t검정 (t-test)
쉽게 풀면
신약을 먹은 그룹과 위약(플라세보)을 먹은 그룹의 평균 회복 기간을 비교한다고 해봅시다. 두 그룹의 평균이 조금 다르게 나왔다고 해서 바로 "약이 효과가 있다"고 말할 수는 없습니다. 우연히 그렇게 나왔을 수도 있기 때문입니다.
t검정은 두 그룹 평균의 차이가 각 그룹 내부의 흩어짐(표준편차)에 비해 얼마나 큰지를 계산해서, 그 차이가 우연으로 보기 어려운 수준인지 판단하는 방법입니다. 표본 크기가 작을 때도 비교적 안정적으로 쓸 수 있어 논문에서 매우 흔하게 등장합니다.
왜 중요한가
두 집단을 비교하는 상황은 실험연구, 임상시험, 사회과학 조사 등 거의 모든 실증 연구 분야에서 가장 기본적으로 마주치는 문제입니다. t검정은 이런 비교를 표준화된 방식으로 검증할 수 있게 해 주기 때문에, 논문에서 결과의 신뢰성을 뒷받침하는 근거로 자주 인용됩니다. 또한 분산분석, 회귀분석 등 더 복잡한 통계기법의 기초 원리와도 맞닿아 있어, 통계적 추론 전반을 이해하는 출발점 역할을 합니다.
언제 쓰나
평균이 기준값이나 다른 평균과 다른지, 그 차이가 우연으로 설명될 수 있는지를 t분포로 판단합니다. 세 가지 형태가 있습니다.
| 형태 | 비교 대상 | 예 | 비모수 대안 |
|---|---|---|---|
| 단일표본 | 표본 평균 대 기준값 | 평균이 100점과 다른가 | 부호 검정, 윌콕슨 |
| 독립표본(Student, Welch) | 서로 다른 두 집단 | 약 투여군 대 위약군 | 맨-휘트니 U |
| 대응표본 | 같은 대상의 두 측정 | 수술 전후 혈압 | 윌콕슨 부호순위 |
- 가정: 관측치의 독립(대응표본은 짝 사이만 연결), 단일·독립표본은 값이 대략 정규분포, 독립표본(Student)은 두 집단의 분산이 같음. 대응표본은 차이 점수가 대략 정규일 때입니다.
- 표본이 크면 정규성에서 다소 벗어나도 결과가 크게 흔들리지 않는 편입니다. 사전에 정규성 검정으로 분기하는 방식은 오히려 문제를 일으킬 수 있다는 지적이 있어(Rochon 외, 2012), 분산이 다를 수 있으면 처음부터 웰치 검정을 쓰는 것이 권장됩니다(Delacre 외, 2017).
- 세 집단 이상을 t검정 여러 번으로 비교하면 1종 오류가 쌓이므로 분산분석을 씁니다.
결과는 이렇게 읽는다
독립표본(가상). A군 5.1, 4.8, 6.0, 5.5, 5.9, 6.2, 5.0, 5.7 (평균 5.53, SD 0.51), B군 4.2, 4.6, 5.1, 4.4, 4.9, 5.0, 4.3, 4.7 (평균 4.65, SD 0.33). 평균 차이 0.875를 표준오차 0.216으로 나누면 t = 4.05이고 자유도 8 + 8 − 2 = 14, p = .001입니다. 95% 신뢰구간은 0.875 ± 2.145 × 0.216 = [0.41, 1.34], 합동 SD 기준 d = 2.02입니다. 자유도 14의 양측 5% 임계값은 2.145이므로 |t| = 4.05는 그보다 훨씬 큽니다.
대응표본(가상). 8명의 처치 전 142, 150, 138, 160, 155, 147, 152, 149와 후 136, 147, 135, 153, 150, 143, 146, 145. 개인별 차이 점수의 평균 4.75, SD 1.49이므로 t(7) = 4.75 / (1.49/√8) = 9.03, p < .001입니다. 전후 값의 상관이 .98로 매우 높아 개인차가 차이 점수에서 상쇄됩니다. 같은 자료를 독립표본 t검정으로 잘못 분석하면 t(14) = 1.43, p = .17로 유의하지 않게 나옵니다. 설계에 맞는 검정을 골라야 하는 이유입니다.
단일표본(가상). 10명의 점수 평균 103.7, SD 3.89를 기준값 100과 비교하면 t(9) = 3.01, p = .015입니다.
논문에는 이렇게 보고한다
검정 종류, t 값과 자유도, p, 평균·표준편차, 효과크기와 신뢰구간을 적습니다. (위 가상 자료 기준)
A군(M = 5.53, SD = 0.51)은 B군(M = 4.65, SD = 0.33)보다 점수가 유의하게 높았다, 독립표본 t(14) = 4.05, p = .001, 평균 차이 = 0.88, 95% CI [0.41, 1.34], d = 2.02.
- 양측/단측 여부를 밝힙니다. 단측검정은 방향을 미리 정당화해야 합니다.
- 자유도가 소수이면 웰치 검정입니다. 소프트웨어 표에서 ‘등분산을 가정함/가정하지 않음’ 중 어느 행을 읽었는지 적습니다.
- 대응표본에서는 차이 점수의 평균·SD와 효과크기 종류(dz 등)를 밝히고, 효과크기와 신뢰구간을 p와 함께 제시합니다(Lakens, 2013).
논문에서는 이렇게 쓰입니다
실제 논문에서
국내 학술지 논문에서 이 용어가 쓰인 문장을 그대로 옮겼습니다. 제목·학술지·연도와 원문 링크를 함께 적었습니다.
“집단 간 비교는 범주형 변수의 분포 차이를 확인하기 위 해 카이제곱 검정(χ 2 test)을 실시하였으며, 연속형 변수는 독립 표본 t-검정을 사용하여 두 집단(예: 자녀 연령 3–4세와 5–6세 이상)의 평균 차이를 분석하였다.”
유아교육기관의 식생활•영양교육에 대한 학부모의 요구도와 인식도: 혼합연구, Korean Journal of Community Nutrition, 2025 · KoreaMed Synapse · 원문 보기 ↗
“액상형과 정제형 착색제 간 착색 능력의 차이는 각 치면 에서 산출된 PHP index를 대응표본 t-검정으로 비교 분석하였으며, 대립가설은 ‘액상형과 정제형 치면 착색제의 PHP index에는 차이가 있다’로 설정하였다.”
액상형과 정제형 치면세균막 착색제의 착색 능력 비교, Journal of Korean Academy of Oral Health, 2026 · KoreaMed Synapse · 원문 보기 ↗
“인구통계학적 변인의 동질성을 확인하기 위 해 카이제곱 검정 및 독립표본 t-검정을 실시한 결과, 두 집단 간에 통계적으로 유의한 차이가 발견되지 않아(p＞0.05) 표 본의 동질성이 확보되었다.”
장기 입원 정신장애 환자를 위한 구조화된 사이코드라마의 효과: 예비 연구, Korean Journal of Schizophrenia Research, 2026 · KoreaMed Synapse · 원문 보기 ↗
예시 문장
아래는 용어의 쓰임을 보여 주려고 만든 예시로, 실제 논문에서 가져온 문장이 아닙니다.
실험군과 대조군의 평균 점수 차이가 우연히 생겼다고 보기 어려울 만큼 통계적으로 뚜렷했다는 뜻입니다.
같은 참가자들을 프로그램 전과 후로 반복 측정하여, 그 변화가 우연이라 보기 어려울 만큼 뚜렷했다는 뜻입니다.
화학·공학 실험 논문에서는 서로 다른 처리 조건에서 얻은 측정값의 평균이 통계적으로 구별되는지를 t검정으로 확인한다는 뜻입니다.
조금 더 깊게 보면
t검정에는 독립표본 t검정, 대응표본(짝지은) t검정, 단일표본 t검정 등 상황에 따라 다른 형태가 있으며, 각각이 요구하는 가정(정규성, 등분산성, 독립성 등)이 다릅니다.
등분산 가정이 의심스러울 때는 Welch의 t검정처럼 이를 보정한 방법을 대신 쓰기도 하고, 정규성 가정이 크게 위배되면 Mann-Whitney U 검정 같은 비모수적 방법이 대안으로 제시됩니다.
논문을 읽을 때는 t값과 p값뿐 아니라 자유도(df)와 함께, 효과크기(예: Cohen's d)가 보고되었는지도 함께 확인하면 결과의 실질적 의미를 더 정확히 파악할 수 있습니다.
주의할 점
t검정은 원칙적으로 비교 대상이 두 집단일 때 사용합니다. 세 집단 이상을 비교하면서 t검정을 여러 번 반복하면 1종 오류가 누적되므로, 이런 경우에는 분산분석을 사용하는 것이 적절합니다.
헷갈리기 쉬운 용어
t검정이라는 이름 아래에 설계가 다른 검정들이 모여 있습니다.
| 검정 | 자료의 구조 | 자유도 |
|---|---|---|
| 단일표본 t검정 | 한 집단, 기준값과 비교 | n − 1 |
| 독립표본 t검정(Student) | 두 독립 집단, 등분산 가정 | n₁ + n₂ − 2 |
| 웰치 t검정 | 두 독립 집단, 분산이 달라도 됨 | 웰치-새터스웨이트 근사(소수) |
| 대응표본 t검정 | 같은 대상의 두 측정(짝) | 짝의 수 − 1 |
‘t검정’이라는 이름은 검정통계량이 따르는 t분포에서 온 것이며, 이 분포는 윌리엄 고셋이 ‘Student’라는 필명으로 1908년에 발표했습니다.
참고 문헌
- Student. (1908). The probable error of a mean. Biometrika, 6(1), 1–25.
- Rochon, J., Gondan, M., & Kieser, M. (2012). To test or not to test: Preliminary assessment of normality when comparing two independent samples. BMC Medical Research Methodology, 12, 81.
- Lakens, D. (2013). Calculating and reporting effect sizes to facilitate cumulative science: A practical primer for t-tests and ANOVAs. Frontiers in Psychology, 4, 863.
- Delacre, M., Lakens, D., & Leys, C. (2017). Why psychologists should by default use Welch’s t-test instead of Student’s t-test. International Review of Social Psychology, 30(1), 92–101.
표의 기준값은 위 문헌에 근거한 관례이며, 분야·학술지마다 다른 기준을 쓸 수 있습니다.