다변량 분산분석 (MANOVA)
쉽게 풀면
새로운 교육 프로그램의 효과를 확인하려는데, 측정하고 싶은 결과가 "시험 점수"뿐 아니라 "학습 흥미도"와 "자기효능감"까지 세 가지라고 해봅시다. 이 세 가지를 분산분석으로 하나씩 따로따로 검정하면, 여러 번 검정을 반복하면서 우연히 유의한 결과가 나올 확률이 누적되는 문제가 생깁니다. 다변량분산분석(MANOVA)은 이 세 가지 종속변수를 한꺼번에 묶어서, "이 세 지표를 종합적으로 봤을 때 집단 간에 차이가 있는가?"를 한 번의 검정으로 판단합니다.
왜 중요한가
실제 연구에서는 하나의 개입이나 처치가 여러 결과 지표에 동시에 영향을 미치는 경우가 많아서, 종속변수를 하나씩 따로 검정하기보다 전체적인 패턴을 한 번에 살펴볼 필요가 자주 생깁니다. MANOVA는 이런 다차원적 효과를 종합적으로 파악하게 해주기 때문에 교육학, 심리학, 마케팅, 보건학 등 여러 분야의 실험·조사 연구에서 꾸준히 등장합니다. 또한 종속변수들 간의 상관 구조를 반영해 검정한다는 점에서, 개별 ANOVA를 여러 번 반복하는 것보다 통계적으로 더 정교한 접근으로 여겨집니다.
논문에서는 이렇게 쓰입니다
이 문장에서 Wilks' λ는 MANOVA에서 흔히 쓰이는 검정통계량으로, 여러 종속변수를 종합했을 때 집단 간 차이가 얼마나 뚜렷한지를 나타냅니다. 유의한 결과가 나오면 보통 각 종속변수별로 후속 분석(단변량 ANOVA 등)을 진행해 어떤 변수에서 차이가 두드러졌는지 확인합니다.
마케팅 분야 논문에서는 Wilks' λ 대신 Pillai's Trace를 검정통계량으로 보고하는 경우도 흔한데, 표본 특성이나 등분산 가정 충족 여부에 따라 연구자가 더 안정적인 지표를 선택하기 때문입니다. 이 예문 역시 여러 소비자 반응 지표를 하나의 검정으로 묶어 집단 차이를 종합적으로 판단한 사례입니다.
보건·임상 연구에서는 이처럼 MANOVA로 전체적인 차이를 먼저 확인한 뒤, 어떤 구체적인 증상 지표가 차이를 이끌었는지 후속 분석으로 좁혀가는 서술 방식이 자주 쓰입니다.
조금 더 깊게 보면
MANOVA 결과를 보고할 때는 Wilks' λ 외에도 Pillai's Trace, Hotelling's Trace, Roy's Largest Root 등 여러 다변량 검정통계량이 쓰이는데, 이들은 종속변수들의 분산-공분산 구조를 서로 다른 방식으로 요약한 것입니다. 일반적으로 표본이 작거나 집단 간 분산이 고르지 않을 때는 Pillai's Trace가 더 안정적(강건)이라고 알려져 있어 선호되는 경우가 있습니다. 유의한 MANOVA 결과가 나온 뒤에는 어떤 종속변수가 실제로 차이를 견인했는지 확인하기 위해 단변량 ANOVA나 판별분석(discriminant analysis)을 후속 분석으로 진행하는 경우가 많습니다. 다만 후속 검정을 여러 번 반복하면 다시 1종 오류가 누적될 수 있어, 본페로니 보정 등 유의수준 조정을 함께 적용하는 것이 일반적입니다.
주의할 점
MANOVA를 여러 개의 ANOVA를 따로 실시하는 것보다 선호하는 이유는 종속변수들 사이의 상관관계까지 함께 고려하고, 반복 검정으로 인한 1종 오류 누적을 줄일 수 있기 때문입니다. 다만 종속변수 간 상관이 거의 없다면 MANOVA의 이점이 크지 않으며, 표본 크기가 충분히 크고 다변량 정규성 등의 가정을 만족해야 결과를 신뢰할 수 있습니다.