임상 연구 논문 통계 분석 시 t-test와 ANOVA 선택 기준과 사후 검정 이해 한 번에 정리하기

임상 연구 논문을 작성하거나 통계 결과를 검토할 때 가장 자주 마주치는 질문 중 하나가 바로 “두 군이면 t-test이고 세 군 이상이면 ANOVA인가?”입니다. 처음 통계를 접하면 이 기준만 외워도 될 것처럼 보이지만, 실제 연구에서는 단순히 군의 개수만으로 검정을 선택하면 잘못된 분석을 할 수 있습니다. 독립된 두 집단을 비교하는지, 같은 환자를 반복 측정했는지, 데이터가 연속형인지, 분포가 지나치게 치우쳐 있는지, 등분산 가정을 만족하는지에 따라 적절한 방법이 달라지기 때문입니다. 특히 세 집단 이상의 평균을 비교할 때 ANOVA를 시행하고 유의한 결과가 나왔다면 그것만으로 어느 집단과 어느 집단이 다른지 알 수 없기 때문에 적절한 사후 검정이 필요합니다. 통계 분석에서 가장 중요한 것은 검정 이름을 외우는 것이 아니라 연구 질문과 자료 구조에 맞는 분석법을 선택하고, 전체 검정과 사후 비교를 논리적으로 연결하는 것입니다.

임상 연구 논문 통계 분석 시 t-test와 ANOVA 선택 기준과 사후 검정 이해 한 번에 정리하기

 

오늘 제가 준비한 포스팅에서는 임상 논문에서 t-test를 선택하는 상황과 ANOVA가 더 적절한 상황을 구분하고, 독립표본과 대응표본의 차이, 일원분산분석과 반복측정 또는 요인설계가 어떻게 다른지, Welch t-test와 Welch ANOVA는 언제 고려하는지, ANOVA가 유의하게 나온 뒤 Tukey, Bonferroni, Holm, Dunnett 등의 사후 검정을 어떻게 선택해야 하는지까지 실제 논문 분석의 흐름에 맞춰 자세히 정리해보겠습니다. 특히 “p<0.05니까 집단 간 차이가 있다”라는 문장에서 끝내지 않고, 어떤 집단끼리 차이가 있었는지, 다중비교로 인해 1종 오류가 증가하지 않았는지, 평균 차이의 크기가 임상적으로 의미 있는지, 신뢰구간과 효과크기는 어떻게 함께 제시해야 하는지도 살펴보겠습니다. 통계 프로그램에서 버튼을 누르는 것보다 연구 설계 단계에서 어떤 비교를 하려는지 명확하게 정하는 것이 훨씬 중요하다는 점을 중심으로 설명해보겠습니다.

 

임상 연구에서 t-test와 ANOVA를 선택하기 전에 먼저 확인해야 하는 것

t-test와 ANOVA 중 무엇을 사용할지 고민할 때 가장 먼저 해야 하는 일은 집단의 수를 세는 것이 아니라 연구 질문을 구체적으로 표현하는 것입니다. 예를 들어 새로운 치료법을 받은 환자와 기존 치료를 받은 환자의 평균 혈압이 다른지를 비교하려는 연구라면 두 개의 독립된 집단을 비교하는 문제이므로 독립표본 t-test를 고려할 수 있습니다. 반면 같은 환자의 치료 전후 혈압을 비교하는 연구라면 서로 독립된 두 집단이 아니라 동일한 환자에서 두 시점의 값을 비교하는 것이므로 대응표본 t-test가 더 적절합니다. 즉 두 집단이라는 사실만으로 무조건 독립표본 t-test를 선택하는 것이 아니라 관측값들이 서로 독립적인지 여부가 먼저 결정되어야 합니다. 같은 환자에서 반복해서 측정한 값은 서로 관련되어 있으므로 독립표본 검정을 적용하면 실제보다 정보량을 과대평가하거나 표준오차를 잘못 계산할 수 있습니다. 임상 연구에서는 이러한 자료 구조의 차이가 매우 중요하기 때문에 분석 방법을 선택하기 전 대상자 간 독립성, 반복 측정 여부, 군 배정 방식과 관찰 시점을 먼저 확인하는 것이 좋습니다.

 

또한 종속변수가 어떤 형태인지도 중요합니다. t-test와 전통적인 ANOVA는 일반적으로 연속형 결과의 평균을 비교하는 데 사용합니다. 예를 들어 체중, 수축기혈압, LDL 콜레스테롤, 입원 기간 같은 수치형 변수에서 두 집단 또는 여러 집단의 평균 차이를 비교할 때 사용합니다. 반대로 사망 여부, 합병증 발생 여부, 재입원 여부처럼 결과가 이분형이라면 t-test나 ANOVA가 아니라 카이제곱검정, Fisher의 정확검정, 로지스틱 회귀 등의 방법을 고려해야 합니다. 사건 발생까지의 시간이 중요한 생존자료라면 Kaplan-Meier 분석과 log-rank 검정, Cox 비례위험모형 등이 적절할 수 있습니다. 따라서 “두 군이면 t-test”라는 규칙은 모든 통계 분석에 적용되는 것이 아니라 연속형 결과의 평균을 비교하는 상황에서만 의미가 있습니다. 임상 논문에서는 연구 질문과 자료의 성격을 먼저 파악하고 그다음 검정법을 선택해야 합니다.

 

정규성도 확인해야 할 요소입니다. t-test와 ANOVA는 모집단 분포에 대한 일정한 가정을 가지고 있으며, 표본 크기가 작고 자료의 분포가 심하게 치우쳐 있는 경우에는 결과의 안정성이 떨어질 수 있습니다. 그렇다고 해서 모든 분석에서 정규성 검정의 p값 하나만 보고 자동으로 검정을 결정하는 것도 좋은 방법은 아닙니다. 히스토그램이나 Q-Q plot으로 분포를 확인하고, 표본 크기와 이상치의 존재, 그룹별 분포 모양 등을 종합적으로 판단하는 것이 좋습니다. 자료가 심하게 비정규이고 변환을 통해 해결하기 어렵다면 독립된 두 집단에서는 Mann-Whitney U 검정, 대응자료에서는 Wilcoxon signed-rank 검정, 세 집단 이상에서는 Kruskal-Wallis 검정 등을 고려할 수 있습니다.

 

등분산성도 중요한 고려사항입니다. 두 집단의 분산이 크게 다른 경우에는 전통적인 Student's t-test보다 Welch t-test가 더 적절할 수 있습니다. 마찬가지로 세 집단 이상에서 분산이 균일하지 않다면 일반적인 일원 ANOVA보다 Welch ANOVA가 더 적합할 수 있습니다. 특히 임상 데이터에서는 치료군의 표본 수가 서로 다르고 분산도 크게 다른 경우가 흔하므로, 단순히 “정규분포처럼 보인다”는 이유만으로 일반적인 t-test나 ANOVA를 사용하는 것은 주의해야 합니다. 연구자가 가장 먼저 확인해야 하는 것은 군의 개수 자체가 아니라 결과변수의 형태, 독립성, 반복측정 여부, 분포와 분산 구조입니다. 이런 기본 조건을 확인한 다음 적절한 검정법을 선택하면 이후 사후 검정이나 회귀분석으로 넘어갈 때도 논리가 훨씬 자연스럽게 이어집니다.

두 집단 비교에서 독립표본 t-test와 대응표본 t-test를 구분하는 방법

독립표본 t-test는 서로 다른 두 집단의 평균을 비교할 때 사용하는 방법입니다. 예를 들어 신약군 40명과 대조군 40명의 평균 LDL 수치를 비교한다면 각각의 환자는 한 집단에만 속하고 한 사람의 측정값이 다른 사람의 측정값과 직접 연결되지 않으므로 독립표본 t-test를 고려할 수 있습니다. 반면 같은 환자 40명의 치료 전 LDL과 치료 12주 후 LDL을 비교한다면 각 환자의 두 측정값이 한 쌍으로 연결되어 있기 때문에 대응표본 t-test를 사용해야 합니다. 실제 논문에서는 이 구분을 자주 혼동하는데, “시간이 두 개니까 독립표본”이 아니라 “같은 사람에게서 두 번 측정했는가”가 핵심입니다. 독립표본에서는 군 간 평균 차이를, 대응표본에서는 각 환자에서 변화한 값의 평균이 0과 다른지를 평가한다고 이해하면 쉽습니다.

 

또 하나 중요한 부분은 두 집단의 분산이 같다고 가정할 것인지입니다. Student's t-test는 일반적으로 등분산 가정을 전제로 하지만 Welch t-test는 이러한 가정이 필요하지 않고 분산이 다른 상황에서도 보다 안정적인 추론을 할 수 있도록 설계되어 있습니다. 임상 연구에서는 그룹별 표본수가 다르고 데이터의 변동성도 다를 수 있기 때문에 Welch t-test를 사용하는 것이 합리적인 경우가 많습니다. 특히 두 그룹의 분산이 크게 다르거나 표본 크기 불균형이 심한 경우에는 Welch 방법을 우선적으로 고려할 수 있습니다. 다만 논문에서 어떤 t-test를 사용했는지는 방법 부분에 명확하게 기재하고, 단순히 “t-test를 시행하였다”라고만 적기보다 독립표본인지 대응표본인지, 필요하면 Welch 방법을 사용했는지를 밝혀주는 것이 좋습니다.

세 집단 이상에서는 왜 ANOVA를 사용하는가

세 개 이상의 독립된 집단에서 연속형 변수의 평균을 비교하려고 할 때 흔히 사용하는 방법이 일원분산분석, 즉 one-way ANOVA입니다. 예를 들어 치료 A, 치료 B, 치료 C 세 군의 평균 입원기간이 서로 다른지를 하나의 전체 검정으로 평가하려는 상황을 생각할 수 있습니다. 여기에서 각 집단을 서로 두 개씩 비교하는 t-test를 반복해서 시행하는 것도 가능해 보이지만, 비교 횟수가 늘어날수록 우연히 유의한 결과가 나올 가능성이 증가합니다. 이를 다중비교 문제라고 합니다. ANOVA는 여러 집단의 평균을 한 번에 비교하면서 전체적인 귀무가설, 즉 모든 집단의 평균이 같다는 가설을 먼저 검정하기 때문에 이러한 문제를 보다 체계적으로 다룰 수 있습니다.

 

일원 ANOVA의 핵심은 전체 변동을 집단 간 변동과 집단 내 변동으로 나누어 비교하는 것입니다. 집단 간 변동이 집단 내 자연스러운 변동보다 충분히 크다면 F 통계량이 커지고 p값이 작아질 가능성이 높아집니다. 따라서 ANOVA는 단순히 평균값만 보는 검정이 아니라 “집단 간 차이가 우연한 개인 간 변동보다 충분히 큰가”를 평가하는 방법이라고 이해하면 좋습니다.

::contentReference[oaicite:0]{index=0}

 

예를 들어 세 치료군의 평균 통증점수가 각각 3점, 4점, 7점이라고 하더라도 각 군 안에서 환자들의 점수가 1점에서 9점까지 매우 넓게 퍼져 있다면 집단 간 차이가 통계적으로 유의하지 않을 수 있습니다. 반대로 평균 차이가 크지 않아 보여도 각 군 내부의 변동이 매우 작다면 ANOVA에서는 유의한 결과가 나올 수 있습니다. 이처럼 F 검정은 평균의 절대적인 차이만 보는 것이 아니라 집단 사이의 변동과 집단 내부의 변동을 비교합니다. 따라서 논문에서 ANOVA 결과를 보고할 때 평균과 표준편차뿐 아니라 F 통계량과 자유도, p값 등을 함께 제시하면 분석 결과를 더 명확하게 전달할 수 있습니다.

 

ANOVA에서 p값이 유의하다는 것은 적어도 한 집단의 평균이 다른 집단과 다르다는 의미이지, 어떤 집단과 어떤 집단이 다른지까지 알려주는 결과는 아닙니다. 이것이 바로 사후 검정이 필요한 가장 중요한 이유입니다. 예를 들어 A, B, C 세 군을 비교한 ANOVA에서 p=0.01이 나왔다면 “세 군의 평균이 모두 서로 다르다”는 의미가 아닙니다. 최소한 하나의 평균이 다른 가능성이 있다는 의미입니다. A와 B는 비슷하고 A와 C가 다르며 B와 C는 비슷할 수도 있고, 세 군 모두 서로 다를 수도 있습니다. 따라서 연구자가 실제로 궁금한 군 간 차이를 확인하려면 적절한 다중비교 방법을 추가로 적용해야 합니다.

반복측정 자료에서는 일반적인 일원 ANOVA를 그대로 사용하면 안 되는 이유

임상 연구에서 같은 환자를 여러 시점에 반복 측정하는 경우가 매우 많습니다. 예를 들어 치료 전, 치료 4주, 치료 12주에 혈압을 측정했다면 세 개의 평균을 비교하고 싶더라도 세 시점의 값은 독립된 관측치가 아닙니다. 같은 환자에게서 나온 자료이므로 서로 연관되어 있기 때문입니다. 이런 경우에는 일반적인 일원 ANOVA보다 반복측정 ANOVA 또는 선형혼합모형과 같은 방법을 고려해야 합니다. 반복측정 ANOVA는 동일 환자의 상관된 측정값을 고려해 시간에 따른 변화를 분석할 수 있고, 조건이 맞는 경우 구형성 가정도 함께 평가해야 합니다.

 

치료군이 두 개이고 측정시점이 여러 개인 연구에서는 단순한 t-test를 여러 번 시행하는 것보다 시간과 군의 주효과, 군과 시간의 상호작용을 함께 평가할 수 있는 방법이 더 적절할 수 있습니다. 예를 들어 신약군과 대조군에서 치료 전, 4주, 12주에 혈압을 측정했다면 연구자가 가장 궁금한 것은 단순히 각 시점에서 두 군의 평균이 다른지뿐 아니라 “시간이 지남에 따라 두 군의 변화 양상이 다른가?”일 수 있습니다. 이런 질문에는 반복측정 ANOVA 또는 혼합효과모형이 더 적절한 분석 틀이 될 수 있습니다. 따라서 군의 개수뿐 아니라 시간의 반복 측정 구조를 반드시 함께 확인해야 합니다.

ANOVA가 유의한 뒤 사후 검정을 어떻게 선택해야 하나

ANOVA의 전체 검정이 유의하면 다음 단계는 어떤 집단 사이에 차이가 있는지를 확인하는 것입니다. 이때 가장 널리 알려진 방법 중 하나가 Tukey의 사후 검정입니다. 세 개 이상의 집단을 모든 가능한 쌍으로 비교하고 싶을 때 Tukey 방법은 전체적인 가족별 제1종 오류를 통제하면서 쌍별 비교를 수행하는 데 적합합니다. 예를 들어 A, B, C 세 군이 있고 모든 군 간 차이를 알고 싶다면 A 대 B, A 대 C, B 대 C를 각각 비교하면서 다중비교 문제를 조정할 수 있습니다. 단순히 t-test를 세 번 하는 것과 달리 전체 오류율을 고려한다는 점이 중요합니다.

 

Bonferroni 보정은 비교하고자 하는 모든 가설검정의 유의수준을 비교 횟수로 나누는 방식으로 이해할 수 있습니다. 예를 들어 세 번의 비교를 하고 전체 유의수준을 0.05로 설정했다면 각 비교의 기준을 0.05/3으로 낮추는 방식입니다. Bonferroni는 이해하기 쉽고 보수적인 방법이라는 장점이 있지만 비교 횟수가 많아질수록 검정력이 떨어질 수 있습니다. Holm 보정은 Bonferroni보다 조금 더 효율적인 방식으로 여러 p값을 순차적으로 조정할 수 있어 실무에서 유용하게 사용됩니다.

 

Dunnett 검정은 모든 집단을 서로 비교하는 상황과 다릅니다. 예를 들어 새로운 치료법 세 가지를 모두 표준치료군과 비교하고 싶은 연구라면 각 치료군을 대조군과 비교하는 것이 핵심이므로 Dunnett 방법을 고려할 수 있습니다. 이처럼 사후 검정은 “ANOVA가 유의했으니 아무 사후 검정이나 한다”가 아니라 연구자가 어떤 비교를 사전에 계획했는지에 따라 선택하는 것이 중요합니다. 모든 군 간 비교인지, 특정 대조군과만 비교하는 것인지, 비교의 수가 얼마나 되는지에 따라 적합한 방법이 달라집니다.

 

비모수 자료에서는 일반적인 ANOVA와 동일한 사후 검정을 그대로 적용하면 안 됩니다. 예를 들어 세 독립집단의 순위 또는 비정규 자료를 비교하기 위해 Kruskal-Wallis 검정을 사용했다면 전체 검정이 유의한 뒤 Dunn 검정과 같은 비모수 사후 비교를 고려할 수 있습니다. 반복측정 비모수 자료라면 Friedman 검정 이후 적절한 쌍별 비교와 다중비교 보정을 적용할 수 있습니다. 따라서 분석 방법과 사후 검정은 서로 연결되어 있어야 하며, “ANOVA 후 Tukey”라는 조합을 무조건 모든 상황에 적용해서는 안 됩니다.

사후 검정은 ANOVA의 뒤에 자동으로 붙는 옵션이 아니라 연구자가 실제로 어떤 집단과 어떤 집단을 비교하려는지에 따라 선택해야 하는 다중비교 전략입니다.

제가 만든 아래 표를 참고해보세요!

연구 상황	대표적인 분석	사후 또는 추가 분석
독립된 두 집단 평균 비교	독립표본 t-test 또는 Welch t-test	필요 시 효과크기와 신뢰구간 제시
같은 환자의 전후 평균 비교	대응표본 t-test	변화량의 평균과 신뢰구간 제시
독립된 세 집단 이상 평균 비교	일원 ANOVA 또는 Welch ANOVA	Tukey, Holm, Bonferroni, Dunnett 등
반복 측정 세 시점 이상	반복측정 ANOVA 또는 혼합효과모형	시점별 대비와 다중비교 보정
세 독립집단의 비모수 자료	Kruskal-Wallis 검정	Dunn 검정 등 적절한 다중비교

임상 논문에서는 p값만 보지 말고 효과크기와 신뢰구간까지 함께 해석해야 합니다

통계적으로 유의한 결과가 나왔다고 해서 임상적으로 중요한 차이라는 뜻은 아닙니다. 예를 들어 표본수가 매우 큰 연구에서는 두 군의 평균 차이가 1mmHg처럼 매우 작아도 p값이 0.05 미만으로 나올 수 있습니다. 반대로 표본수가 적은 연구에서는 실제로 상당한 차이가 존재하더라도 통계적으로 유의하지 않을 수 있습니다. 따라서 임상 논문에서는 p값과 함께 평균 차이의 크기와 95% 신뢰구간을 제시하는 것이 중요합니다. 두 군 평균 비교에서는 평균 차이 자체와 그 신뢰구간을 제시할 수 있고, 표준화된 효과크기가 필요한 경우 Cohen's d 등을 사용할 수 있습니다. ANOVA에서는 eta-squared 또는 partial eta-squared와 같은 효과크기를 상황에 맞게 보고할 수 있습니다.

 

예를 들어 새로운 치료군과 대조군의 통증 점수가 각각 4.2점과 5.0점이고 p=0.03이라고 가정해보겠습니다. p값만 보면 통계적으로 유의한 차이가 있다고 말할 수 있지만, 실제 환자에게 0.8점 차이가 충분히 큰 변화인지 여부는 별도의 임상적 기준이 필요합니다. 연구 분야에 따라 최소임상중요차이 같은 개념을 사용해 치료 효과의 의미를 판단할 수 있습니다. 따라서 “통계적으로 유의하다”와 “임상적으로 의미 있다”는 문장은 구분해서 사용해야 합니다.

 

ANOVA에서 유의한 결과가 나온 뒤 사후 검정을 실시할 때도 마찬가지입니다. 예를 들어 A와 C가 유의한 차이를 보였다고 하더라도 평균 차이가 매우 작고 신뢰구간이 임상적으로 중요한 범위를 넘지 않는다면 실제 치료 결정에서의 의미는 제한적일 수 있습니다. 반대로 p값이 0.06으로 통계적으로 유의하지 않더라도 차이의 추정치가 상당히 크고 신뢰구간이 넓다면 표본수가 부족했을 가능성을 생각할 수 있습니다. 이런 결과를 단순히 “효과가 없다”고 단정하는 것보다 추정치와 불확실성을 함께 제시하는 것이 더 적절합니다.

 

논문의 결과표를 작성할 때도 통계 검정 이름만 적는 것보다 무엇을 비교했는지 명확하게 표시하는 것이 좋습니다. 예를 들어 “Group A 12.4 ± 3.1, Group B 10.2 ± 2.8, p=0.012”처럼 평균과 표준편차, p값을 함께 제시할 수 있고, 세 군 ANOVA에서는 전체 p값을 제시한 뒤 유의한 결과에 대해 사후 비교 결과를 표시할 수 있습니다. 사후 분석을 했다면 단순히 별표만 여러 개 붙이는 것보다 어떤 군 간 차이가 있었는지를 각주 또는 표 안에서 명확하게 설명하는 것이 좋습니다. 분석 방법 역시 Methods에 구체적으로 기록해야 하며, 예를 들어 “세 독립집단의 평균 차이는 one-way ANOVA로 평가하고, 전체 검정이 유의한 경우 Tukey의 다중비교를 시행하였다”처럼 적으면 독자가 분석 전략을 쉽게 이해할 수 있습니다.

 

임상 논문의 통계 해석은 p값 하나로 끝내지 않고 효과크기와 신뢰구간, 실제 비교 대상과 임상적 의미를 함께 확인해야 결과를 제대로 해석할 수 있습니다.

논문 결과표에서 자주 발생하는 t-test와 ANOVA 오류

실제 논문이나 연구 초안에서 자주 보이는 오류 가운데 하나는 세 집단을 비교하면서 모든 쌍에 대해 t-test를 반복 시행하고 별도의 다중비교 보정을 하지 않는 것입니다. 예를 들어 A 대 B, A 대 C, B 대 C를 각각 유의수준 0.05로 검정하면 우연히 적어도 하나가 유의하게 나올 가능성이 단일 비교보다 커집니다. 이런 상황에서는 ANOVA를 통해 전체 차이를 먼저 평가하거나, 연구 질문에 맞는 다중비교 방법을 적용해야 합니다. 두 번째 오류는 ANOVA가 유의하지 않았는데도 사후 검정을 광범위하게 시행해 특정 p값만 강조하는 것입니다. 탐색적 분석이라면 이를 명확하게 표현해야 하며, 사전에 계획된 대비와 사후 탐색적 비교를 구분하는 것이 좋습니다.

 

또 다른 오류는 동일 환자에서 반복 측정한 자료를 독립표본 t-test로 분석하는 것입니다. 예를 들어 같은 30명의 환자에서 치료 전후 혈압을 각각 다른 집단으로 입력해 독립표본 t-test를 시행하면 환자 내 상관관계가 무시됩니다. 이런 경우에는 대응표본 t-test가 더 적절합니다. 세 시점 이상이라면 반복측정 ANOVA나 혼합효과모형을 고려해야 합니다. 또한 하나의 환자에게서 여러 부위의 측정값을 얻은 경우처럼 클러스터 구조가 있는 자료를 독립적인 관측값으로 취급하는 것도 주의해야 합니다. 통계적 독립성은 단순히 사람이 몇 명인지를 세는 것이 아니라 분석에 들어가는 각 관측치가 서로 독립적인지를 의미하기 때문입니다.

 

등분산성을 고려하지 않고 Student's t-test나 일반 ANOVA를 무조건 사용하는 것도 흔한 문제입니다. 특히 두 군의 분산이 크게 다르거나 표본수가 크게 불균형한 경우 Welch t-test 또는 Welch ANOVA가 더 적절할 수 있습니다. 반면 표본 수가 충분하고 분포가 안정적이라면 전통적인 방법도 적절하게 작동할 수 있습니다. 중요한 것은 통계 프로그램에서 자동으로 제공되는 기본 설정을 그대로 사용하는 것이 아니라 데이터와 연구설계에 맞는 방법을 선택하는 것입니다. 마지막으로 여러 개의 결과변수와 여러 시점, 여러 군을 동시에 비교하면서 유의한 결과만 골라 보고하면 다중검정 문제가 발생할 수 있습니다. 연구계획 단계에서 주된 결과변수와 주요 비교를 미리 정하고, 탐색적 분석과 확인적 분석을 구분하는 것이 중요합니다.

임상 연구 논문 통계 분석 시 t-test와 ANOVA 선택 기준과 사후 검정 이해 총정리

임상 연구에서 t-test와 ANOVA를 선택하는 가장 중요한 기준은 단순히 집단의 개수가 아니라 연구 질문과 자료의 구조입니다. 연속형 결과를 독립된 두 집단에서 비교한다면 독립표본 t-test를, 같은 환자의 전후 값을 비교한다면 대응표본 t-test를 고려합니다. 두 집단의 분산이 크게 다르면 Welch t-test가 더 적절할 수 있습니다. 세 개 이상의 독립된 집단을 비교한다면 일원 ANOVA를 고려하며, 분산이 불균일한 경우에는 Welch ANOVA가 대안이 될 수 있습니다. 그러나 같은 환자를 여러 시점에서 반복 측정했다면 일반적인 일원 ANOVA가 아니라 반복측정 ANOVA나 혼합효과모형 등 자료의 상관구조를 반영하는 분석을 선택해야 합니다.

 

ANOVA에서 p값이 유의하다는 것은 모든 집단이 서로 다르다는 의미가 아니라 적어도 하나의 집단 평균이 다른 집단과 다르다는 뜻입니다. 따라서 어떤 집단이 다른지 알아보기 위해 적절한 사후 검정이 필요합니다. 모든 집단 간 비교가 목적이면 Tukey 방법을 고려할 수 있고, 여러 비교를 보수적으로 조정하려면 Bonferroni 또는 Holm 방법을 고려할 수 있습니다. 특정 대조군과 다른 치료군을 비교하는 것이 핵심이라면 Dunnett 방법이 적절할 수 있습니다. 비모수 분석을 사용한 경우에는 해당 검정에 맞는 사후 비교법을 선택해야 하므로 단순히 “ANOVA 후 Tukey”를 모든 상황에 적용해서는 안 됩니다.

 

통계 결과를 해석할 때는 p값만으로 결론을 내리지 않는 것도 중요합니다. 평균 차이, 효과크기, 95% 신뢰구간을 함께 확인해야 실제 효과의 크기와 불확실성을 파악할 수 있습니다. 통계적으로 유의한 작은 차이가 임상적으로 중요한지, 통계적으로 유의하지 않더라도 표본수가 작아 신뢰구간이 넓은 것은 아닌지 구분해야 합니다. 이런 관점으로 결과를 보면 단순한 “유의하다 또는 유의하지 않다”를 넘어 연구결과가 실제 환자 치료에 어떤 의미를 갖는지 해석할 수 있습니다.

 

결국 통계 분석에서 가장 좋은 순서는 연구 질문 설정, 변수 유형 확인, 독립성 및 반복측정 구조 확인, 분포와 분산 검토, 적절한 전체 검정 선택, 필요한 경우 사후 검정과 다중비교 보정, 마지막으로 효과크기와 신뢰구간을 포함한 임상적 해석입니다. t-test와 ANOVA는 서로 경쟁하는 검정이 아니라 서로 다른 연구 질문에 사용되는 도구입니다. 두 집단 평균 비교에 적합한 상황에서 ANOVA를 억지로 사용할 필요도 없고, 세 집단 이상의 자료를 여러 번의 t-test로 쪼개서 분석할 필요도 없습니다. 연구 설계와 질문에 맞는 검정법을 선택하고 사후 분석의 목적을 명확히 하면 논문의 통계 방법과 결과 부분도 훨씬 논리적으로 작성할 수 있습니다. 특히 분석 전에 “내가 정확히 어떤 집단과 어떤 집단의 차이를 알고 싶은가?”라는 질문을 먼저 정해두면 t-test와 ANOVA, 그리고 이후의 사후 검정 선택이 자연스럽게 정리됩니다.

질문 QnA

두 군 비교라면 항상 t-test를 사용하면 되나요?

연속형 결과를 비교하는 상황이라면 t-test를 고려할 수 있지만 항상 그런 것은 아닙니다. 같은 환자의 전후 값을 비교하면 대응표본 t-test가 필요하고, 독립된 두 군이라면 독립표본 t-test를 고려합니다. 분산이 크게 다르면 Welch t-test를 사용할 수 있으며 자료가 심하게 비정규인 경우에는 비모수 검정을 검토해야 합니다.

세 군 이상을 비교할 때 t-test를 여러 번 사용하면 안 되나요?

단순히 여러 번의 t-test를 반복하고 다중비교 문제를 처리하지 않으면 제1종 오류가 증가할 수 있습니다. 독립된 세 군 이상의 평균을 비교하려는 경우 일반적으로 ANOVA를 먼저 시행하고, 전체 검정이 유의한 경우 적절한 사후 검정이나 계획된 대비를 통해 특정 군 간 차이를 확인하는 것이 좋습니다.

ANOVA의 p값이 유의하면 어떤 군끼리 차이가 나는지도 알 수 있나요?

아닙니다. 유의한 ANOVA 결과는 적어도 한 군의 평균이 다른 군과 다르다는 것을 의미하지만 구체적으로 어느 군 사이에 차이가 있는지는 알려주지 않습니다. 따라서 연구 질문에 맞는 Tukey, Holm, Bonferroni, Dunnett 등의 사후 비교를 통해 군 간 차이를 확인해야 합니다.

같은 환자의 치료 전후와 3개월 후 수치를 비교할 때 일반 ANOVA를 사용해도 되나요?

같은 환자에서 여러 시점에 반복 측정한 자료라면 관측값들이 서로 독립적이지 않기 때문에 일반적인 일원 ANOVA를 그대로 적용하는 것은 적절하지 않을 수 있습니다. 반복측정 ANOVA나 선형혼합모형처럼 환자 내 상관관계를 반영하는 방법을 고려하는 것이 좋습니다.

 

임상 논문에서 t-test와 ANOVA를 선택할 때 가장 먼저 해야 할 일은 통계 프로그램의 메뉴를 여는 것이 아니라 연구 질문을 한 문장으로 정리하는 것입니다. 서로 다른 두 군의 평균을 비교하려는 것인지, 같은 환자의 전후 변화를 보는 것인지, 세 개 이상의 독립군을 비교하는 것인지, 여러 시점의 반복 측정값을 분석하는 것인지에 따라 적절한 방법이 달라집니다. 그다음 자료의 분포와 분산, 독립성 등을 확인하고 필요하면 Welch 방법이나 비모수 검정, 반복측정 분석을 고려하면 됩니다. ANOVA에서 유의한 결과가 나왔다면 그것만으로 어느 군과 어느 군이 다른지 결론을 내리지 말고 사후 검정을 통해 구체적인 비교를 시행해야 하며, 그 과정에서는 다중비교에 따른 오류를 통제해야 합니다. 마지막으로 p값 하나에만 의존하지 않고 효과크기와 신뢰구간, 실제 임상적 중요성을 함께 살펴보는 것이 좋은 논문 통계 해석의 기본입니다. 처음에는 검정 이름이 많아 복잡하게 느껴지지만 “몇 군인가”보다 “누구와 누구를 어떻게 비교하는가”를 먼저 생각하는 습관을 만들면 t-test와 ANOVA의 선택이 훨씬 명확해집니다.