용어 목록 > 무작위블록설계 (Randomized Block Design)

무작위블록설계 (Randomized Block Design)

쉽게 풀면

완전무작위설계는 모든 대상을 뒤섞어서 처리를 배정하지만, 대상들 사이에 이미 알고 있는 큰 차이(예: 성별, 연령대, 재배 밭의 위치)가 있으면 그 차이가 결과에 섞여 들어가 처리 효과를 흐릴 수 있습니다.

무작위블록설계는 이런 문제를 막기 위해 먼저 비슷한 특성을 가진 대상끼리 묶어 "블록"을 만들고, 그다음 각 블록 안에서만 처리군을 무작위로 배정합니다. 예를 들어 남성 블록과 여성 블록을 각각 만든 뒤, 남성 블록 안에서 신약과 위약을 무작위로 나누고, 여성 블록 안에서도 따로 무작위로 나누는 식입니다.

이렇게 하면 블록 간 차이(성별 효과)는 분석 단계에서 따로 떼어내고, 순수하게 처리 효과만 더 정확하게 비교할 수 있습니다.

왜 중요한가

실험 대상 사이에 이미 알려진 차이(성별, 지역, 재배 환경 등)가 있을 때 이를 통제하지 않으면 처리 효과와 뒤섞여 결과 해석이 왜곡될 수 있습니다. 무작위블록설계는 이러한 교란 요인을 실험설계 단계에서부터 체계적으로 분리해내므로, 농학·의학·심리학 등 대상 간 이질성이 큰 분야의 실험연구에서 표준적으로 다뤄집니다. 또한 분산분석(ANOVA)의 기본 모형 중 하나로 통계 교육과 방법론 논문에서도 자주 인용됩니다.

언제 쓰나

처리(약, 비료, 교육 방법 등)의 효과를 비교하는데, 결과에 큰 영향을 주는 것으로 이미 알려진 변수(밭의 위치, 실험일, 연령대, 병원)가 있을 때 씁니다. 실험 대상을 그 변수가 비슷한 묶음(블록)으로 먼저 나누고, 각 블록 안에서 처리를 무작위로 배정합니다(Fisher, 1935).

• 블록 안은 서로 비슷하므로 처리 간 비교가 더 정밀해지고, 블록 간 차이는 분석에서 따로 떼어낼 수 있습니다.
• 블록은 실험을 시작하기 전에, 결과와 관련 있다고 예상되는 기준으로 만듭니다. 결과를 본 뒤에 나누는 것은 블록설계가 아닙니다.
• 가장 단순한 형태(완전 블록)는 모든 블록에 모든 처리가 한 번씩 들어갑니다. 한 블록에 모든 처리를 넣을 수 없으면 불완전 블록설계를 씁니다.
• 같은 사람에게 여러 조건을 모두 주는 반복측정 설계는 사람을 블록으로 본 것과 구조가 같습니다(개체내 설계).

결과는 이렇게 읽는다

모형은 yij = μ + τi + βj + εij(처리 효과 τ, 블록 효과 β)이며, 처리와 블록의 효과가 더해지기만 하고 서로 영향을 주지 않는다는 가법성을 가정합니다. 총변동을 나눕니다: SS_총 = SS_처리 + SS_블록 + SS_오차.

• 처리 수 a, 블록 수 b일 때 자유도는 처리 a − 1, 블록 b − 1, 오차 (a − 1)(b − 1)입니다. 한 칸에 관측치가 하나뿐이면 처리×블록 교호작용은 오차와 분리되지 않아 검정할 수 없습니다.
• 처리 F = MS_처리 / MS_오차로 F분포와 비교합니다. 블록의 F도 나오지만 연구 질문은 대개 처리에 있고, 블록은 오차를 줄이려고 둔 장치입니다.
• 블록이 효과적일수록 오차 변동이 줄어 처리 효과를 검출하는 검정력이 높아집니다. 블록이 결과와 관련 없으면 자유도만 잃어 오히려 손해일 수 있습니다.

작은 예(가상의 자료): 3가지 처리를 4개 블록에서 비교했고, 처리 평균은 11.25, 16.00, 13.00입니다.

블록을 무시하고 일원분산분석을 하면 블록 변동이 오차로 섞여 오차 제곱합이 46.75가 되고 F(2, 9) = 4.44, p = .045로 효과가 훨씬 약하게 보입니다. 블록을 고려하는 것만으로 처리 효과가 선명해졌습니다.

논문에는 이렇게 보고한다

• 블록을 무엇으로 정했는지, 왜 그것이 결과와 관련 있다고 보았는지 설명하고, 처리가 블록 안에서 무작위로 배정되었음을 밝힙니다.
• 분산분석표(변동원, 제곱합, 자유도, F, p)를 제시하거나 본문에 처리 효과는 유의하였고(F(2, 6) = 26.81, p = .001), 블록 효과도 유의하여 블록화가 효율적이었다.처럼 씁니다(위 가상의 예 기준).
• 처리 간 쌍별 비교를 했다면 사후검정 방법과 다중비교 보정 방식을 밝힙니다(사후검정).
• 가법성 가정을 점검한 방법(잔차 그림, 교호작용 도표)을 적습니다.
• 블록이 임의 표본에서 뽑힌 것이라면(예: 무작위로 고른 병원) 블록을 변량효과로 다루는 혼합효과모형을 쓰기도 하며, 그 경우 그렇게 밝힙니다.

논문에서는 이렇게 쓰입니다

실제 논문에서

국내 학술지 논문에서 이 용어가 쓰인 문장을 그대로 옮겼습니다. 제목·학술지·연도와 원문 링크를 함께 적었습니다.

• “사양 시험은 35주령의 산란계(Hy-Line Brown) 1,000수를 선별하여 A형 2단 4열 케이지에 대조구 포함 총 5처리구로 구성하여 처리당 4반복, 반복당 50수씩(2수 수용 케이지 25개) 난괴법으로 임의 배치하였다.”

  Copper-Sulfate와 Copper-Soy Proteinate 첨가가 산란계의 생산성과 장내 미생물 균총에 미치는 영향, 한국가금학회지, 2014 · KCI 한국학술지인용색인 · 원문 보기 ↗

예시 문장

아래는 용어의 쓰임을 보여 주려고 만든 예시로, 실제 논문에서 가져온 문장이 아닙니다.

이 문장은 "연구 장소마다 생길 수 있는 차이를 미리 통제하기 위해, 장소를 블록으로 삼아 그 안에서 처리군을 무작위로 배정했다"는 뜻입니다.

농학 실험에서 토양이나 위치에 따른 환경 차이를 블록으로 묶어 처리 효과만 순수하게 비교하려 할 때 쓰이는 표현입니다.

심리학·교육학 실험에서 개인차가 큰 변수를 블록 요인으로 삼아 처리 효과의 정밀도를 높이려 할 때 사용됩니다.

조금 더 깊게 보면

무작위블록설계의 분석에서는 총 변동을 블록 간 변동, 처리 간 변동, 오차로 나누는 분산분석(ANOVA)을 사용하며, 블록 요인이 실제로 의미 있으면 오차 항의 변동이 줄어들어 처리 효과에 대한 검정력이 높아집니다. 블록이 두 개 이상의 요인으로 구성되는 경우 라틴 방격설계(Latin square design)로 확장되기도 하며, 블록 내 처리군 배치가 균형을 이루지 못할 때는 불완전 블록설계(incomplete block design) 방법론이 적용됩니다.

주의할 점

블록을 나누는 기준(블록 요인)은 결과에 실제로 영향을 줄 만한 변수를 골라야 효과가 있습니다. 상관없는 변수로 블록을 나누면 자유도만 소모하고 통계적 효율은 오히려 떨어질 수 있습니다. 또한 블록 안의 처리군 수가 서로 다르면(불균형 블록) 분석이 복잡해지므로, 가능한 한 각 블록 안에 모든 처리 조건이 동일한 수만큼 배정되도록 설계하는 것이 일반적입니다.

헷갈리기 쉬운 용어

참고 문헌

1. Fisher, R. A. (1935). The Design of Experiments. Oliver and Boyd.
2. Cochran, W. G., & Cox, G. M. (1957). Experimental Designs (2nd ed.). Wiley.
3. Box, G. E. P., Hunter, J. S., & Hunter, W. G. (2005). Statistics for Experimenters: Design, Innovation, and Discovery (2nd ed.). Wiley.
4. Montgomery, D. C. (2017). Design and Analysis of Experiments (9th ed.). Wiley.

표의 기준값은 위 문헌에 근거한 관례이며, 분야·학술지마다 다른 기준을 쓸 수 있습니다.

관련 용어