문서의 임의 삭제는 제재 대상으로, 문서를 삭제하려면 삭제 토론을 진행해야 합니다. 문서 보기문서 삭제토론 실험설계 (문단 편집) === 요인 설계 === factorial design[* 유독 이 설계에서는 독립변인을 요인(factor)이라고 부른다. 이는 종속변인에 영향을 끼칠 것이라고 믿어지는 독립변인을 의미한다. 그러나 본 문서에서는 혼란을 방지하기 위해 '독립변인' 용어를 일관되게 사용하기로 하겠다.] ||<|2><-2><:>n by n[BR]2요인 설계 ||<-4><:>'''IV,,I,,'''|| ||<:>Level,,1,,||<:>Level,,2,,||<:>…||<:>Level,,n,,|| ||<|4><:>'''IV,,II,,'''||<:>Level,,1,,||<:>Cell,,11,,||<:>Cell,,12,,||<:>…||<:>Cell,,1n,,|| ||<:>Level,,2,,||<:>Cell,,21,,||<:>Cell,,22,,||<:>…||<:>Cell,,2n,,|| ||<:>…||<:>…||<:>…||<:>…||<:>…|| ||<:>Level,,n,,||<:>Cell,,n1,,||<:>Cell,,n2,,||<:>…||<:>Cell,,nn,,|| 교차 설계(crossed design)로서는 가장 유명하다. 독립변인이 2개 이상일 때, 각각의 독립변인이 갖는 모든 이산적 수준(level)들을 교차(cross)시켜서 상호 대응 관계로 만드는 설계. 독립변인이 여러 종류가 있을 때 쓸 수 있는 설계 중의 대표적인 설계라 할 수 있다. 두 독립변인이 서로 논리적 관련성을 가질 경우에는 내포 설계(nested design)[* 분야에 따라서는 배속 설계라고도 한다. 한 변인이 다른 변인의 하위 관계에 놓이는 경우를 말한다.]를 계획할 수도 있다. 흔히 2 by 2 또는 3 by 3 같은 요인 설계가 유명하기는 해도, 2 by 3처럼 직사각형 모양의 대응 관계도 얼마든지 만들 수 있다. 또한 위 사례처럼 2요인 설계를 채택하는 연구자들이 많긴 하지만, 독립변인을 3개 선정했다면 그때부터는 3요인 설계를 채택해야 한다. 기존의 다른 실험설계들은 주로 하나의 독립변인이 하나 또는 다수의 종속변인에게 끼치는 영향을 탐색하고자 했고, 이 과정에서 다른 외생변인들은 전부 통제함으로써 그 변인 하나의 효과를 엄격하게 뜯어내는 데 초점을 맞추었다. 하지만 현실적으로 딱 하나의 변인만이 중요하게 간주되는 현상은 그렇게 많지 않다. 요인 설계는 동시에 둘 이상의 독립변인이 하나 또는 다수의 종속변인에게 끼치는 영향이 궁금할 때 채택된다. 대신 그만큼 실험의 규모도 커지게 마련인데, 왜냐하면 각각의 셀이 전부 개별적인 실험집단으로 취급되기 때문이다(…). 특히 3요인 설계의 실험 규모는 2요인 설계의 2배에 달한다. 요인설계의 의의는 둘 이상의 독립변인이 제각기 갖는 효과인 '''주효과'''(main effect)뿐만 아니라 그들이 서로 결합하면서 새롭게 일으키는 '''상호작용 효과'''(interaction effect)를 함께 탐지하기에 적합한 설계라는 데 있다. 실제로 교수들을 비롯한 많은 연구자들은 실험자가 독립변인을 두 종류 선정했다는 사실을 통해서 '실험자가 상호작용 효과를 발견하고 싶어서일 것' 이라고 추측하는 경향이 있다. 즉 단순히 "둘 다 중요해 보여서" 선정한 게 아니라, "어느 하나가 다른 하나의 영향을 비틀 것 같아서" 선정했을 거라고 본다는 것이다. 상단의 설계 계획표에서 바깥쪽 부분을 다 잘라내고 2 by 2 요인 설계로 축약해 보자. 이 경우 주효과와 상호작용 효과는 굳이 통계적 분석을 거치지 않더라도 각각 다음과 같이 계산된다. * '''IV,,I,,의 주효과''': {(Cell,,21,,-Cell,,11,,)+(Cell,,22,,-Cell,,12,,)}÷2 * '''IV,,II,,의 주효과''': {(Cell,,12,,-Cell,,11,,)+(Cell,,22,,-Cell,,21,,)}÷2 * '''IV,,I,,와 IV,,II,, 간의 상호작용 효과''': {(Cell,,22,,-Cell,,21,,)-(Cell,,12,,-Cell,,11,,)}÷2 주효과는 상대방 독립변인의 각 수준에 대응하여 나타나는 차이들을 [[평균]]한 것이라면, 상호작용 효과는 그 차이들에 서로 얼마나 차이가 나타나는지를 본다고 할 수 있다. 주효과와 상호작용 효과가 동시에 클 수도 있지만, 상호작용 효과가 커지면 커질수록 주효과가 작아질 수도 있다. 이런 경우를 '''은폐 효과'''(masking effect)라고도 한다. 이 때문에 여러 [[논문]]들은 상호작용 효과가 충분히 크다면 주효과의 보고를 생략하는 경우도 있다. 통계적 분석은 [[카이 제곱 검정|카이자승 분석]]이나 [[분산 분석]]을 활용하게 되지만, [[요인 분석]](factor analysis)은 활용하지 않는다. 이름이 비슷하기만 할 뿐, 분석의 목적과 용도가 전혀 다르다. 요인 분석은 어떤 하나의 추상적 개념 이면에 존재하리라 여겨지는 여러 의미단위들을 주관적으로 정리해서 보여주기 위한 분석도구다. 마찬가지로 요인 설계를 국내에 번역할 때 '요인분석적 설계' 따위로 번역할 경우에는 막대한 혼란이 초래될 수 있다. 대개의 통계적 분석이 그렇듯이, 요인 설계에서도 각각의 독립변인이 갖는 수준들을 어떻게 선택할 것인가가 중요한 문제가 된다.[* 통계적 방법을 어느 정도 이상 깊게 파고든다면 의외로 자주 접하게 될 이슈다. 이것은 그 중요성에도 불구하고 대개의 [[사회통계]] 강의 커리큘럼에는 잘 포함되지 않거나, 엄밀하게 전달되지 못하고 있는 게 현실이다. 그런 면에서는 [[자유도]] 개념과도 비슷한 처지.] 먼저 '''고정효과 모형'''(fixed effect model)은 모형의 모수가 무선적이지 않은 경우로 정의되며, 흔히는 실험자가 각 수준들을 직접 선택했다고 묘사된다. 여기서는 독립변인과 외생변인의 상관을 인정한다. 실험자가 선택하지 않은 제3의 수준에까지 분석 결과를 추론할 수는 없다는 건 단점. 지금까지 소개한 요인 설계 설명은 고정효과 모형을 상정했다고 보면 된다. 다음으로 '''임의효과 모형'''(random effect model)은 모형의 모수가 무선적인 경우로 정의되며, 흔히는 실험자가 각 수준들을 임의로 추출했다고 묘사된다. 여기서는 독립변인과 외생변인의 상관을 인정하지 않는다. 이때는 설계에 포함되지 않은 모든 수준으로까지 추론이 가능하다. 마지막으로 '''혼합효과 모형'''(mixed effect model)은 일부 독립변인은 고정효과, 일부는 임의효과를 갖는 경우이다.저장 버튼을 클릭하면 당신이 기여한 내용을 CC-BY-NC-SA 2.0 KR으로 배포하고,기여한 문서에 대한 하이퍼링크나 URL을 이용하여 저작자 표시를 하는 것으로 충분하다는 데 동의하는 것입니다.이 동의는 철회할 수 없습니다.캡챠저장미리보기