등분산 검정(Test for Equal Variances)

등분산 검정은 둘 이상의 집단이 데이터에서 같은 정도의 변동성을 가지는지 판정하는 데 사용하는 통계적 가설검정입니다. 이 검정은 집단 평균을 비교하는 대신 산포에 초점을 두며, 비교하는 모든 집단에서 변동(표준편차 또는 분산)이 통계적으로 일관되는지 확인합니다.

최종 검토

핵심 요점

등분산 검정은 둘 이상의 집단이 데이터에서 같은 정도의 변동성을 가지는지 판정하는 데 사용하는 통계적 가설검정입니다.

이 페이지 내용
  1. 등분산 검정이란?
  2. 등분산 검정은 언제 사용합니까?
  3. 제공되는 주요 검정
  4. 등분산 검정의 올바른 사용 지침
  5. 대안: 등분산 검정을 사용하지 않아야 할 때
  6. 등분산 검정 예제
  7. 등분산 검정 방법

등분산 검정이란?

등분산 검정은 둘 이상의 집단이 데이터에서 같은 정도의 변동성을 가지는지 판정하는 데 사용하는 통계적 가설검정입니다. 이 검정은 집단 평균을 비교하는 대신 산포에 초점을 두며, 비교하는 모든 집단에서 변동(표준편차 또는 분산)이 통계적으로 일관되는지 확인합니다.

이는 많은 분석의 중요한 선행 조건입니다. ANOVA, 2-표본 t 검정, 회귀분석 같은 여러 통계 도구는 모든 집단의 분산이 같다고 가정합니다. 등분산을 먼저 확인하지 않고 이러한 도구를 사용하면 잘못된 결론에 이를 수 있습니다.

간단한 정의: 서로 다른 집단이 데이터에서 같은 정도의 산포나 변동성을 가지는지 확인하는 검정으로, 다른 여러 통계 분석을 실행하기 전에 필요한 점검입니다.

등분산 검정은 언제 사용합니까?

  • 등분산 가정이 충족되는지 확인하기 위해 ANOVA나 t 검정 을 실행하기 전에 사용합니다.
  • 평균뿐 아니라 변동성에서도 차이가 있는지 알고 싶어서 둘 이상의 집단 또는 공정 조건 을 비교할 때 사용합니다.
  • 방법, 기계 또는 재료의 변경이 공정의 일관성에 영향을 주었는지 확인하기 위해 공정 개선 연구 에서 사용합니다.
  • 서로 다른 작업자, 기기 또는 실험실이 비슷한 산포의 데이터를 내는지 판단하기 위해 측정 시스템 을 평가할 때 사용합니다.

제공되는 주요 검정

이 도구는 서로 다른 데이터 유형과 가정에 적합한 여러 검정을 제공합니다.

검정

가장 적합한 경우

Bartlett 검정

데이터가 정규분포를 따를 때 — 정규성 하에서 검정력이 가장 높음

Levene 검정

데이터가 정규분포가 아닐 수 있을 때 — 비정규성에 더 강건함

F 검정

정규 데이터로 정확히 두 집단을 비교할 때

등분산 검정의 올바른 사용 지침

  • 데이터가 연속형 인지 확인하십시오. 이 검정은 계수형 데이터나 개수 데이터에는 적합하지 않습니다.
  • 먼저 정규성을 확인 하십시오. 데이터가 정규분포를 따르면 Bartlett 검정을, 따르지 않으면 Levene 검정이나 Bonett 검정을 사용하십시오.
  • 신뢰할 수 있는 분산 추정을 위해 집단당 충분한 표본 크기 (집단당 관측값 20개 이상 권장)를 확보하십시오.
  • 유의수준(일반적으로 0.05)보다 낮은 p-값은 적어도 한 집단의 분산이 유의하게 다르다는 것을 나타내므로 p-값 을 해석하십시오.
  • 진행하기 전에 분산이 같지 않은 원인 을 조사하십시오. 유의한 결과를 그냥 무시해서는 안 됩니다.

대안: 등분산 검정을 사용하지 않아야 할 때

  • 데이터가 계수형(합격/불합격, 범주)이면 이 검정은 적용되지 않으므로 대신 카이제곱 검정이나 비율 검정을 사용하십시오.
  • 분산이 아니라 평균을 비교하는 경우에는 다음을 사용하십시오: ANOVA나 t 검정
  • 표본 크기가 매우 작으면(집단당 5개 미만)분산 추정을 신뢰할 수 없으므로 검정하기 전에 더 많은 데이터를 수집하십시오.

등분산 검정 예제

한 화학 엔지니어가 페인트 배합 네 가지의 경도를 비교하려고 합니다. 각 페인트 배합의 표본 6개를 금속 조각에 도포한 뒤 경화했습니다. 그런 다음 각 표본의 경도를 측정했습니다. 단계는 다음과 같습니다.

  1. 필요한 데이터를 수집했습니다.
Test for Equal Variances — figure 1
  1. 이제 Zometric Statistical Software에서 데이터를 분석합니다: https://statsai.zometric.com/.
  2.  등분산 검정을 찾으려면 다음을 선택합니다: Statistical module> Anova>Test for Equal Variances.
  3.  도구 안에서 데이터와 기타 입력값을 다음과 같이 입력합니다.
Test for Equal Variances — figure 2

5. 위 도구를 사용하면 다음과 같은 출력을 얻습니다.

Test for Equal Variances — figure 3Test for Equal Variances — figure 4

등분산 검정 방법

절차는 다음과 같습니다.

  1. Zometric Statistical Software에 로그인합니다: https://statsai.zometric.com/
  2. 홈 페이지에서 Statistical Tool> Anova >Test for Equal Variances를 선택합니다.
  3. 다음으로, 데이터를 직접 입력하거나 Excel 시트에서 데이터 전체를 복사(Ctrl+C)하여 붙여넣습니다(Ctrl+V).
  4. 필요한 옵션을 입력합니다.
  5. 마지막으로, 페이지 하단의 calculate를 클릭하면 원하는 결과를 얻을 수 있습니다.

등분산 검정 도구 화면은 두 부분으로 나뉩니다.

Test for Equal Variances — figure 5

왼쪽 부분에는 데이터 창(Data Pane)이 있습니다. Data Pane에서는 각 행이 하나의 부분군이 됩니다. 데이터를 직접 입력하거나 Excel 시트에서 데이터 전체를 복사(Ctrl+C)하여 여기에 붙여넣을(Ctrl+V) 수 있습니다.

Load example: 예제 데이터가 로드됩니다.

Load File: Excel 데이터를 직접 로드하는 데 사용합니다.

오른쪽 부분에는 다음과 같은 여러 옵션이 있습니다.

  • Response: 집단 간에 변동성을 비교하려는 값인 연속형 측정 데이터가 들어 있는 열을 선택합니다. 서로 다른 집단의 데이터가 별도의 열에 저장되어 있다면 Ctrl 또는 Command + 클릭으로 여러 열을 선택합니다. 선택한 각 열은 비교하는 하나의 집단 또는 조건을 나타냅니다.
  • Factor: 각 관측값이 어느 집단에 속하는지 식별하는 열을 선택합니다. 예를 들어 기계 유형, 작업자, 재료 배치가 있습니다. 이 열은 모든 반응 데이터가 하나의 열에 쌓여 있어 집단을 구분하려면 별도의 그룹 변수가 필요할 때만 필수입니다. 이미 여러 반응 열(집단당 하나)을 선택했다면 이 항목은 필요하지 않습니다.
  • Confidence Level: 각 집단의 분산 추정값 주위에 표시되는 신뢰구간의 확실성 수준을 설정합니다. 기본값은 95%이며, 각 집단의 참 분산이 표시된 구간 안에 있다고 95% 확신한다는 뜻입니다. 신뢰수준이 더 높으면(예: 99%) 구간이 더 넓어지고, 더 낮으면(예: 90%) 더 좁아집니다. 95% 기본값은 대부분의 통계 분석에서 보편적으로 인정되는 표준입니다.
  • Hypothesized Ratio: 검정하려는 분산비입니다. 기본값은 1이며, 모든 집단의 분산이 같은지 검정합니다. 비가 1이면 분산이 동일하다는 뜻입니다. 이전 연구나 공학 규격에서 알려진 특정 비가 있다면, 엄격한 동일성을 검정하는 대신 데이터가 그 기대 비와 일치하는지 검정하기 위해 여기에 입력할 수 있습니다.
  • Alternative Hypothesis: 검정의 방향, 즉 탐지하려는 대상을 정의합니다. 기본 옵션은 다음과 같습니다.
  • Ratio ≠ Hypothesized Ratio - 양측 검정이며, 어느 방향의 분산 차이든 탐지한다는 뜻입니다(한 집단이 다른 집단보다 클 수도 작을 수도 있음). 어느 집단의 분산이 더 커야 하는지에 대한 사전 기대가 없는 대부분의 경우에 적절한 선택입니다.
  • Summary Plot: 활성화하면 각 집단의 분산 또는 표준편차 추정값과 그 신뢰구간을 보여 주는 요약 차트를 표시합니다. 이를 통해 집단 간 산포가 어떻게 비교되는지, 신뢰구간이 겹치는지를 빠르게 시각적으로 파악할 수 있으며, 구간이 겹치면 분산이 같을 수 있음을 시사합니다.
  • Individual Value Plot: 활성화하면 각 집단의 개별 데이터 점을 세로로 그려서 표시합니다. 이를 통해 각 집단 내 원 데이터의 전체 분포와 산포를 보고, 특이한 관측값이나 특이치를 식별하며, 검정 결과를 해석하기 전에 분산 추정값의 바탕이 되는 실제 데이터를 이해할 수 있습니다.
  • Histogram: 활성화하면 각 집단의 데이터 도수 분포를 보여 주는 히스토그램을 표시합니다. 각 집단의 분포 형태를 시각적으로 평가하는 데 유용하며, 특히 어떤 분산 검정(Bartlett, Levene 또는 Bonett)이 가장 적절한지 결정하기 전에 데이터가 근사적으로 정규분포를 따르는지 확인하는 데 쓸모가 있습니다.
  • Box Plot: 활성화하면 각 집단의 중앙값, 사분위 범위, 특이치를 보여 주는 상자 그림을 표시합니다. 상자 그림으로 각 집단의 산포와 중심을 동시에 쉽게 시각적으로 비교할 수 있으며, 상자가 눈에 띄게 넓은 집단은 변동성이 더 크다는 뜻으로 공식 검정 전후에 유용한 시각적 점검입니다.

자주 묻는 질문

등분산 검정이란 무엇입니까?

등분산 검정은 둘 이상의 집단이 같은 정도의 변동성을 가지는지 확인하는 가설검정입니다. 평균을 비교하는 대신 분산 또는 표준편차가 집단 간에 통계적으로 일관되는지 확인합니다. ANOVA, 2-표본 t 검정, 회귀분석처럼 등분산을 가정하는 도구의 선행 조건입니다.

Bartlett 검정과 Levene 검정 중 무엇을 사용해야 합니까?

데이터가 정규분포를 따르면 정규성 하에서 검정력이 가장 높은 Bartlett 검정을 사용합니다. 데이터가 정규분포가 아닐 수 있으면 비정규성에 더 강건한 Levene 검정이나 Bonett 검정을 사용합니다. F 검정은 정규 데이터로 정확히 두 집단을 비교할 때 사용합니다.

등분산 검정은 어떻게 해석합니까?

유의수준(일반적으로 0.05)보다 낮은 p-값은 적어도 한 집단의 분산이 유의하게 다르다는 것을 나타냅니다. 유의한 결과를 무시하지 말고 진행하기 전에 분산이 같지 않은 원인을 조사하십시오. 요약 그림에서 신뢰구간이 겹치면 분산이 같을 수 있음을 시사합니다.

등분산 검정에는 표본이 몇 개 필요합니까?

신뢰할 수 있는 분산 추정을 위해 집단당 관측값 20개 이상을 권장합니다. 집단당 5개 미만이면 분산 추정을 신뢰할 수 없으므로 검정하기 전에 더 많은 데이터를 수집하십시오. 데이터는 연속형이어야 하며, 계수형 데이터에는 대신 카이제곱 검정이나 비율 검정을 사용하십시오.