 결과를 보고하였다.
③ 검정 결과 — 분석 결과 실험집단의 학습몰입(M = 4.12, SD = 0.58)은 통제집단(M = 3.74, SD = 0.63)보다 유의하게 높았다(t(85) = 2.92, p = .004). 두 집단의 평균차는 .38이었으며 95% 신뢰구간은 [.12, .64]로 0을 포함하지 않았다.
④ 효과크기와 판정 — 효과크기는 Cohen’s d = .63으로 중간 이상의 크기에 해당하였다. 따라서 가설 1은 지지되었다.
등분산이 위배된 경우에는 ②와 ③만 이렇게 바뀝니다. “Levene의 등분산 검정 결과 등분산 가정이 충족되지 않아(F = 6.83, p = .011) Welch의 보정 결과를 보고하였다”, 그리고 “t(82.42) = 2.88, p = .005”처럼 소수점 자유도를 그대로 적습니다. 결과 절 전체의 시제와 서술 규칙은 논문 연구 결과(Results) 작성법에 정리되어 있습니다.
숫자는 나왔는데 문장이 어색할 때
t-검정 결과 문장은 논문에서 가장 자주 반복되는 문형이라, 변수만 바꿔 붙이다 보면 네 번째 문단부터 같은 표현이 겹치고 문체가 딱딱해집니다. Tesify AI 학술 에디터로 결과 문단의 연결어와 문체를 정돈하면 반복 표현을 줄일 수 있습니다. 어느 줄을 읽을지, 효과크기를 어떻게 해석할지 같은 판단은 연구자 몫으로 남겨 두고, 문장을 다듬는 반복 작업만 맡기는 방식이 안전합니다.
심사에서 자주 지적되는 실수 다섯 가지
- Levene 결과를 보고하지 않는 것. 어느 줄을 읽었는지 밝히지 않으면 심사위원은 확인할 방법이 없습니다. 한 문장이면 끝나는 일입니다.
- 효과크기 누락. 유의확률만 적힌 표는 “차이가 얼마나 큽니까”라는 질문을 부릅니다.
- 세 집단을 두 개씩 나눠 t-검정을 반복하는 것. 비교를 세 번 하면 1종 오류 확률이 누적됩니다. 세 집단은 분산분석으로 가고, 사후검정으로 어느 쌍이 다른지 봅니다.
- 사전 동질성 검정 결과를 숨기는 것. 사전점수에 이미 차이가 있었다면 사후 차이를 프로그램 효과로 돌릴 수 없습니다. 이 경우 공분산분석(ANCOVA)으로 사전점수를 통제하는 편이 정직합니다.
- 단측·양측을 임의로 바꾸는 것. SPSS는 기본이 양측입니다. 결과가 아쉬워서 사후에 단측으로 바꾸는 것은 사후 가설 수정에 해당합니다. 방향적 가설을 세웠다면 분석 전에 그렇게 적어 두었어야 합니다.
자주 묻는 질문
두 집단의 인원수가 크게 다른데 괜찮나요?
t-검정 자체는 집단 크기가 달라도 성립합니다. 다만 크기가 불균형하면 등분산 위배에 민감해지므로, 이 경우에는 Levene이 유의하지 않더라도 Welch 보정 결과를 함께 확인해 두는 편이 안전합니다.
Levene 검정이 유의하게 나왔는데 분석을 다시 해야 하나요?
아닙니다. 이미 출력된 아래 줄(등분산이 가정되지 않음)을 읽으면 됩니다. 그 사실을 결과 절에 한 문장 적으면 처리가 끝납니다.
유의확률이 .05를 아슬아슬하게 넘겼습니다.
기각하지 못한 것입니다. “한계적으로 유의”라는 표현은 최근 학술지에서 권장되지 않습니다. 대신 평균차와 신뢰구간, 효과크기를 제시하고 표본 크기의 한계를 논의하는 편이 낫습니다. 애초에 필요한 표본 수는 자료를 모으기 전 검정력 분석으로 계산해 두는 것이 원칙입니다.
사전·사후 점수를 비교하려면 어떤 검정인가요?
같은 사람을 두 번 측정했으므로 대응표본 t-검정입니다. 메뉴는 <분석 → 평균 비교 → 대응표본 T 검정>이고, 두 측정값이 각각 다른 열에 있어야 한다는 점이 독립표본과 정반대입니다.
종속변수를 여러 개 한꺼번에 넣어도 되나요?
기술적으로는 가능하고 변수마다 한 줄씩 결과가 나옵니다. 다만 검정을 여러 번 하는 셈이므로, 종속변수가 많다면 다변량분산분석(MANOVA)을 쓰거나 유의수준 보정을 검토해야 합니다.
정리
집단 변수를 한 열에 세로로 쌓고(1단계), 분석 → 평균 비교 → 독립표본 T 검정에서 집단 정의와 효과크기 옵션을 켜고(2단계), Levene 유의확률로 어느 줄을 읽을지 정하고(3단계), 정규성·등분산 가정을 점검해 한 문장으로 남기고(4단계), Cohen’s d를 함께 계산하고(5단계), APA 표로 조판한 뒤(6단계) 네 문장 구조로 서술하면(7단계) 끝입니다. 같은 자료에서 여러 독립변수의 영향을 동시에 보고 싶어졌다면 SPSS 다중회귀분석 실전 튜토리얼로 이어 가면 됩니다.