분석단위 (Unit of Analysis)
쉽게 풀면
"학급 크기가 학업 성취에 미치는 영향"을 연구한다고 해봅시다. 데이터를 학생 개개인의 점수로 모을 수도 있고, 학급별 평균 점수로 모을 수도 있습니다. 이때 무엇을 하나의 관찰치로 셀 것인지가 바로 분석단위입니다. 학생 1000명의 개별 점수를 분석단위로 삼으면 표본이 커 보이지만, 사실 그 학생들은 몇 개 안 되는 학급에 몰려 있어 서로 비슷한 영향을 공유합니다. 반대로 학급 30개의 평균 점수를 분석단위로 삼으면 표본은 30개뿐이지만 각 관찰치가 서로 독립적입니다. 분석단위를 무엇으로 잡느냐에 따라 표본크기, 통계 검정 방법, 심지어 결론까지 달라질 수 있습니다.
왜 중요한가
분석단위는 연구 설계의 가장 기초적인 결정이면서도, 이를 잘못 정하면 표본크기 계산과 통계 검정 방법 선택, 나아가 연구 결론 자체가 잘못될 수 있는 중요한 개념입니다. 특히 학생이 학급에, 환자가 병원에 속하는 것처럼 개체가 더 큰 집단 안에 자연스럽게 묶여 있는 위계적 데이터를 다루는 교육학, 보건학, 사회과학 연구에서는 분석단위를 명확히 밝히는 것이 결과 해석의 타당성을 좌우합니다.
논문에서는 이렇게 쓰입니다
이 문장은 "환자 개개인이 아니라 병동을 하나의 관찰치로 삼아 분석했고, 그래서 병동 안 환자들의 유사성을 고려하는 통계기법을 썼다"는 뜻입니다.
경영학 연구에서 개별 구성원의 응답을 그대로 쓰지 않고, 같은 팀에 속한 사람들의 응답을 팀 단위로 종합해 하나의 관찰치로 다루었다는 뜻입니다.
비교사회학 연구에서 여러 나라의 통계를 다룰 때, 각 나라 국민 개개인이 아니라 국가 자체를 하나의 관찰치로 삼았기 때문에 표본 수가 국가 수만큼으로 제한되었다는 의미입니다.
조금 더 깊게 보면
분석단위 문제는 실제 연구 현장에서 다수준 모형(multilevel model, hierarchical linear model)을 사용해야 할지를 판단하는 출발점이 되는데, 이는 개인 수준과 집단 수준의 변이를 동시에 고려함으로써 같은 집단에 속한 개체들이 서로 완전히 독립적이지 않다는 문제를 통계적으로 보정하는 방법입니다. 데이터를 모은 수준과 결론을 내리려는 수준이 다를 때는 집단 내 상관(intraclass correlation)이 얼마나 큰지 확인해, 단순히 개인 단위로 분석해도 무방한지 아니면 위계적 구조를 반드시 반영해야 하는지를 판단하는 것이 일반적인 절차입니다.
주의할 점
분석단위를 잘못 정하면 실제로는 집단 수준의 관계인데 개인 수준의 관계처럼(혹은 그 반대로) 잘못 해석하는 생태학적 오류에 빠지기 쉽습니다. 데이터를 모은 수준과 결론을 내리는 수준이 일치하는지 항상 확인해야 합니다.