용어 목록 > 검정력 (Statistical Power)

검정력 (Statistical Power)

통계 연구방법론
한 줄 정의: 실제로 존재하는 효과를 통계적으로 검출해낼 확률.

쉽게 풀면

어두운 방에서 작은 물건을 찾아야 한다고 생각해보세요. 손전등이 밝을수록(성능이 좋을수록) 물건을 찾아낼 확률이 높아집니다. 검정력은 통계 검정이라는 "손전등"이 실제로 존재하는 효과나 차이를 얼마나 잘 찾아내는지를 나타내는 확률입니다. 검정력이 높을수록 실제 효과를 놓치는 2종 오류를 범할 확률이 낮아집니다. 검정력은 표본 크기, 효과크기, 유의수준에 따라 달라지며, 연구자는 보통 검정력 80% 이상을 확보하도록 연구를 설계합니다.

왜 중요한가

검정력이 낮은 연구는 실제로 존재하는 차이나 관계를 발견하지 못하고 "유의하지 않음"이라는 결론에 그칠 위험이 큽니다. 이는 단순한 통계적 흠이 아니라 연구 자원의 낭비와 잘못된 정책·임상 판단으로 이어질 수 있어, 검정력 개념은 연구 설계를 평가하는 핵심 기준으로 다뤄집니다.

또한 재현성 위기 논의에서 낮은 검정력이 거짓 양성 결과의 재현 실패를 설명하는 주요 원인 중 하나로 지목되면서, 검정력을 사전에 확보하는 관행이 여러 분야에서 강조되고 있습니다.

계산과 범위

검정력 = 1 − β = P(귀무가설 기각 | 실제로 효과가 있음). 0~1의 확률이며, 효과가 없을 때(귀무가설이 참)의 기각 확률은 검정력이 아니라 유의수준 α입니다.

네 가지가 서로 맞물려 있어서 셋을 정하면 나머지 하나가 정해집니다.

두 독립집단 t검정(양측, α = .05)에서 집단당 필요한 표본 수(가상 계산, 비중심 t분포 사용):

효과크기 d검정력 .80검정력 .90
0.2 (작음)394명527명
0.5 (중간)64명86명
0.8 (큼)26명34명

간단한 근사식은 n ≈ 2 × ((z1−α/2 + z1−β) / d)²이고 d = 0.5, α = .05, 검정력 .80이면 62.8로 계산되어, t분포를 쓴 정확한 값(64)보다 약간 작습니다. 반대로 표본이 집단당 30명으로 고정되어 있으면 d = 0.5의 검정력은 .48, d = 0.8은 .86, d = 0.3은 .21입니다.

해석 기준

보고 방법

사전 검정력 분석은 가정한 효과크기와 그 근거, α, 목표 검정력, 검정 종류(양측/단측), 소프트웨어, 계산된 표본 수, 탈락 보정을 밝힙니다.

G*Power 3.1을 이용하여 독립표본 t검정(양측, α = .05, 검정력 .80, 효과크기 d = 0.50)에 필요한 표본을 계산한 결과 집단당 64명(총 128명)이었다. 탈락률 10%를 고려하여 집단당 72명을 모집하였다.

논문에서는 이렇게 쓰입니다

실제 논문에서

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

예시 문장

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

"사전 검정력 분석 결과, 효과크기 d = 0.5, 검정력 .80을 확보하려면 최소 64명이 필요했다."

연구자가 실험 전에 미리 계산해서, 실제 효과가 있다면 그것을 80% 확률로 검출하기 위해 필요한 최소 참가자 수를 정했다는 뜻입니다.

"본 메타분석에 포함된 개별 연구들의 평균 검정력은 낮은 편으로, 이는 개별 연구에서 보고된 비유의미한 결과의 상당수가 실제 효과 부재보다는 검정력 부족에 기인했을 가능성을 시사한다."

메타분석 논문에서는 개별 원자료 연구의 검정력을 종합적으로 평가해 해당 연구 분야 전반의 방법론적 한계를 지적하는 데 자주 활용됩니다.

"뇌영상 연구는 참가자 모집의 어려움으로 인해 전통적으로 검정력이 낮다는 비판을 받아왔으며, 이에 따라 다기관 협력을 통한 대규모 표본 확보가 대안으로 제시되고 있다."

신경과학 분야에서는 검정력 문제가 연구 설계 자체의 한계로 다뤄지며, 여러 기관이 자료를 공유하는 컨소시엄 방식이 해결책으로 논의되는 경우가 많습니다.

조금 더 깊게 보면

검정력은 표본크기가 커질수록, 예상 효과크기가 클수록, 유의수준을 완화할수록 높아지는 관계에 있습니다. 특히 표본크기와 검정력의 관계는 선형적이지 않고 일정 수준을 넘어서면 검정력 증가폭이 둔화되는 경향이 있어, 무작정 표본을 늘리기보다 효과크기 추정의 정확도를 함께 고려하는 것이 중요합니다.

최근에는 사후 검정력 계산의 한계를 지적하며, 관찰된 효과크기가 아닌 이론적으로 의미 있는 최소 효과크기를 기준으로 검정력을 설계해야 한다는 논의도 활발합니다.

주의할 점

검정력 분석 없이 표본 크기를 정한 연구는 실제 효과가 있어도 그것을 검출하지 못했을 위험이 큽니다. 논문에 사전 검정력 분석이 보고되어 있는지 확인하면 연구 설계의 신뢰도를 가늠할 수 있습니다.

헷갈리기 쉬운 용어

검정력에 걸린 네 가지 값은 서로를 바꾸는 손잡이입니다.

용어누가 정하나검정력과의 관계
검정력목표를 연구자가 정함(.80 등)1 − β
유의수준연구자가 사전에 정함높이면 검정력↑, 1종 오류↑
효과크기선행연구·이론으로 가정클수록 적은 표본으로 충분
표본 크기계산으로 결정클수록↑
2종 오류—β = 1 − 검정력

표본 수를 계산하는 절차를 검정력 분석이라 부르며, 연구 전에 하는 사전 분석이 의미를 가집니다.

참고 문헌

  1. Cohen, J. (1988). Statistical power analysis for the behavioral sciences (2nd ed.). Lawrence Erlbaum.
  2. Cohen, J. (1992). A power primer. Psychological Bulletin, 112(1), 155–159.
  3. Faul, F., Erdfelder, E., Lang, A.-G., & Buchner, A. (2007). G*Power 3: A flexible statistical power analysis program for the social, behavioral, and biomedical sciences. Behavior Research Methods, 39(2), 175–191.
  4. Hoenig, J. M., & Heisey, D. M. (2001). The abuse of power: The pervasive fallacy of power calculations for data analysis. The American Statistician, 55(1), 19–24.
  5. Button, K. S., Ioannidis, J. P. A., Mokrysz, C., Nosek, B. A., Flint, J., Robinson, E. S. J., & Munafò, M. R. (2013). Power failure: Why small sample size undermines the reliability of neuroscience. Nature Reviews Neuroscience, 14(5), 365–376.

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

관련 용어

2종 오류 효과크기 메타분석 분산분석 신뢰구간 유의확률 t검정 유의수준 다중비교보정