카이제곱 적합도검정 (Chi-square Goodness-of-fit Test)
쉽게 풀면
주사위를 60번 던졌을 때 1~6이 각각 10번씩 나와야 "공정한 주사위"라고 기대할 수 있습니다. 그런데 실제로 던져보니 1은 5번, 6은 18번 나왔다면, 이 주사위가 정말 공정한지 의심이 듭니다. 카이제곱 적합도검정은 이렇게 "실제로 관측된 빈도"가 "이론적으로 기대되는 빈도(비율)"와 얼마나 차이 나는지를 계산해서, 그 차이가 우연으로 보기엔 너무 크다면 "이 변수는 기대했던 분포를 따르지 않는다"고 결론 내리는 방법입니다. 카이제곱검정 중에서도 이 방법은 변수 하나가 특정 분포에 "들어맞는지(goodness-of-fit)"를 보는 것이 특징이며, 두 변수 사이에 관계가 있는지를 보는 카이제곱검정과는 목적이 다릅니다.
왜 중요한가
많은 통계 연구는 표본이 모집단을 대표한다는 전제 위에서 결과를 해석하는데, 카이제곱 적합도검정은 이 전제를 직접 확인할 수 있는 몇 안 되는 도구입니다. 설문조사, 실험설계, 유전학의 멘델 유전비율 검증처럼 "관측된 비율이 이론적으로 기대한 비율과 같은가"라는 질문은 사회과학부터 생명과학까지 폭넓게 등장합니다. 표본 편향이나 모형 적합성을 점검하는 사전 절차로 쓰이는 경우가 많아, 본 분석에 앞서 논문의 방법론 절에서 자주 언급됩니다.
논문에서는 이렇게 쓰입니다
이 문장은 "설문 응답자의 혈액형 비율이 일반 인구 집단에서 알려진 비율과 통계적으로 다르지 않았다"는 뜻으로, 표본이 모집단의 알려진 분포를 잘 따르고 있음을 확인한 것입니다.
이 문장은 유전학 실험에서 관찰된 형질 분리 비율이 멘델 유전법칙이 예측하는 이론적 비율(3:1)에서 크게 벗어나지 않았음을 통계적으로 확인했다는 뜻입니다.
이 문장은 사용자 로그 데이터를 분석할 때, 요일마다 접속량이 동일할 것이라는 귀무가설(균등분포 가정)이 기각되어 특정 요일에 이용이 몰리는 경향이 있음을 통계적으로 보여준 것입니다.
조금 더 깊게 보면
카이제곱 적합도검정의 핵심 통계량은 각 범주별 (관측빈도-기대빈도)²/기대빈도의 합으로 계산되며, 이 값이 자유도(범주 수-1)에 해당하는 카이제곱분포에서 얼마나 극단적인 위치에 있는지를 바탕으로 유의성을 판단합니다. 범주 수가 많거나 기대빈도가 작은 경우 근사가 부정확해질 수 있어, 이런 상황에서는 정확검정(exact test)이나 시뮬레이션 기반 p값을 함께 보고하는 논문도 있습니다. 또한 검정 결과가 유의하더라도 그 차이의 크기(효과크기)를 별도로 보고하기 위해 Cramér's V 같은 관련 지표를 함께 제시하는 경우도 흔합니다.
주의할 점
카이제곱 적합도검정은 변수 하나의 "관측 대 기대" 비교이며, 두 범주형 변수 사이의 연관성을 보는 독립성검정과 혼동하기 쉽습니다. 예를 들어 "성별에 따라 선호 브랜드가 다른가?"는 독립성검정이지만, "선호 브랜드 비율이 업계 평균과 같은가?"는 적합도검정입니다. 또한 다른 카이제곱검정과 마찬가지로 각 범주의 기대빈도가 5 미만이면 검정 결과가 부정확해질 수 있습니다.