카이제곱검정 (Chi-square Test)
쉽게 풀면
예를 들어 "성별에 따라 좋아하는 음료 종류가 다른가?"처럼, 숫자가 아니라 남/여, 커피/차/주스 같은 "범주"로 나뉘는 변수들 사이에 관계가 있는지 알고 싶을 때 씁니다. 만약 성별과 음료 선호가 아무 관계가 없다면, 각 칸에 들어갈 사람 수는 대략 예상 가능한 비율대로 나올 것입니다. 카이제곱검정은 실제로 관찰된 인원수와 "관계가 없다고 가정했을 때 기대되는 인원수"의 차이가 얼마나 큰지를 계산해서, 그 차이가 우연으로 보기 어려울 만큼 크면 "두 변수는 관련이 있다"고 결론 내립니다.
왜 중요한가
설문조사, 임상시험, 사용자 행동 로그처럼 응답이 범주(예/아니오, 그룹 A/B/C)로 기록되는 데이터는 사회과학, 의학, 마케팅, 교육학 등 거의 모든 분야의 논문에서 흔히 다뤄집니다. 이런 범주형 데이터에서 두 변수가 서로 관련이 있는지를 통계적으로 뒷받침하려면 카이제곱검정처럼 빈도 차이를 검정하는 방법이 필요하기 때문에, 관련 연구에서 자주 인용되는 기본 분석 도구로 자리잡았습니다. 또한 이 검정 결과는 이후 로지스틱 회귀 등 더 복잡한 모형으로 넘어가기 전, 변수 간 연관성을 처음 확인하는 탐색적 단계로도 널리 쓰입니다.
논문에서는 이렇게 쓰입니다
흡연 그룹과 비흡연 그룹에서 폐질환 발생 비율의 차이가 우연이라고 보기 어려울 만큼 크다는 뜻입니다.
거주 지역에 따라 선호하는 쇼핑 플랫폼의 분포가 다르게 나타났으며, 이 차이가 우연으로 보기는 어렵다는 의미입니다.
두 집단 사이에 성공 여부의 비율 차이가 관찰되긴 했지만, 그 정도가 우연히 나올 수 있는 범위 안에 있어 "관련이 있다"고 보기는 어렵다는 결론입니다.
조금 더 깊게 보면
카이제곱검정에는 몇 가지 변형이 있는데, 두 범주형 변수 간 관계를 보는 독립성 검정과 하나의 변수가 특정 분포를 따르는지 보는 적합도 검정이 대표적입니다. 표가 2x2일 때는 작은 표본에서 카이제곱 통계량이 실제보다 과대추정되는 경향을 보정하기 위해 연속성 수정(Yates' correction)을 적용하기도 합니다. 검정 결과가 유의하다고 해서 연관성의 크기까지 알 수 있는 것은 아니므로, 논문에서는 흔히 크래머의 V(Cramér's V)나 파이 계수(phi coefficient) 같은 효과크기 지표를 함께 보고해 연관성이 실질적으로 얼마나 강한지 보여줍니다. 기대빈도가 지나치게 작아 카이제곱검정의 가정을 충족하지 못하는 경우에는 대안으로 피셔의 정확검정(Fisher's exact test)이 쓰이기도 합니다.
주의할 점
카이제곱검정은 평균 차이가 아니라 "빈도(개수)"의 차이를 검정하는 방법이므로, 연속적인 숫자 데이터(키, 점수 등)를 비교할 때는 t검정이나 ANOVA를 써야 합니다. 또한 각 칸의 기대빈도가 너무 작으면(보통 5 미만) 결과가 부정확해질 수 있습니다.