경로분석 (path analysis)

과학적 개념으로 인과관계에서 원인은 유일한 확정적 (deterministic)인 것이 아니라 인과관계를 결정하는 요인 중의 하나로서 확률적 (probabilistic)으로 해석한다. 따라서 어떤 현상의 원인은 결코 증명할 수 없으며 다만 추론이 가능할 뿐이다 [218].

두개 이상의 예측변인 (독립변인) 동일한 하나의 준거변인 (종속변인)의 원인으로 설정될 경우 이를 경로모델이라 한다.

수학적으로는 경로모델은 회귀모델과 동일한 분석방법을 이용한다.

경로분석은 회귀분석에 비해 몇 가지 장점이 있는데, 

첫째, 여러개의 상호종속관계를 동시에 추정할 수 있고 

둘째, 효과분해 (effect decomposition)를 쉽게 할 수 있으며, 

셋째, 모형이 데이터에 잘 부합하는지를 알 수 있는 모형적합도지수를 얻을 수 있다는 점이다.

효과분해란 한 변수가 다른 변수에 작용하는 총 효과크기를 직접효과와 간접효과로 분해하는 것이다. 그리고 간접효과 (indirect effect)란 다른 변수에 의해 매개되어 두 변수들 간의 효과가 나타나는 것을 말하며 직접효과란 다른 변수의 매개 없이 직접적으로 두 변수간에 효과가 나타나는 것이다.

이것의 의미는 경로분석이 매개변수를 넣고 분석을 해야만 한다는 의미는 아니다. 필요에 따라 매개변수가 없이 직접적으로 원인변수와 결과변수만으로

분석을 하는 것이 더욱 나은 경우가 빈번하다.

매개변수를 넣어야 하는 특별한 이유나 근거도 없는채

다른 논문에서 넣기에 자신의 논문에도 넣겠다는 것은 논리적이지도

타당한 이유가 될수도 없다. 

무엇보다 경로분석의 강력한 장점은 두개이상의 그룹, 즉 다중그룹을 동시에 분석할 수 있고, 그룹들간에 동일한 경로의 차이에 대한 유의도를 분석할 수 있다는 점이다.

본 연구에서도 다중그룹분석을 한 후, 각 경로들에 대해 두 그룹간의 경로계수의 차이가 유의한지를 Wald test를 통해 확인할 수 있었다.

그러나 경로분석을 하는데 있어서 제약점들도 있다 .

첫째, 경로모형의 경로는 경로를 만들기 이전에 그 경로에 대한 상관관계와 인과관계가 있다라는,즉 사전에 근거 (priori) 가 있어야 한다 [219].

선행연구의 결과가 없이 경로모형을 만들 수는 있겠지만 

그 의미의 해석에서 제약이 있을수 밖에 없다.  

그러나 경로분석은 탐색적도구로서의 의미가 전혀 없는 것은 아니다. 

보고되지 않은 새로운 경로가 유의하게 포함될때 그리고 모형적합도가 우수할때, 그 경로에 대한 보다 깊이 있는 고찰에 대한 관심이 요구하는 계기가 될 수도 있다 [219].

둘째 경로분석을 하기 위해서는 상당한 양의 분석과정이 요구된다. 

즉, 컴퓨터 등의 도입이 있기전에 경로분석과정은, 특히 샘플의 수가 많을때에 매우 많은 시간과 과정을 필요로 했기에 그 분석에서도 제약점으로 작용하였다. 하지만 최근의 컴퓨터의 발전에 힘입어서 이런 제약은 상당히 감소하였다.

세번째는 하나의 시스템 내에서도 다양한 경로모형이 만들어질수 있다 [220].

따라서 다양한 모형중에서 어떤 것이 옳은가에 대한 답을 명확히 얻기가 쉽지 않을수도 있다. 이런 단점은 모형적합도와 선행연구들의 결과에 근거하여 연구자가 판단을 내려야 한다.

네번째는 독립변수들간의 다중공선성 (multicolinearity)이 발생할 수 있다 [221].다중회귀분석에서와 마찬가지로 많은 변수를 동시에 분석하는 경로분석에서 하나의 동일한 종속변수에 영향을 미치는 두개이상의 독립변수들이 상관관계를 갖게 될 수도 있다. 이렇게 되면 그 독립변수의 유의성이 낮아짐으로써, 그 변수의 중요성이 간과될 수 있다. 특히 다중그룹 비교에서 경로가 그룹들간에 유의한지를 확인할 때에도 검정력이 낮아지는,즉, 유의도가 낮아지는 결과를 낳을 수도 있다.

인체내의 다양한 변수들은 실재로 존재하는 변수들이며, 

이들간의 다중 공선성이 어떤 의미를 갖는지는 케이스마다 다를 것이다. 

따라서 다중공선성의 확인과 의미를 분석하기 위해서 분산팽창계수 (variance inflation factor : VIF) [222]와 같은 통계적 진단방법들과 함께 다양한 모형들을 만들어서 그 결과들을 비교해 볼 수 있다.

Table 1. 경로분석의 장점과 단점 

이상에서 보듯이 경로분석에는 여러 단점들이 있을 수 있지만 

다양한 변수들간의 인과관계를 정량적으로 이해하는데 있어서 경로분석은 유용하게 이용되고 있다. 

그리고 경로분석 방법은 전통적인 단변량적인 실험결과들과 배타적이기 보다는 상호 보완적이다. 

특히, 사회적인, 그리고 생물학적 복잡성 (biocomplexity)에 대한 이해의 필요성은 많은 영역에서 제기되고 있다.

경로모델 내에서 설정된 각 인과관계의 경로는 단순히 데이터의 통계적 상관에 근거해서가 아니라, 이론적, 경험적 근거에 의해서 이루어져야 한다 [222].  

경로를 설정하는 과정에서 두가지의 중요한 근거는

첫째, 원인변인이 시간적으로 먼저 발생하여야 하고, 

둘째, 두 변인의 상관은 이론적인 그리고 경험적인 근거가 있어야 한다는 것이다. 변인들 간의 개별적인 관계가 설정된 다음에 이들은 하나의 통합된 모델로 만들어진다. 이렇게 유기적으로 설정된 모델의 타당성검증은 크게 두가지로 이루어진다.

첫째, 모델자체의 타당성과 정확성을 모델부합도 (모델적합도)로 검증하고, 

둘째 모델내의 개별경로의 타당성과 정확성을 유의도 (모수치의 유의성검증)를 확인하는 것이다 [223].

2. 관찰변수들의 정규성 (normality of observed variables)

경로분석은 회귀분석과 동일한 분석방법을 사용할 뿐만 아니라 

회귀분석의 기본가정을 포함한다.

회귀분석을 하기 위한 두가지 기본 가정은 종속변인의 정규분포 가정과 동분산성 가정이다. 

즉, 종속변인의 측정치들은 정규분포를 이루어야 하며 분산도가 같아야 한다.

그리고 χ2을 포함한 대개의 모델적합도 지수는 관찰변수들의 정규성을 근거로 하고 있다.

만약 변수의 분포가 정규성에 벗어나면 편향분포에 의해 χ2값이 작아서 p신뢰할 수 없는 유의성 검정이 될 수 있다.

그리고 연구의 분석에서 이용된 통계방법인 최대우도법 (ML: Maximum Likelihood)은 내생변수가 다변량 정규분포임을 가정하고 있다. 

최대우도추정량 (ML estimator)은 관찰된 표본에 대한 우도함수 (likelihood function)를 최대화 할 때 얻어지는 추정량이다 [224].

대부분의 모수추정에서는 ML 추정법을 이용하며 특별히 다른 방법을 이용할 때에는 그 이유를 제시해야 한다.

다변량분포의 정규성은 일변량분포의 정규성으로 확인할 수 있으며 대개 왜도와 첨도가 기준이 된다.

일반적으로 왜도의 절대값이 3.0 보다 크면 ‘극단적’인 왜도이며 첨도의 절대값은 8.0~20.0 까지를 ‘극단적’인 첨도라고 한다.

SPSS에서 분석된 첨도값은 표준화된 첨도지수의 값에서 3을 빼고 보고하는 것으로 해석시에는 3을 더한 후에 정규성을 해석한다 [222].

3. 모델적합성 (Model’s goodness of fit)

모델의 적합도는 경로모형과 경험적 자료인 데이터가 평균적으로 일치하는가를 평가하는 수치이다. 따라서 전체의 적합도가 우수하여도 모형의 특정경로는 데이터에 일치하지 않을 수 있다.

일반적으로 흔히 쓰이는 모델의 적합도는 카이제곱 (Chi-Square Test of Model Fit),근사치 오차평균 제곱근 (RMSEA: Root Mean Square Error of Approximation), 적합지수 (CFI: Comparative fit index) 그리고 터커 루이스지수 (TLI: Tucker Lewis Index)이다. 

카이제곱 검정 (CMIN)은 모델적합도 기준 중에서 통계적 유의성을 유일하게 검정할 수 있는 측정치이다 [225].

χ2값이 작고 확률값이 크면 (P > 0.10) 모델이 적합하다고 평가한다. 

만약 자유도에 비해 χ2값이 크다면 표본공분산행렬과 적합행렬이 유의적인 차이가 있다.

그리고 이때 설정된 모델이 자료를 잘 반영하지 못한 것이거나 

표본이 모집단을 잘 대표하지 못한 것일 수 있다. 

그러나 χ2 값은 표본크기에 비례하여 커지는 경향성으로 인하여 

다른 적합지수를 함께 고려하여 결론을 내려야 한다. 

RMSEA는 절대적합도지수 (absolute indices of fit)의 카테고리에 속한다 [226].

이것은 표본이 아닌 모집단에서 모형을 추정할 경우 기대되는 적합도를 의미하며 0 에서 1 사이의 값을 가진다.

RMSEA는 0에 가까울수록 우수한 모형이 되는데 

0.05 이하의 수치(value)일 때 good fit이고 0.05 에서 0.08 사이일 때 수용할 수 있다 [227]. 

그리고 0.08 에서 0.10 은 mediocre fit, 0.10 이상은 poor fit 으로 간주한다 [228].