# 효과 크기

## 개요

**효과 크기**(Effect Size)는 통계학에서 두 집단 간의 차이, 변수 간의 관계, 또는 실험적 처치의 효과를 정량적으로 나타내는 척도이다. 통계적 유의성 검정(예: *p*-값)이 단지 "결과가 우연일 가능성이 낮은가?"를 묻는 데 그친다면, 효과 크기는 "그 결과가 실제로 얼마나 중요한가?"에 대한 답을 제공한다. 즉, 효과 크기는 연구 결과의 **실질적 의미**(practical significance)를 평가하는 데 핵심적인 역할을 한다.

효과 크기는 실험 설계, 메타 분석, 표본 크기 산정, 연구 결과의 해석 등 다양한 분야에서 널리 사용되며, 특히 과학적 연구의 재현성과 신뢰성 강화를 위해 필수적인 요소로 간주된다.

---

## 효과 크기의 중요성

전통적인 통계 분석에서는 *p*-값을 중심으로 결과를 해석하는 경향이 있었다. 그러나 큰 표본을 사용하면 아주 미세한 차이도 통계적으로 유의미하게 나타날 수 있으며, 반대로 작은 표본에서는 실제로 중요한 효과가 통계적으로 유의하지 않게 나타날 수 있다. 이러한 문제를 보완하기 위해 효과 크기는 다음과 같은 장점을 제공한다:

- **결과의 실질적 중요성 평가**: 통계적 유의성과 관계없이 효과의 크기를 직접 비교할 수 있다.
- **다양한 연구 간 비교 가능**: 서로 다른 표본 크기나 측정 척도를 사용한 연구 간에도 효과 크기를 기준으로 통합 분석이 가능하다.
- **메타 분석의 기초 자료**: 메타 분석에서는 각 연구의 효과 크기를 통합하여 종합적인 결론을 도출한다.
- **표본 크기 산정**(Power Analysis)에 활용: 효과 크기를 미리 가정함으로써 충분한 검정력을 확보하기 위한 표본 수를 계산할 수 있다.

---

## 주요 효과 크기 지표

효과 크기는 분석 목적과 자료 유형에 따라 다양한 형태로 계산된다. 아래는 가장 널리 사용되는 효과 크기 지표들이다.

### 1. **코헨의 *d*** (Cohen’s *d*)

두 독립 집단 간의 평균 차이를 표준편차로 나눈 값으로, **표준화된 평균 차이**를 나타낸다.

\[
d = \frac{\bar{X}_1 - \bar{X}_2}{s}
\]

여기서 \(s\)는 통합 표준편차(pooled standard deviation)이다.

- 해석 기준 (Cohen, 1988):
  - \(d = 0.2\): **작은 효과**
  - \(d = 0.5\): **중간 효과**
  - \(d = 0.8\): **큰 효과**

> 예: 새로운 학습법을 적용한 집단과 기존 학습법을 사용한 집단의 시험 성적 차이를 비교할 때 사용.

### 2. **에터의 제곱**(Eta-squared, \(\eta^2\))

일원배치 분산분석(ANOVA)에서 집단 간 변동이 전체 변동에서 차지하는 비율을 나타낸다.

\[
\eta^2 = \frac{SS_{\text{집단 간}}}{SS_{\text{전체}}}
\]

- 해석: 0에서 1 사이의 값으로, 높을수록 독립변수가 종속변수에 더 큰 영향을 미침.
- 단점: 표본에 편향되어 과대추정될 수 있음 → **편제 에터 제곱**(partial \(\eta^2\)) 또는 **오메가 제곱**(\(\omega^2\))이 대안으로 사용됨.

### 3. **피어슨의 상관 계수 *r***

두 연속 변수 간의 선형 관계의 강도와 방향을 나타내며, 자체적으로 효과 크기로 사용된다.

- 범위: \(-1\)에서 \(+1\)
- 해석 기준 (Cohen):
  - \(|r| = 0.1\): 작은 효과
  - \(|r| = 0.3\): 중간 효과
  - \(|r| = 0.5\): 큰 효과

### 4. **오즈 비**(Odds Ratio, OR) 및 **위험 비**(Risk Ratio, RR)

범주형 자료(특히 2×2 분할표)에서 두 집단 간 사건 발생 비율의 차이를 나타냄.

- **OR**: 질병 발생의 오즈 비율
- **RR**: 발생 확률의 비율
- 메타 분석에서 자주 사용됨.

---

## 효과 크기의 해석 시 주의사항

- **맥락의 중요성**: Cohen의 기준은 일반적인 가이드일 뿐, 연구 분야(예: 임상심리 vs. 물리학)에 따라 효과의 중요성은 달라질 수 있다.
- **편향 보정**: 소표본에서는 효과 크기가 과대추정될 수 있으므로, **헤지의 *g*** (Hedges’ *g*)처럼 표본 크기에 보정을 가한 지표를 사용하는 것이 바람직하다.
- **신뢰구간 보고**: 효과 크기와 함께 **95% 신뢰구간**을 제시하면, 추정의 정밀도를 함께 평가할 수 있다.

---

## 활용 사례

- **임상 연구**: 신약의 효과를 평가할 때, 위약 대비 평균 점수 차이(*d*)를 보고.
- **교육학 연구**: 새로운 교수법의 성과를 기존 방법과 비교.
- **심리학 메타 분석**: 수백 건의 연구에서 보고된 효과 크기를 통합하여 종합적 결론 도출.

---

## 관련 문서 및 참고 자료

- Cohen, J. (1988). *Statistical Power Analysis for the Behavioral Sciences* (2nd ed.). Routledge.
- Lakens, D. (2013). Calculating and reporting effect sizes to facilitate cumulative science. *Frontiers in Psychology*, 4, 863.
- Kelley, K. (2007). Confidence intervals for standardized effect sizes: Theory, application, and implementation. *Journal of Statistical Software*.

> 효과 크기는 단순한 수치를 넘어서, 과학적 담론의 투명성과 재현성을 높이는 핵심 도구이다. 연구 결과를 보고할 때 *p*-값과 함께 효과 크기를 반드시 제시하는 것이 현재 과학계의 표준으로 자리 잡고 있다.