준편상관계수 (Semi-partial Correlation)

한 줄 정의: 다른 변수들의 영향을 두 변수 중 한쪽(주로 설명변수)에서만 통계적으로 제거한 뒤, 그 변수가 종속변수를 얼마나 독자적으로 설명하는지를 나타내는 상관계수입니다.

쉽게 풀면

편상관계수는 두 변수 모두에서 다른 변수의 영향을 깨끗이 씻어낸 뒤 남은 관계를 보는 반면, 준편상관계수(부분상관계수라고도 함)는 설명변수 쪽에서만 다른 변수의 영향을 제거하고 종속변수는 원래 그대로 둔 채 관계를 봅니다. 여러 사람이 함께 낸 회식비 총액 중에서 "내가 혼자 추가로 더 낸 몫"만 따로 계산하는 것과 비슷합니다. 실제로 다중회귀분석에서 준편상관계수를 제곱하면, 그 변수 하나가 전체 모형의 설명력(R²)에 다른 변수들과 겹치지 않고 순수하게 추가로 기여하는 비율이 나옵니다. 그래서 "이 변수를 모형에서 빼면 R²가 얼마나 떨어지는가"를 알고 싶을 때 특히 유용합니다.

왜 중요한가

다중회귀분석에서 예측변수들이 서로 상관되어 있으면(다중공선성), 각 변수가 결과변수를 설명하는 몫이 서로 겹쳐서 단순 상관계수만으로는 "이 변수만의 순수한 기여도"를 파악하기 어렵습니다. 준편상관계수는 이 겹치는 부분을 걷어내고 각 변수의 고유한 설명력을 R² 분해와 직접 연결해 보여주기 때문에, 여러 예측변수의 상대적 중요도를 비교하거나 특정 변수를 모형에 추가할 실익을 판단하는 논문에서 자주 보고됩니다.

논문에서는 이렇게 쓰입니다

"자기효능감의 준편상관계수는 .25로 나타나, 다른 예측변수들을 통제한 상태에서도 학업성취도 전체 설명력(R²)에 약 6.25%p를 독자적으로 기여하는 것으로 확인되었다."

이 문장은 자기효능감이라는 변수가 다른 변수들과 겹치지 않는, 오직 그 변수만의 순수한 설명력을 가지고 있다는 것을 수치로 보여준 것입니다.

"직무만족도, 조직몰입, 리더십 신뢰를 동시에 투입한 회귀모형에서 조직몰입의 준편상관계수가 가장 크게 나타나, 이직의도를 설명하는 데 있어 다른 변수들과 중복되지 않는 고유한 기여도가 가장 큰 예측변수임이 확인되었다."

조직행동 분야의 예문으로, 여러 예측변수 중 어떤 변수가 결과변수에 대해 가장 독자적인 설명력을 갖는지를 준편상관계수로 비교한 사례입니다.

"체질량지수, 흡연 여부, 신체활동량을 함께 투입했을 때 신체활동량의 준편상관계수는 상대적으로 작게 나타나, 혈압 변화를 설명하는 데 있어 다른 두 변수와 상당 부분 중첩됨을 시사하였다."

보건역학 분야의 예문으로, 준편상관계수가 작다는 것은 그 변수가 다른 변수들과 정보를 많이 공유해 독자적인 설명력이 제한적이라는 의미로 해석됨을 보여줍니다.

조금 더 깊게 보면

준편상관계수의 제곱은 위계적 회귀분석(hierarchical regression)에서 특정 변수(군)를 마지막 단계에 추가했을 때 R²가 증가하는 폭, 즉 ΔR²와 수학적으로 동일한 값을 갖습니다. 이 때문에 논문에서는 준편상관계수를 직접 보고하기보다 위계적 회귀분석의 단계별 ΔR²로 제시하는 경우도 흔하며, 두 지표는 사실상 같은 정보를 다른 방식으로 표현한 것입니다. 다중공선성이 심한 경우 준편상관계수가 매우 작거나 불안정하게 나올 수 있어, 분산팽창지수(VIF) 등으로 공선성을 함께 점검하는 것이 일반적입니다.

주의할 점

편상관계수와 준편상관계수는 이름이 비슷해 자주 혼동되지만, 둘은 계산 방식과 해석이 다릅니다. 편상관계수는 두 변수 모두에서 다른 변수의 영향을 제거하므로 값이 대체로 더 크게 나오는 경향이 있고, 준편상관계수는 설명변수 쪽에서만 영향을 제거하므로 회귀모형의 R² 분해와 바로 연결된다는 점에서 실무적으로 더 자주 쓰입니다. 논문에서 어떤 상관계수를 보고하는지 반드시 구분해서 읽어야 합니다.