심리학 연구 표본 크기/참가자 수 계산하기 (with G*Power)

power analysis with G*power

 

심리학에서 데이터를 수집하기 전, 적절한 통계 방법을 선택하고 최적의 표본 크기를 계산하는 것은 연구의 성패를 좌우하는 중요한 요소이다. 표본 크기가 충분하지 않으면 얻은 결과가 통계적으로 유의미한지 여부를 결정하기 어려울 수 있으며, 관찰된 차이가 우연에 의한 것인지, 실제로 효과가 있는지를 신뢰할 수 없다. 따라서 이번 글에서는 G*Power를 이용하여 어떻게 표본 크기/참가자 수를 계산할 수 있는지 알아보고자 한다.

 

G*Power란?

G*power 프로그램은 독일 뒤셀도르프 대학(Heinrich Heine Universität Düsseldorf)에서 개발한 통계 프로그램으로, 통계적 분석(correlation/Exact, t, F, chi-square, and z test 지원)을 위한 효과크기나 적정 표본수를 결정하기 위해 사용할 수 있다. 

•  버전: 3.1.9.7 
• 기본 언어: 영어
• 무료 사용 가능

학술 논문을 위해 사용할 경우, 버전에 맞는 출처를 기입하는 것이 좋다. 

▶ ▶ G*Power 다운로드 하기 

https://www.psychologie.hhu.de/arbeitsgruppen/allgemeine-psychologie-und-arbeitspsychologie/gpower

Universität Düsseldorf: G*Power

 

G*Power를 이용해 적정 표본 크기 계산하기

표본 크기를 계산하기 이전에, 자신의 연구 모델과 디자인이 결정되어 있어야 함은 당연하다. 

g*power 구성 및 사용방법

1 단계 : 실험 방법 선택하기

연구를 시작할 때 가장 중요한 결정 중 하나는 사용할 통계적 테스트 방법을 선택하는 것이다. 연구 모델에 따라서 어떤 통계방법을 이용할 것인지 달라지며, 여러 옵션 중에서 적절한 테스트를 선택하는 것은 연구의 정확성과 타당성에 큰 영향을 미친다. 먼저 Test family, Statistical test, Type of power analysis를 선택할 수 있는 부분을 살펴보자 (그림에서 숫자 1). 

• Test family: t-test, f, chi-suare 등 통계 방법 큰 범주 선택
• statistical test: 그룹이 어떻게 나누어졌는지, 어떤 효과를 조사할 것인가에 따라 구체적인 방법 선택
•  Type of power analysis: 사전 표본 크기를 구하는 것이므로, A priori: Compute required sample size [...] 선택

자주 사용되는 몇 가지 통계 방법은 다음과 같다. (G*power: Test family → statistical test)

독립 표본 t-검정: 두 독립된 그룹 간의 평균 차이를 비교하는 데 사용

• t-tests → Means: Difference between two independent means (two groups)

일원배치분산분석; one-way ANOVA 한 개의 요인(2그룹 이상 간)이 결과에 치는 차이 비교

• F-tests → ANOVA: Fixed effects, ominbus, one-way

이원배치분산분석; two-way ANOVA 두 개 이상의 요인이 결과에 미치는 영향을 파악하는 데 사용

• F-tests → ANOVA: Fixed effects, special, main effects and interactions

다변량분산분석 (MANOVA) 2개 이상의 종속 변수에 대한 그룹 간의 차이 파악

• F-tests → MANOVA: Global effects

다중 회귀분석 여러 독립 변수가 종속 변수에 미치는 영향을 조사

• F-tests → Multiple linear regression: Fixed model, R2 deviation from zero

 

2 단계 : 파라미터(Parameter) 입력하기

선택한 테스트에 적절한 파라미터를 입력하는 것은 연구의 정확성을 보장하는 데 중요하다  (그림에서 숫자 2). 

• 예상 효과 크기 (Effect size): 일반적으로 이전 연구에서 얻은 정보나 관례적인 값으로 설정할 수 있다. 관련 연구가 없는 경우 G*Power에서 제시된 효과크기를 참고(마우스 오버 시 볼 수 있음)하거나 구글링으로 적절한 효과 크기(cohen's d 등)를 찾을 수 있다. Small, medium, large 효과 크기 중 원하는 수준을 선택할 수 있으며, 보통 medium을 사용한다.
• 유의수준(alpha error probability): 일반적으로 0.05 선택한다.
• 원하는 최소 검정력 (Power): G*Power의 기본 설정은 0.95로 되어있지만, 그 대신에 0.80과 같이 보다 관대한 값으로 설정할 수 있다. 

필요한 경우 기타 파라미터(통계 검정에 따라 추가 필드가 있을 수 있음)를 추가해야 한다. 예를 들어 다음과 같은 값들을 지정하도록 되어있다.

• t-tests: 각 샘플 수의 비 (대략 동일한 값을 원하면 1 기입), 양측/단측검정
• ANOVA: 그룹 수 
• MANOVA: 그룹 수, 종속 변수 

모든 필요한 파라미터들이 기입됐다면, calculate 선택하면, G*power에서 제안하는 최소 표본 크기 결과가 나온다 (그림에서 숫자 3). 

 

3 단계 : 최적 표본 크기 결정하기

하지만 데이터를 수집하고 나서 불성실한 응답자를 제외하거나 예상치 못한 이상치를 제거해야 하는 경우가 발생할 수 있다. 이를 고려하여 G*Power가 제안하는 최소 표본 수에서 보통 10–15%를 더 추가로 표본을 수집하는 것을 권장한다. 

실험 설계와 표본 크기 결정은 연구의 품질과 결과에 직접적인 영향을 미친다. 이렇게 적절한 프로그램을 사용해 필요한 표본크기를 미리 확인하고 그에 맞는 표본을 수집하는 것은 통계적으로 의미있는 결과를 얻을 뿐만 아니라 연구 비용을 최적화하고 연구의 타당성을 확보하는데 큰 도움이 된다.