모형적합도지수 (Model Fit Indices)
쉽게 풀면
옷을 맞춤 제작했을 때 "이 옷이 내 몸에 얼마나 잘 맞는가"를 어깨너비 하나만으로 판단하지 않고 소매길이, 허리둘레, 기장 등 여러 기준으로 나눠서 확인하는 것과 비슷합니다. 모형적합도지수도 하나의 숫자만 보지 않고, CFI(비교적합지수), RMSEA(근사오차제곱근), SRMR(표준화잔차평균제곱근) 등 성격이 다른 여러 지표를 함께 살펴보면서 "내가 세운 이론적 모형이 실제 데이터 구조와 잘 맞는지"를 종합적으로 판단합니다.
왜 중요한가
구조방정식모형이나 확인적 요인분석은 눈에 보이지 않는 잠재변인 간 관계를 가정하기 때문에, 그 가정한 모형이 실제 데이터를 얼마나 잘 설명하는지를 검증하는 절차 없이는 분석 결과를 신뢰하기 어렵습니다. 그래서 심리학, 경영학, 교육학 등 잠재변인 기반 통계기법을 쓰는 대다수 논문에서 모형적합도지수 보고는 사실상 필수적인 절차로 자리 잡았습니다. 또한 여러 경쟁 모형 중 어느 것이 데이터에 더 부합하는지를 비교하는 근거로도 활용되어, 이론 검증 연구 전반에서 핵심적인 역할을 합니다.
논문에서는 이렇게 쓰입니다
이 문장은 "연구자가 설정한 요인 구조 모형이 실제 수집된 데이터와 여러 적합도 기준에서 모두 양호한 수준으로 들어맞았다"는 뜻입니다.
경영학·조직행동 연구에서는 카이제곱 대 자유도 비율을 함께 보고하여 표본크기에 민감한 카이제곱 검정의 한계를 보완하는 경우가 많습니다.
교육·심리측정 연구에서는 초기 모형이 기준을 충족하지 못할 때 이론적 타당성을 검토한 뒤 모형을 수정하고 그 과정을 함께 보고하는 방식이 흔히 쓰입니다.
조금 더 깊게 보면
적합도지수는 크게 절대적합지수(모형이 데이터에 절대적으로 얼마나 부합하는지 보는 카이제곱검정, SRMR 등), 증분적합지수(기저모형 대비 얼마나 개선되었는지 보는 CFI, TLI), 간명적합지수(모형의 복잡도를 함께 고려하는 RMSEA 등)로 나뉘며, 논문에서는 성격이 다른 이 지표들을 함께 보고하는 것이 일반적입니다. 적합도가 기준에 못 미칠 때는 수정지수(modification index)를 참고해 모형을 조정하기도 하는데, 이 과정이 이론적 근거 없이 지표만 좋게 만들기 위한 것이라면 과적합의 우려가 있어 비판적으로 봐야 합니다. 논문을 읽을 때는 표본크기와 모형 복잡도에 따라 같은 지표값이라도 해석이 달라질 수 있다는 점을 함께 고려하는 것이 좋습니다.
주의할 점
흔히 CFI/TLI는 .90~.95 이상, RMSEA는 .06~.08 이하일 때 적합도가 양호하다고 보지만, 이는 절대적인 기준이 아니라 표본크기와 모형 복잡도에 따라 달라질 수 있는 경험적 지침일 뿐입니다. 또한 여러 후보 모형 중 상대적으로 더 나은 모형을 고르는 데 쓰이는 정보기준(AIC, BIC)과는 목적이 다르므로 혼동하지 않아야 합니다.