통계는 표본을 통해 모집단을 이해하는 과학적 방법

연구 목적: 일반화와 의사결정

데이터 활용: 정리(기술) → 추론(검정)

표본의 대표성이 핵심

모집단: 정보 획득을 위해 관심 있는 전체 대상

표본: 조사 대상으로 채택된 일부

표본은 모집단에서 추출

표본에서 얻은 결과는 모집단에 일반화

통계치: 표본의 특성 (예: 표본평균 x̄, 표본비율 p̂)

모수치: 모집단의 특성 (예: 모평균 μ, 모비율 p)

목표: 통계치로 모수치 추정

표본 → 모집단 일반화의 핵심 연결고리

전수조사는 현실적으로 어려움 → 표본추출 필요

무작위추출로 대표성 확보

표집오차는 자연적 발생

표집 설계가 연구 품질을 좌우

정의: 데이터를 요약·범주화·단순화하는 통계적 절차

주요 지표: 빈도, 백분율, 평균, 표준편차

역할: 패턴 파악과 시각화(표·그래프)

정의: 표본을 바탕으로 모집단에 대해 일반화

방법: 추정(신뢰구간), 가설검정

기반: 표본분포, 표준오차, p값

의미: 통계치와 모수치 사이의 자연적 차이

표본 크기↑ → 표집오차↓

편향 표집은 체계적 오류 유발

설계·가중치로 보정 가능

영가설(H₀): 효과/차이 없음

대립가설(H₁): 연구자가 기대하는 효과/차이

검정의 대상은 H0

귀무가설을 기각해야 연구가설이 채택됨

연구문제의 잠정적 해답으로 명확하게 제시

검정 가능하고 측정 가능한 형태로 구성

방향성 가설(단측) vs 비방향성 가설(양측)

연구 설계와 분석 방법 선택을 안내

유의수준(α): 1종 오류를 허용하는 수준

신뢰구간(CI): 모수의 추정 범위

95% CI 해석: 동일 절차 반복 시 95% 구간이 모수를 포함

α와 CI의 관계: α가 작을수록 CI는 넓어짐

설문조사: 대규모 표본 대상, 표준화된 문항

인터뷰: 심층 정보 획득, 반구조화 방식

실험조사: 인과관계 추론, 통제된 환경

윤리: 동의서, 익명성, 보안 유지 필수

RAW data를 분석 가능한 형태로 정리하는 과정

결측치, 이상치, 중복 데이터 처리

파일 통합 및 형식 통일

데이터 가공, 정리, 핸들링

코딩 수정과 일관성 점검: 데이터 표준화 및 오류 검증

역코딩 적용: 부정문항이나 반대 개념을 정방향으로 변환

변수 계산/추가: 새로운 변수 생성 및 기존 변수 변환

범주화 및 다중응답 처리: 데이터 구조화 및 통합

기술통계: 빈도, 백분율, 평균, 표준편차로 데이터 요약

상관분석: 두 변수 간 선형 관련성 측정 (r값, p값)

신뢰도: 측정의 일관성 (Cronbach's α, 0.7 이상 기준)

기초분석: 변량 탐색→관계 파악→측정 신뢰성 확인

요인분석: 자료의 구조를 밝히기 위해 문항 or 변수들 간의 상호관계를 분석

탐색적 요인분석(EFA): 자료의 구조를 발견하는 접근

확인적 요인분석(CFA): 이론적 구조를 검증하는 접근

의미코딩: 개방코딩(1차) → 축코딩(2차) → 선택코딩(3차)의 단계적 과정

질적·양적의 상보적 활용으로 통합적 분석 가능

Z검정: 대표값 비교(표본크기 큰 경우)

t검정: 평균 비교(표본크기 작은 경우)

분산분석(ANOVA): 3개 이상 집단 비교

전제: 정규성·등분산 만족 필요

사후검정과 효과크기 보고 필수

상관분석: 두 변수 간 선형 관련성 측정 (피어슨, 스피어만)

회귀분석: 독립변수가 종속변수에 미치는 영향력 분석

경로분석: 변수들 간의 인과관계 경로를 모델링

구조방정식모형(SEM): 복잡한 인과관계를 동시에 분석

정렬: 데이터를 원하는 기준으로 순서대로 배열하여 탐색 효율화

필터링: 조건에 맞는 데이터만 선택하여 빠른 분석 가능

조건부 서식: 조건에 따라 셀 색상 변경, 이상치 시각적 강조

슬라이서: 표/피벗테이블과 연계한 인터랙티브 필터링 도구