1종 오류 (Type I Error)
쉽게 풀면
화재경보기가 불이 나지 않았는데도 울리는 상황을 떠올려보세요. 1종 오류는 통계 검정에서 이런 "잘못된 경보"에 해당합니다. 실제로는 귀무가설(차이가 없다)이 맞는데도, 우연히 데이터가 튀는 바람에 "차이가 있다"고 잘못 결론 내리는 경우입니다. 유의수준(보통 α = .05)은 바로 이 1종 오류를 얼마나 허용할지를 미리 정해둔 확률입니다. 즉 유의수준 5%란, 실제로 효과가 없어도 우연히 유의한 결과가 나올 확률을 5%까지는 감수하겠다는 뜻입니다.
왜 중요한가
1종 오류는 통계적 유의성을 근거로 결론을 내리는 거의 모든 실증 연구에서 반드시 통제해야 하는 위험이기 때문에, 연구설계 단계에서부터 유의수준 설정과 다중비교 문제로 이어져 논문 전반에 걸쳐 다뤄집니다. 특히 여러 조건이나 변수를 동시에 비교하는 연구, 유전체나 뇌영상처럼 검정을 수천 번 반복하는 분야에서는 1종 오류를 어떻게 통제했는지가 결과의 신뢰성을 좌우하는 핵심 쟁점이 됩니다.
논문에서는 이렇게 쓰입니다
여러 번 통계 검정을 반복하면 우연히 유의한 결과가 나올 확률(잘못된 경보)이 누적되어 커지므로, 이를 보정하는 절차를 사용했다는 뜻입니다.
검정 횟수가 극단적으로 많은 유전체 연구에서는 일반적인 유의수준(0.05)을 그대로 쓰면 우연히 유의하게 나오는 결과가 매우 많아지므로, 훨씬 엄격한 기준을 적용해 1종 오류를 관리한다는 뜻입니다.
조금 더 깊게 보면
1종 오류를 통제하는 방법은 크게 개별 검정마다 오류율을 엄격히 낮추는 방식(본페로니 보정 등)과, 여러 검정 중 잘못된 발견이 차지하는 비율을 관리하는 위양성발견율(false discovery rate, FDR) 방식으로 나뉩니다. 검정 횟수가 매우 많을 때는 본페로니 보정이 지나치게 보수적이어서 진짜 효과까지 놓칠 수 있기 때문에, 벤자미니-호크버그(Benjamini-Hochberg) 절차 같은 FDR 통제 방법이 대안으로 널리 쓰입니다.
주의할 점
여러 개의 가설을 동시에 검정할수록 1종 오류가 발생할 누적 확률이 커집니다. 검정을 많이 반복한 논문이라면 다중비교 보정을 했는지 확인해보는 것이 좋습니다.