용어 목록 > 관능평가분산분석 (ANOVA for sensory evaluation)

관능평가분산분석 (ANOVA for sensory evaluation)

쉽게 풀면

여러 음식 시료의 맛 점수 차이가 우연이 아니라 진짜로 다른 것인지 통계적으로 확인하는 방법이다. 분산분석은 집단 간 평균 차이(집단 간 분산)가 각 집단 내 개인차(집단 내 분산)에 비해 얼마나 큰지를 비교해 우연의 결과인지 판단한다.

왜 중요한가

단순히 평균 점수만 비교해서는 그 차이가 우연에 의한 것인지 실제 처리 효과인지 알 수 없어, 분산분석을 통해 통계적 유의성을 검증함으로써 관능평가 결과의 신뢰성 있는 해석이 가능해집니다. 관능평가 결과에 분산분석을 적용하지 않고 평균만 비교하면 표본 수나 개인차의 영향을 배제하지 못해 잘못된 결론에 이를 위험이 있다.

언제 쓰나

• 여러 시료(3개 이상)의 관능 점수 평균에 차이가 있는지 한 번에 검정할 때 씁니다. 시료가 2개이면 대응 t-검정으로 충분합니다.
• 보통 같은 패널이 모든 시료를 평가하므로, 시료 효과와 패널(사람) 효과를 함께 넣는 이원배치(시료 × 패널) 분산분석을 씁니다. 패널 간 개인차를 오차에서 분리해 시료 효과를 더 예민하게 검정합니다.
• 가정: 잔차가 대체로 정규분포를 따르고, 시료별 분산이 비슷하며, 점수가 등간 척도처럼 다뤄진다는 것입니다. 9점 기호도 같은 순서 척도를 등간으로 보고 분석하는 것은 이 분야의 관행입니다.
• 가정이 심하게 어긋나거나 순위 자료일 때는 프리드먼 검정 같은 비모수 방법을 고려합니다. 평가자가 시료마다 서로 다른 사람들로 구성된 독립 집단이면 일원배치(분산분석) 또는 크루스칼-왈리스 검정이 됩니다.

결과는 이렇게 읽는다

가상의 자료. 패널 6명이 시료 A, B, C를 9점 기호도 척도로 평가했습니다.

코드로 계산한 이원배치(패널을 블록으로 둔) 분산분석 결과입니다.

• 시료 효과가 유의합니다(F(2, 10) = 21.90, p < .001, 부분 η² ≈ .81).
• 튜키 HSD 사후검정의 임계 차이는 약 0.90점이므로 A–B(1.17), B–C(1.00), A–C(2.17) 모든 쌍이 유의합니다.
• 패널을 무시하고 일원분산분석을 하면 F(2, 15) = 10.41, p = .0015로 F가 작아집니다. 개인차가 오차에 섞여 들어갔기 때문입니다.

전체 검정이 유의해도 어느 쌍이 다른지는 사후검정(사후검정)이 알려 줍니다. 유의하지 않다는 결과는 시료가 같다는 증거가 아닙니다.

논문에는 이렇게 보고한다

• 분산분석표에서 F값, 자유도(분자·분모), p값, 효과크기(부분 η² 등)를 적습니다. 예: “시료 간 기호도 점수에 유의한 차이가 있었다(F(2, 10) = 21.90, p < .001, 부분 η² = .81).”
• 패널을 고정효과로 보았는지 임의효과(혼합모형)로 보았는지 밝힙니다. 패널은 더 큰 모집단의 표본이므로 임의효과로 다루는 것이 적절하다고 보는 교재가 많습니다.
• 사후검정의 종류(튜키 HSD, 던컨, 피셔 LSD 등)와 유의수준을 적습니다. 던컨·LSD는 쌍별 비교 전체의 1종 오류를 덜 엄격하게 통제하므로 선택 이유가 필요합니다.
• 척도(예: 9점 기호도), 패널 수와 훈련 여부, 시료 제시 순서와 반복 수, 가정 확인 방법, 사용한 소프트웨어를 함께 씁니다.

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.

여러 처리군의 관능 점수를 통계적으로 비교하여 유의한 차이 여부를 검정하는 관능검사통계의 표준적 방법이다.

패널 간 개인차까지 고려한 분산분석 설계의 활용 사례를 보여준다.

조금 더 깊게 보면

통계적으로 유의한 차이가 확인되었다고 해서 그 차이가 소비자가 실생활에서 체감할 수 있을 만큼 큰 차이라는 것을 의미하지는 않아, 통계적 유의성과 실질적 의미는 구분해서 해석해야 합니다. 전체 유의차가 확인되면 어느 시료끼리 차이가 나는지 알기 위해 던컨의 다중범위검정이나 튜키검정 같은 사후검정을 추가로 실시한다.

일원배치는 하나의 처리 요인만 고려하지만, 패널원 요인과 시료 요인을 함께 넣는 이원배치나 반복측정 분산분석은 개인차를 통계적으로 분리해내 처리 효과의 검정력을 높여준다.

주의할 점

분산분석은 패널 간 개인차가 큰 관능데이터에서는 유의성 판단이 왜곡될 수 있어 패널 요인을 반복측정 모형에 반영하는 것이 바람직하다. 분산분석은 데이터가 정규분포를 따르고 분산이 고르다는 가정을 전제하므로, 이 가정이 심하게 어긋나면 비모수 검정으로 대체해야 한다. 표본 수가 적은 소규모 패널 실험에서는 검정력 부족으로 실제 존재하는 차이도 유의하지 않은 것으로 나올 위험이 있다.

헷갈리기 쉬운 용어

참고 문헌

1. Lawless, H. T., & Heymann, H. (2010). Sensory Evaluation of Food: Principles and Practices (2nd ed.). Springer.
2. Meilgaard, M. C., Civille, G. V., & Carr, B. T. (2007). Sensory Evaluation Techniques (4th ed.). CRC Press.
3. Næs, T., Brockhoff, P. B., & Tomic, O. (2010). Statistics for Sensory and Consumer Science. Wiley.
4. Stone, H., & Sidel, J. L. (2004). Sensory Evaluation Practices (3rd ed.). Academic Press.

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

관련 용어