반복측정 분산분석 계산기 - F통계량과 효과크기
고급 통계 검정
아래에 데이터를 입력하세요. 각 행은 한 명의 피험자, 각 열은 서로 다른 조건 또는 시점을 나타냅니다. 값은 쉼표, 공백, 탭으로 구분할 수 있습니다.
반복측정 분산분석 계산기 - F통계량과 효과크기
고급 통계 검정
각 행 = 피험자 1명; 각 열 = 조건 1개. 예: 한 행에 8,9,7을 입력합니다.
반복측정 분산분석 계산기 소개
반복측정 분산분석(Analysis of Variance)은 동일한 피험자를 여러 조건 또는 서로 다른 시점에서 측정할 때 사용하는 통계 기법입니다. 집단 간 ANOVA와 달리, 반복측정 설계는 각 피험자를 자신의 통제로 취급하므로 개인차를 통제할 수 있어 통계적 검정력이 크게 향상됩니다.
이 계산기는 단일 요인 반복측정 분산분석을 수행합니다. 설계에는 하나의 피험자 내 요인(조건 또는 시점)이 있으며 k개의 수준을 n명의 피험자에게 측정합니다. 데이터의 총 분산은 세 부분으로 나뉩니다. 조건 차이에 의한 분산(관심 요인), 피험자 개인차에 의한 분산, 그리고 잔차 오차 분산입니다.
F통계량은 조건 간 평균제곱(MSbetween)을 오차 평균제곱(MSerror)으로 나눈 값으로 계산합니다. F값이 F분포의 임계값에 비해 충분히 크면(dfbetween = k−1, dferror = (n−1)(k−1)), 적어도 하나의 조건 평균이 다른 조건과 유의하게 다르다는 뜻입니다.
효과크기는 eta squared(η²)로 나타내며, SS_between을 SS_total로 나눈 값과 같습니다. Cohen의 기준에 따르면 η² = 0.01은 작은 효과, 0.06은 중간 효과, 0.14 이상은 큰 효과입니다. 부분 eta squared는 관심 요인이 설명하는 분산 비율에 초점을 맞추기 때문에 논문에서 자주 보고됩니다.
이 계산기는 구형성을 가정합니다. 즉, 모든 조건 쌍의 차이 분산이 같다고 봅니다. 이 가정이 위반되면(Mauchly 검정으로 확인), 연구자는 보통 Greenhouse-Geisser 또는 Huynh-Feldt 보정을 적용해 자유도를 조정합니다. 탐색적 분석과 빠른 확인에는 여기서 계산되는 보정되지 않은 F와 η²가 유용한 출발점입니다.
이 도구는 교육 및 예비 분석용입니다. 출판 수준의 결과, 특히 복잡한 설계나 구형성 위반이 의심되는 경우에는 SPSS, R(ez 패키지), Python(pingouin) 같은 전용 통계 소프트웨어를 사용하세요.
반복측정 분산분석 예시
다음 예시는 반복측정 분산분석 결과를 해석하는 방법을 보여줍니다.
| 데이터(행=피험자) | F통계량 | 해석 |
|---|---|---|
| 8,9,7 / 10,11,9 / 6,8,5 (3 subjects × 3 conditions) | F ≈ 37.4, η² ≈ 0.28 | 조건 효과가 강함 |
| 4,7,6,9 / 3,5,4,8 / 6,8,9,11 / 2,5,3,7 (4 × 4) | F ≈ 50.7, η² ≈ 0.53 | 효과크기가 큼 |
| 3,5,4,7 / 2,4,6,5 / 5,7,3,9 (3 × 4, irregular pattern) | F ≈ 2.84, η² ≈ 0.50 | F는 유의하지 않지만 η²는 중간 수준 |
이 계산기 사용 방법
- 각 행이 피험자 1명, 각 열이 조건 또는 시점 1개가 되도록 데이터를 입력하세요.
- 행 내 값은 쉼표, 공백, 탭으로 구분하고, 피험자마다 새 줄을 사용하세요.
- ‘계산’을 클릭해 단일 요인 반복측정 분산분석을 실행하세요.
- ANOVA 표에서 각 분산 원인의 SS, df, MS, F통계량을 확인하세요.
- eta squared(η²)를 확인해 조건 효과의 실질적 중요성을 평가하세요.
자주 묻는 질문
언제 반복측정 분산분석을 사용하고, 언제 일원분산분석을 사용하나요?
동일한 피험자를 모든 조건에서 측정할 때 반복측정 분산분석을 사용합니다. 피험자 간 ANOVA보다 검정력이 높으며, 오차항에서 개인차 분산을 제거해 더 적은 참가자로도 실제 조건 효과를 찾기 쉽습니다.
구형성 가정이란 무엇인가요?
구형성은 모든 조건 쌍의 차이 분산이 같아야 한다는 가정입니다. 이 가정을 위반하면 제1종 오류율이 증가합니다. Mauchly 검정으로 이를 확인합니다. 위반 시 자유도에 Greenhouse-Geisser 또는 Huynh-Feldt 보정을 적용합니다.
eta squared(η²)는 무엇을 알려주나요?
Eta squared는 피험자 내 요인이 설명하는 총 분산의 비율을 나타냅니다. 관례적으로 0.01, 0.06, 0.14는 각각 작은, 중간, 큰 효과로 봅니다. ANOVA에서 해석하기 쉬운 효과크기입니다.
반복측정 분산분석에는 피험자가 몇 명 필요하나요?
충분한 통계적 검정력을 위해 보통 5~10명의 피험자가 권장됩니다. 다만 실제로는 예상 효과크기와 목표 검정력(보통 0.80)에 기반한 검정력 분석이 더 적절합니다. 예상 효과가 작을수록 더 많은 피험자가 필요합니다.
데이터가 구형성을 위반하면 어떻게 하나요?
Greenhouse-Geisser 보정(ε)을 적용해 자유도를 조정하면 F검정이 더 보수적이 됩니다. ε가 1에 가까우면 구형성이 대체로 충족된 것입니다. 구형성 위반이 심한 경우(ε < 0.75)에는 Greenhouse-Geisser 보정이 권장됩니다.
이 계산기를 두 요인 반복측정 설계에 사용할 수 있나요?
아니요. 이 계산기는 단일 요인 반복측정 분산분석(피험자 내 요인 1개)만 지원합니다. 두 개의 피험자 내 요인을 가진 이원 설계나, 피험자 내 요인과 피험자 간 요인을 함께 포함하는 혼합 설계에는 R, SPSS, Python의 pingouin 라이브러리 같은 전용 소프트웨어가 필요합니다.