자크-베라 검정 (Jarque-Bera Test)
쉽게 풀면
정규분포는 좌우 대칭이고(왜도 0) 봉우리의 뾰족한 정도도 일정한 기준(첨도 3)을 갖습니다. 자크-베라 검정은 실제 데이터의 왜도와 첨도가 이 정규분포의 기준값에서 얼마나 벗어나 있는지를 하나의 통계량으로 합쳐서 계산합니다. 이 값이 충분히 크면(p-value가 작으면) "데이터가 정규분포를 따르지 않는다"고 결론 내립니다. 표본 수가 많을 때 특히 안정적으로 작동해서, 회귀분석의 잔차 진단이나 시계열·계량경제 논문에서 자주 사용됩니다.
왜 중요한가
회귀분석, 시계열 모형, 계량경제 분석 등 정규성을 전제로 하는 많은 통계 기법에서, 그 전제가 실제로 성립하는지 확인하는 절차는 결과 해석의 타당성을 뒷받침하는 데 필수적입니다.
자크-베라 검정은 표본 수가 많을 때도 계산이 간단하고 안정적으로 작동해, 대규모 금융 시계열이나 거시경제 데이터를 다루는 계량경제학 논문에서 정규성 가정을 점검하는 표준 절차로 자주 채택됩니다. 검정 결과는 이후 어떤 추정 방법(예: 정규성을 가정하는 방법 대 강건한 방법)을 선택할지 결정하는 근거로도 이어집니다.
언제 쓰나
표본의 왜도(좌우 비대칭)와 첨도(꼬리의 두께)가 정규분포의 값(왜도 0, 첨도 3)에서 얼마나 벗어났는지로 정규성을 검정합니다. 계량경제·금융 논문에서 회귀 잔차나 수익률의 정규성을 확인할 때 특히 많이 쓰입니다.
- 귀무가설 H₀: 자료는 정규분포를 따른다(왜도 = 0, 초과첨도 = 0).
- 통계량:
JB = n/6 × (S² + (K − 3)²/4)(S: 표본 왜도, K: 표본 첨도). 표본이 충분히 크면 자유도 2의 카이제곱분포를 따릅니다. - 표본이 작으면(대략 수십 이하) 이 카이제곱 근사가 부정확하므로, 시뮬레이션으로 구한 임계값을 쓰거나 샤피로-윌크 검정을 함께 봅니다.
결과는 이렇게 읽는다
JB가 클수록, p가 작을수록 정규분포에서 멀다는 뜻입니다. 두 가지 모양 중 어느 쪽이 문제인지는 왜도와 첨도를 따로 봐야 압니다.
작은 예(모의 자료, 각 n = 60, 계산 결과).
| 자료 | 왜도 S | 첨도 K | JB | p |
|---|---|---|---|---|
| 정규분포에서 뽑음 | 0.37 | 2.83 | 1.46 | .483 |
| 지수분포(오른쪽 꼬리가 긺) | 1.56 | 6.03 | 47.38 | < .001 |
- 첫째 자료는 귀무가설을 기각하지 못하지만 ‘정규분포임을 증명했다’는 뜻은 아닙니다.
- 표본이 매우 크면 현실에서는 문제 없는 작은 이탈도 유의하게 나오므로, 히스토그램·Q-Q 도표를 함께 봅니다.
논문에는 이렇게 보고한다
검정 대상(변수인지 회귀 잔차인지), 통계량, p를 적고, 정규성이 기각되었을 때 취한 조치(변환, 비모수 방법, 강건한 추정 등)를 이어서 적습니다.
모형 잔차에 대한 Jarque-Bera 검정 결과 정규성이 기각되지 않았다(JB = 1.46, p = .483). (형식을 보여 주려는 가상의 문장)
- 회귀 분석에서 정규성 가정은 주로 오차(잔차)에 대한 것입니다. 변수 자체가 아니라 어떤 것을 검정했는지 분명히 합니다.
- 표본이 큰 경우 중심극한정리 덕분에 계수 추정은 정규성에 크게 의존하지 않는다는 점을 함께 논의하기도 합니다.
논문에서는 이렇게 쓰입니다
실제 논문에서
이 용어를 직접 쓴 국내 논문 문장을 아직 수집하지 못했습니다. 수집되는 대로 출처와 함께 싣겠습니다.
예시 문장
아래는 용어의 쓰임을 보여 주려고 만든 예시로, 실제 논문에서 가져온 문장이 아닙니다.
이 문장은 회귀분석에서 나온 잔차(오차)가 통계적으로 정규분포와 크게 다르지 않다고 확인되었으므로, 정규성을 전제로 한 회귀분석 결과를 그대로 신뢰할 수 있다는 뜻입니다.
금융 시계열 연구에서는 자산 수익률이 정규분포보다 극단값이 자주 나타나는 두터운 꼬리 분포를 따르는 경우가 많다는 것을 이 검정으로 확인하고, 이를 반영한 모형을 선택했다는 뜻입니다.
사회과학 조사연구에서도 종속변수의 분포 형태를 점검하는 데 이 검정이 쓰이며, 그 결과에 따라 변수 변환 같은 후속 조치를 취했다는 것을 보여줍니다.
조금 더 깊게 보면
자크-베라 통계량은 왜도의 제곱과 첨도가 정규분포 기준(0과 3)에서 벗어난 정도의 제곱을 가중합산해 만들어지며, 표본 수가 충분히 크면 이 통계량이 근사적으로 카이제곱분포를 따른다는 점을 이용해 유의성을 판단합니다.
이 때문에 표본이 작을 때는 근사가 부정확해져 검정력이 떨어지는 한계가 있고, 이런 경우 샤피로-윌크 검정처럼 소표본에 더 적합한 방법이 대안으로 쓰입니다.
또한 자크-베라 검정은 데이터가 정규분포에서 벗어난 방향(왜도인지 첨도인지)까지는 구체적으로 알려주지 않으므로, 유의한 결과가 나왔다면 왜도와 첨도 값을 따로 살펴보거나 히스토그램·Q-Q 도표 같은 시각적 진단을 함께 확인하는 것이 좋습니다.
주의할 점
자크-베라 검정은 표본 수가 적을 때는 검정력이 낮아 실제로는 정규분포가 아니어도 "기각할 수 없다"는 결과가 나오기 쉽습니다. 표본이 작다면 샤피로-윌크 검정과 함께 확인하는 것이 안전합니다.
헷갈리기 쉬운 용어
정규성 검정은 여럿이고 ‘무엇의 어떤 면을 보는가’가 다릅니다.
| 검정 | 무엇을 보나 | 특징 |
|---|---|---|
| Jarque-Bera 검정 | 왜도와 첨도 | 표본이 큰 자료와 회귀 잔차에 흔함. 소표본은 근사 부정확 |
| 샤피로-윌크 검정 | 정렬된 값과 정규 기대값의 일치 | 소·중표본에서 검정력이 좋은 편 |
| 콜모고로프-스미르노프 검정 | 누적분포의 최대 거리 | 평균·표준편차를 추정하면 Lilliefors 보정 필요 |
| 왜도·첨도 | 분포 모양을 나타내는 요약값 | 검정이 아니라 기술통계. JB의 재료 |
| Q-Q 도표 | 정규분포와 점의 일치를 눈으로 확인 | 어디서 이탈하는지 보여 줌 |
어떤 검정이든 정규성 ‘검정 통과’와 ‘정규분포임’은 다른 말입니다. 그림과 함께 봅니다.
참고 문헌
- Jarque, C. M., & Bera, A. K. (1980). Efficient tests for normality, homoscedasticity and serial independence of regression residuals. Economics Letters, 6(3), 255–259.
- Jarque, C. M., & Bera, A. K. (1987). A test for normality of observations and regression residuals. International Statistical Review, 55(2), 163–172.
- Thadewald, T., & Büning, H. (2007). Jarque–Bera test and its competitors for testing normality: A power comparison. Journal of Applied Statistics, 34(1), 87–105.
표의 기준값은 위 문헌에 근거한 관례이며, 분야·학술지마다 다른 기준을 쓸 수 있습니다.