완전무작위설계 (Completely Randomized Design)
쉽게 풀면
화분 30개에 서로 다른 비료 세 종류(A, B, C)의 효과를 비교한다고 해봅시다. 화분들을 햇빛이 잘 드는 것과 그늘진 것으로 미리 나누지 않고, 30개 화분 전체를 하나의 큰 덩어리로 놓은 채 각 화분에 A, B, C 중 무엇을 줄지 제비뽑기로 그냥 정해버리는 것이 완전무작위설계입니다. 블록으로 나누거나 짝을 맞추는 등 별도의 사전 구분 절차가 전혀 없다는 점이 핵심입니다. 실험 대상들이 서로 크게 다르지 않고 비교적 균일할 때 가장 간단하고 계산도 쉬운 설계이지만, 만약 화분 위치에 따라 햇빛 양이 크게 다르다면 이 차이가 비료 효과와 뒤섞여 결과를 왜곡할 수 있습니다.
왜 중요한가
완전무작위설계는 실험설계 이론에서 가장 기본이 되는 형태로, 다른 모든 정교한 설계(블록설계, 요인설계, 분할구설계 등)를 이해하고 평가하는 기준점 역할을 합니다. 논문에서 어떤 처리 효과를 통계적으로 검정할 때, 그 검정이 타당하려면 처리 배정이 편향 없이 이루어졌다는 전제가 필요한데, 완전무작위설계는 그 전제를 가장 단순한 방식으로 충족시켜 줍니다. 그래서 실험군과 대조군 비교가 핵심인 생명과학, 농학, 심리학, 공학 실험 논문 전반에서 방법론 문단에 빠지지 않고 등장합니다. 또한 실험 대상이 비교적 균질한 소규모 실험에서는 별도의 블록 설계 없이도 신뢰할 수 있는 결과를 얻을 수 있어 실무적으로도 널리 쓰입니다.
논문에서는 이렇게 쓰입니다
이 문장은 쥐들을 나이나 몸무게로 미리 소집단을 나누지 않고, 24마리 전체를 하나의 모집단처럼 취급하여 각 개체가 어느 군에 들어갈지 순수하게 무작위로 결정했다는 뜻입니다.
농학 실험에서는 재배 환경이 비교적 균일하다는 전제가 확인될 때 완전무작위설계를 채택하며, 배치 순서나 위치가 결과에 영향을 주지 않도록 무작위화한다는 점을 강조하는 문장입니다.
인간 대상 실험(HCI, 심리학)에서도 참여자를 인구통계학적 특성으로 미리 나누지 않고 무작위로 조건에 배정함으로써, 조건 간 차이가 순전히 처리 효과 때문임을 주장하기 위해 이 설계를 사용합니다.
조금 더 깊게 보면
완전무작위설계 논문을 읽을 때는 분산분석(ANOVA)의 오차항 구조를 함께 살펴보는 것이 중요합니다. 블록이나 층 요인이 없기 때문에, 처리 간 차이를 제외한 모든 변동이 하나의 잔차(오차) 항에 포함되며, 이는 대상 간 이질성이 클수록 오차분산이 커지고 검정력이 낮아지는 결과로 이어집니다. 또한 무작위 배정이 실제로 편향 없이 이루어졌는지를 확인하기 위해 난수 생성 절차나 배정 은폐(allocation concealment) 여부를 방법론 문단에서 명시하는 경우가 많으며, 이는 설계의 신뢰성을 판단하는 단서가 됩니다. 표본크기가 작거나 반복수가 처리군마다 다른 불균형 설계(unbalanced design)인 경우에는 통계적 검정 방식(예: 유형별 제곱합 계산법)이 달라질 수 있다는 점도 함께 확인할 필요가 있습니다.
주의할 점
완전무작위설계는 실험 대상이 서로 비슷할 때만 효율적입니다. 대상들 사이에 뚜렷한 차이(예: 성별, 지역, 연령대)가 있다면 그 차이를 먼저 블록으로 묶어 통제하는 분할구설계나 블록무작위배정을 쓰는 것이 오차를 줄이는 데 더 유리합니다. 즉, 완전무작위설계는 "가장 기본"이지 "항상 최선"은 아닙니다.