생각보다 어렵지 않아

프로세스(PROCESS) 모델 1번

EPIK. — Mon, 8 Jul 2024 14:57:58 +0900

자 오늘부터 프로세스 모델 넘버순으로 차근차근 살펴보려고 해요.

버전별로 모델 넘버가 달라질 수 있으니 참고하시고, 제가 사용하는 버전은 4.2입니다.

오늘 다룰 모델 1번은 아래 그림과 같아요.

하나의 조절변수가 X → Y에 영향을 미치는지 볼 때 사용하는 모델이네요.

우리가 조절변수의 영향을 볼 때 어떻게 계산하죠? Interaction term, 즉 상호작용항을 만들어서 회귀식에 넣죠?

즉, X가 독립변수, Y가 종속변수, M이 조절변수일 때,

Y = a + b1X + b2M + b3XM

위의 회귀식을 통해서 우리는 조절변수의 영향이 있는지 알아볼 수 있어요.

PROCESS도 이와 같은 회귀식을 이용해서 분석을 해요.

SPSS 데이터 파일 열어놓으셨죠?

PROCESS 설치는 하셨나요?

안하셨다면 아래 포스팅 보시고 설치 먼저 하시고요.

PROCESS 설치 [업데이트]

[통계 이야기/PROCESS] - PROCESS 설치 [구버전] PROCESS 설치PROCESS는 쉽게 말하면 복잡한 매개 분석이나 조절 분석 등을 쉽게 해주는 툴이라고 생각하면 돼요. 상당히 유용하면서, 신뢰도 높고, 다소 정

study-easy.tistory.com

PROCESS 세팅

분석(Analyze) → 회귀분석(Regression) → PROCESS로 가시면 다음과 같은 창이 떠요.

오늘 사용할 변수는 DP(종속변수), MOD(조절변수), IND(독립변수)예요.

각각의 변수를 알맞게 넣어볼게요.

PROCESS에서는 조절변수가 W로 표현이 되니 참고하세요.

만약에 통제변수가 있다면 Covariate(s)에 넣어주시면 돼요.

왼쪽부터 차근차근,

오늘 사용할 Model number는 1번이예요.

위에서 말한것처럼 1번은 조절변수가 1개인 모델이예요.

Confidence intervals, 즉 신뢰구간은 95로 해주세요.

p값 비슷한거라고 생각하시면 돼요.

Numver of bootstrap samples는 특별한 이유가 있지 않으면 5,000개로 하시면 돼요.

Bootstrapping이란건 내가 갖고 있는 데이터에서 표본을 추출하는 거예요. 즉, 5,000개의 뜻은 내 데이터에서 5,000개의 표본을 추출한다는 의미예요.

결론적으로는 왼쪽에서는 model number만 원하는 숫자를 골라주시면 돼요.

오른쪽으로 가면 Options, Multicategorical, 그리고 Long variable names 이 세가지 메뉴가 있죠?

먼저 Options을 볼게요.

뭐가 많죠?

저걸 다 설명하기 보다는 일단 오늘 필요한 것들만 설명해볼게요.

Generate code for visualizing interactions

말 그대로 interaction을 시각화할 수 있는 코드를 생성해주는 거예요.

이 부분은 나중에 결과창을 보면서 더 얘기해볼게요.

Decimal places in output

소수점 몇째자리까지 볼지 선택하시면 돼요.

Mean center for construction of products

centering에 관한거예요. Centering은 각 변수에서 평균값을 빼주는거예요. 각각의 관측된 값이 평균에서 얼마나 떨어져있는지를 나타내줘요. 이 부분에 대한 자세한 내용은 검색하시면 충분히 나올거예요.

All variables that define products 는 필요한 변수 모두 centering 시켜줘요. 현재 모델에서는 독립변수와 조절변수.

Only continuous variables that define products 는 범주형(categorical)변수는 제외하고 centering 해줘요. 만약 변수들이 모두 연속형이라면 어떤걸 선택해도 같은 결과가 나와요.

Probe interactions

나중에 상호작용항이 유의미하게 나오면 probing이란걸 하게되요. 여기서는 언제 이 probing을 하겠냐 를 물어보고 있어요.

Conditioning values

이건 조절변수가 어떤 값일때 X → Y 를 보여줄까를 물어보는 거예요.

예를 들어, -1SD, Mean, +1SD를 선택하면 조절변수가 -1SD일때 X → Y, 평균일때 X → Y, +1SD일때 X → Y를 각각 보여줘요.

Johnson-Neyman output

이건 조절 변수가 특정 값일 때 독립 변수의 효과가 유의하게 달라지는 지점을 확인하는 데 사용할 수 있어요. 나중에 결과값 보면 이해되실거예요.

자, 저의 세팅은 다음과 같아요.

조절효과를 분석할 때 centering은 필수라고 생각하는 분들이 계신데 그렇지 않아요. 하면 괜히 결과 해석만 헷갈려져요.

필요하면 하고, 딱히 이유가 없으면 하실 필요 없어요.

Continue 눌러주시고,

그 다음에는 Multicategorical이 있어요.

누르면 다음과 같은 창이 떠요.

만약 변수 중에 범주형(categorical) 변수가 있다면 여기서 설정해줘야해요.

오늘 보여드릴 예시는 전부 연속형이라 이 부분은 세팅할 필요는 없어요.

근데 만약 갖고 계신 데이터에서 조절변수가 범주형이라면, Variable W에서 Multicategorical에 체크를 해주시고 Coding system에서 알맞은 종류 선택하시면 돼요.

Multicategorial 아래에는 Long variable names가 있어요.

만약 변수 이름이 길다면 I accept the risk of incorrect output. 이 부분에 체크를 하셔야 돼요.

PROCESS에서는 변수 이름의 8글자를 사용하나봐요.

만약 두 변수의 이름이 비슷해서 앞 8글자가 같다면 부정확한 결과가 나올 수 있는 것 같아요.

따라서 만약 변수명이 길다면 저기에 체크해주시고, 긴 변수 이름들이 비슷하다면 바꿔주세요.

저는 다 짧으니 체크할 필요가 없겠죠?

자 이대로 돌려줄게요.

결과 분석

자 결과를 차근차근 볼까요?

Model 1번으로 돌렸고, 종속변수는 DP, 독립변수는 IND, W로 표시되는 조절변수는 MOD네요.

전체 샘플 사이즈는 172개고요.

그 아래는 조절효과 분석을 위한 다음과 같은 회귀식 분석 결과예요.

Y = a + b1*IND + b2*MOD + b3*Int_1

여기서 중요한 건 Int_1의 결과죠?

조절 변수의 영향 여부는 상호작용항(interaction term)이 유의한지에 달려있어요.

Int_1은 IND x MOD, 즉 상호작용항이고, 이 부분의 p값은 .003이예요.

그리고 옆에 LLCI 그리고 ULCI는 95% 신뢰구간에서 0을 포함하고 있지 않아요. Lower level (.25) 에서는 .0727 그리고 upper level (.975)에서는 .3492 이라는 의민데 다 빼고, 저 두 값 사이에 0을 포함하지 않으면 (95% 신뢰구간에서) 유의하다 라고 말할 수 있어요.

따라서 결론적으로는 조절효과가 있다는거죠.

조절효과가 있으면 사실상 독립변수인 IND의 영향이나 조절변수인 MOD의 영향은 의미가 없어요.

조절효과가 있으면 무조건 simple slope분석을 해야해요.

만약에 상호작용항이 유의하지 않다면 main effects, 즉 IND와 MOD의 영향을 해석하시면 돼요.

여기서는 상호작용항이 유의하기 때문에 simple slope (=simple effect, conditional effects, etc.) 분석으로 넘어갈거예요.

Probing

아래 결과를 보시면 conditional effects라고 하고 있어요.

이게 simple effects (slopes)예요.

Options에서 -1SD mean +1SD로 설정을 바꿨기 때문에, 조절효과의 낮은 값(2.0762)은 저 변수의 -1SD 값이고 높은 값(3.9277)은 +1SD 값이예요. 중간값(3.0019)은 평균값이고요.

보시면 MOD 값이 낮을 때(2.0762) p값(=.0000)이 유의한거 보이죠? 즉, MOD가 낮을 때, IND가 DP에 영향을 미친다고 할 수 있어요. Effect가 음수이기 때문에 음의 방향으로, 즉 부정적인 영향을 준다고 말하면 되겠네요.

MOD의 평균 값이나 높은 값 역시 p값이 .05 수준에서 유의해요.

근데 조절효과가 있다는 의미는 뭔가요? MOD가 변화함에 따라서 IND가 DP에 주는 영향이 바뀐다는 거잖아요?

여기서 나타난 결과는 MOD가 변화함에 따라서 IND가 DP에 주는 영향의 크기가 유의하게 바뀌고 있다는 거예요. 즉, MOD가 높아질수록 IND가 DP에 미치는 영향이 약해지고 있죠. 반면에 만약 상호작용항(Int_1)이 유의하지 않았다면 MOD가 변화해도 IND가 DP에 미치는 영향이 달라지지 않는다고 해석해야겠죠.

그 다음에 나타나는 Johnson-Neyman (JN) output을 봐볼까요?

이건 독립변수랑 종속변수간의 관계 변화를 조절변수 관점에서 보여주는 거예요.

가장 왼쪽이 조절변수(MOD) 값이예요. 조절변수 값이 점차 커짐에 따라, p값이 유의하다가 점점 커지는거 보이시나요?

그러다가 MOD값이 3.9930 이후에는 p값이 .05 수준에서 유의하지 않아지게 돼요.

이 뜻은 MOD값이 1부터 3.9930 사이에서는 IND가 DP에 미치는 영향이 유의한데 그 이후에는 유의하지 않다는 의미예요. 이렇게 조절변수의 값에 따라서 독립변수가 종속변수에 미치는 영향의 유의성 영역을 보여줘요. 별로 어려운건 아니죠?

Visualization. 그래프 만들어 보기

Options 에서 visualization을 위한 code 만들기에 체크했었죠?

그럼 다음과 같은 결과값이 떠요.

이걸 모두 복사하시고 SPSS에서 syntax창을 열어주세요.

그럼 syntax창이 뜰거예요.

여기다가 다음과 같이 붙여넣기 해주세요.

자, 여기서 모두 선택한 다음 위에 보이는 Run Selection 버튼을 눌러주세요.

그럼 다음과 같은 그래프가 나올거예요.

*참고로 이 그래프는 참고용으로만 쓰세요. 논문에 들어갈 그래프는 위의 값을 이용해서 새롭게 만들어주세요. SPSS 결과 표나 그래프를 논문에 그대로 쓰면 안돼요.*

이게 개인적으로는 선 없이는 그래프가 헷갈리더라고요. 그래서 저는 주로 선을 그어줘요.

저 표를 더블클릭 하시고 아래 사진에 표시된 곳을 클릭하시면 자동으로 선이 추가돼요.

저 Add interpolation line을 누르면 팝업창이 하나 뜨는데 그냥 닫아주시면 돼요.

자, 이렇게 그래프로 보니 좀 더 명확하죠?

1. 상호작용항이 p값 .05 수준에서 유의했어요.

2. 그래서 simple effects를 봤더니 조절변수가 커질수록 IND가 DP에 미치는 영향이 약해졌어요.

3. 그래프를 보니 MOD가 낮을때(2.08, 파란색) 회귀선의 기울기가 MOD가 높을때(3.93, 초록색)보다 훨씬 가파르죠.

이렇게 하면 PROCESS model 1을 이용한 조절 효과 분석이 끝나요.

다음에는 model 2로 돌아올게요.

PROCESS 설치 [업데이트]

EPIK. — Mon, 1 Jul 2024 18:03:20 +0900

[통계 이야기/PROCESS] - PROCESS 설치 [구버전]

PROCESS 설치

PROCESS는 쉽게 말하면 복잡한 매개 분석이나 조절 분석 등을 쉽게 해주는 툴이라고 생각하면 돼요. 상당히 유용하면서, 신뢰도 높고, 다소 정확하며, 쉬워요. 거기다 공짜! 계속해서 업데이트 되

study-easy.tistory.com

[통계 이야기/PROCESS] - PROCESS 기본 (GUI)

PROCESS 기본 (GUI)

이제부터 차근차근 PROCESS에서 다룰 수 있는 분석들을 살펴볼거예요. 그 전에 PROCESS 를 이용해 분석을 할 때 설정을 어떻게 해주고, 각각이 뭘 의미하는지 알아볼게요. [통계 이야기/PROCESS] - PROCESS

study-easy.tistory.com

예전에 PROCESS 설치 방법 등을 포스팅 했었는데 최근에 업데이트하러 가보니 설치 방법이 약간 바꼈더라고요.

현재는 버전 4.3이고, 이 최근 버전을 다운로드 및 SPSS에 적용 방법을 알아볼겍요.

버전에 알맞는 레퍼런스 반드시 다시는 것 잊지 마시고요!

PROCESS 다운로드

아래 사이트 들어가세요.

https://processmacro.org/download.html

Download

PROCESS operates on both Windows and Mac versions of SPSS and SAS. PROCESS for SPSS requires SPSS version 19 or later but works best on versions 22 and above. PROCESS for SAS requires PROC IML....

processmacro.org

아래로 쭉 내려가면 다음과 같은 박스가 보일거예요.

여기서 Download from the Resource Hub at CCRAM 박스를 클릭하세요.

그러면 다음과 같은 사이트로 이동합니다.

제가 표시해둔 Resource Hub 탭 보이시죠?

거기로 들어가세요.

들어가서 아래로 내려가다 보면 다음과 같은 화면이 보일거예요.

표시해둔 것 처럼 Download PROCESS v4.3을 클릭하시면 압축 파일이 자동으로 다운로드 될 거예요.

다운로드 받으시고 압축을 풀어주세요.

그럼 이런 파일들이 보일거예요.

이 다음은 전에 포스팅 했던 방법과 같지만 반복해서 설명해볼게요.

PROCESS를 SPSS에 설치하기

SPSS에 들어가서 아래와 같이 Extensions → Utilities → Install Custom Dialog 로 들어가주세요.

(참고로 SPSS는 영어로 사용해야 오류가 덜 생기더라고요.)

압축을 푼 폴더로 찾아 들어가세요.

PROCESS vx.x (현재는 4.3) for SPSS -> Custom dialog builder file -> process.spd

저 process.spd 파일을 열어주면 자동으로 설치가 돼요.

설치가 다 되면 다음과 같은 메세지가 떠요.

그리고 분석(Analyze)에서 Regression으로 가 보면 다음과 같이 PROCESS가 설치되어 있는걸 볼 수가 있어요.

이 외에도 다른 업데이트 사항이 있나 살펴보고 필요하다면 새롭게 포스팅 하도록 할게요 :)

중심화 경향이 뭘까?

EPIK. — Mon, 21 Dec 2020 14:38:12 +0900

통계 기초에 관해 공부하다 보면 central tendency (중심화 경향)라는 말이 나와요. 이게 뭘까요?

예를 들어서, 시험에서 80점을 맞았다고 해봐요. 잘 본걸까요 못 본걸까요? 그 시험을 본 사람들이 대체로 몇 점을 맞았는가에 따라서 기본적인 비교가 가능하겠죠? 중심화 경향은 어떠한 데이터를 대표하는 값을 구하는 거예요. 대표적으로는 산술평균, 중앙값, 최빈값이 있어요.

Mean (평균, 주로 산술평균 arithmetic mean)

가장 친근한게 이 평균값이죠? 평균값은 모든 수치를 더한 후 자료의 개수로 나눠줘요. 데이터가 {1, 2, 3} 이라면 평균값은 (1+2+3)/3 이게 평균값이예요.

이 평균값은 균형점이라고 생각하면 좋아요.

이렇게 균형을 잡고 있는데 데이터 하나가 추가되면서 16에 하나가 증가했다고 생각해봐요. 그럼 균형이 오른쪽으로 기울겠죠? 다시 평평하게 균형을 맞추기 위해서는 균형점이 오른쪽으로 옮겨가야 해요. 직관적으로 생각해보세요. 꽤 많이 가야겠죠?

Median (중앙값)

여기서 중앙값을 생각해봐요. 중앙값은 말 그대로 중앙에 있는 값이예요. {1, 2, 3}의 중앙값은 2예요. {1, 2, 3, 4}의 중앙값은 2.5예요. 수식을 사용한다면 (2+3)/2 이게 중앙값이예요. 데이터의 수가 짝수인 경우에는 중앙에 두 값이 있으니 이 두 값의 평균이 중앙값이 되는거예요.

그럼 중앙값이 2.5일 때, 추가된 데이터가 16이라고 해봐요. 그럼 우리는 {1, 2, 3, 4, 16}이라는 데이터를 갖고 있죠? 중앙값은 3이 되겠네요. 위의 평균값과 비교해보면 어떤가요? 같은 16이라는 수치가 추가되었는데, 평균값의 경우는 꽤 많이 움직여야 하지만 중앙값의 경우는 겨우 0.5가 움직였어요. 즉, 데이터에 이상치(outliers)가 있는 경우에 평균값은 이에 항상 영향을 많이 받고, 중앙값은 대체로 적은 영향을 받아요.

여기서 조금 더 생각해보세요.

데이터를 쭉 나열했을 때, 왼쪽에 데이터가 주로 모여있고 오른쪽 저 끝에 데이터가 찔끔 찔끔 보여요. 이렇게요.

오른쪽 끝에 있는 수치들이 이상치들이죠? 그럼 평균값은 균형을 맞추기 위해 이 이상치들을 많이 쫓아가게 돼요. 하지만 중앙값은 이에 영향을 덜 받죠. 따라서 데이터가 위와 같이 오른쪽으로 꼬리가 달려 있다면, 평균값이 중앙값보다 더 오른쪽에 위치해요. 그럼 만약 왼쪽으로 꼬리가 달려 있다면요? 그럼 왼쪽으로 이상치가 더 많이 있다는 말이고, 평균값은 중앙값보다 더 왼쪽에 위치하겠죠?

Mode (최빈값)

최빈값은 가장 빈도가 많은 포인트를 말해요. 위의 그래프에서 가장 위로 솓아있는 부분 있죠? 저 피크가 가장 빈도가 많은 포인트예요(y축이 빈도). 피크가 하나인 경우를 uni-modal 이라고 하고, 두 개면 bimodal, 혹은 그 이상이면 multimodal이라고 부르는데 뭐 이건 별로 중요하지 않고.

이 최빈값은 언제 사용할 수 있을까요? 데이터의 척도가 명목척도 일 때 가장 쓸모가 있어요. 한국인이 좋아하는 음식들을 조사한 후 이를 대표하는 값을 도출하려고 해요. 1=김치찌개, 2=된장찌개, 3=치킨, 4=족발/보쌈, 5=자장면 등등이 있어요. 평균을 냈더니 3.5가 나왔어요. 의미가 전혀 없죠? 중앙값을 냈더니 3이 나왔어요. 이 역시 아무런 의미가 없어요. 이 중 오로지 최빈값만이 이를 가장 대표하는 값이예요.

중앙값은 서열 척도를 사용했을 때 사용하기 좋아요. 일단 서열 척도의 경우에는 산술평균값은 의미가 없어요. 최빈값을 사용할 수 있지만 중앙값이 더 많은 정보를 줄 수 있어요. 그리고 비록 서열 척도가 아니더라도 이상치가 많거나 어느 한 쪽으로 많이 치우쳐진 데이터를 분석할 때 사용하면 좋아요.

마지막으로 평균값(산술평균값)은 데이터가 등간/비율 척도일 경우 그리고 이상치가 많지 않은 경우 사용하면 해당 데이터를 잘 대표하는 값을 얻을 수 있어요.

만약 각 척도의 특징 구별이 잘 안된다면 가볍게 이 전 포스팅도 읽어보세요.

[통계 이야기/통계 기초(기술통계->추리통계)] - 척도 이제는 이해하고 넘어가자

이번 포스팅은 어떤 값이 데이터를 대표(중심)할 수 있는지에 대한, 즉 중심화 경향에 대해 알아봤어요. 다음 포스팅은 데이터 값들이 얼마나, 어떻게 퍼져있는지에 대해 생각해볼거예요.

도움이 됐다면 커피 한 잔 사주시면 감사하겠습니다^^

EPIK is 어려운 지식을 가능한 한 쉽게 공유하는 곳이예요 :)

Hey I just created a page here. You can now buy me a coffee!

www.buymeacoffee.com

척도 이제는 이해하고 넘어가자

EPIK. — Mon, 21 Dec 2020 06:15:58 +0900

제 머리속에는 척도가 마치 고등학교 수학의 행렬 같은 존재라고 인식되어 있어요. 언제나 헷갈려서 항상 여기로 돌아오고, 기초를 공부할 때 척도가 챕터1 같은 느낌이예요. 이제 다시는 돌아오지 말아요!

Nominal (명목)

우리한테 포도 한 송이와 사과 한 개, 그리고 바나나 한 개가 있다고 해봐요. 이 과일을 수치와 하려고 포도=1, 사과=2, 바나나=3 이렇게 바꿨어요. 각각의 숫자들은 이제 단 하나의 의미만 가지고 있어요. 1은 포도 2는 사과 3은 바나나. 2가 1보다 큰가요? 1+2=3 인가요? 아니죠? 사과(2)가 포도(1)보다 클 수도 있고 작을수도 있고, 포도(1)+사과(2)=바나나(3)는 절대 아니죠? 명목척도에서는 숫자들에 크기나 순서 이런 것들이 전혀 없어요. 따라서 이 숫자들을 더하거나 빼거나 곱하거나 나누거나 이런 것들은 전혀 의미가 없죠.

Ordinal (서열)

서열척도는 말 그대로 숫자에 서열이 있는거예요. 포도, 사과, 그리고 바나나의 당도 순위를 매겨봅시다. 가장 단 바나나를 1번, 포도 2번, 그리고 가장 달지 않은 사과를 3번이라고 해봐요. 즉, 바나나가 당도가 1위고 사과의 당도를 3위로 했어요. 그럼 당도에 한해서 1>3, 2>3, 1>2 이런 비교가 가능하죠? 하지만 바나나와 포도 당도의 차이가 사과와 포도 당도의 차이와 같을까요? 수식으로 하면 1-2=2-3 이게 성립이 될까요? 서열척도내에서는 절대 몰라요. 단순히 순위를 매긴 척도이기 때문에 1등과 2등간의 차이는 0.0000001이지만 2등과 3등간의 차이는 100000 일수도 있어요.

Interval (등간)

등간척도는 같을 등, 사이 간이예요. 1, 2, 3이라는 숫자가 있으면 1과 2사이의 거리가 2와 3사이의 거리와 같다는 뜻이예요. 예를 들어, 내가 어제 사과를 먹었고, 오늘 사과를 먹은 같은 시각에 바나나를 먹을 것이고, 내일 같은 시각에 포도를 먹을 것이라고 해봐요. 그래서 임의로 사과를 먹은 시간을 0, 바나나를 먹을 시간을 1, 그리고 포도를 먹을 시간을 2로 표현했어요. 숫자가 1만큼 변화가 24시간인 거예요. 1=+24시간이고, 2=+48시간이예요. 따라서 2-1=1, 즉 +24시간이죠. 하지만 여기서 숫자 0은 진정한 의미의 0이 아니예요. 시간의 시작점을 의미하지, 시간이 0이라는 의미가 아니잖아요. 진정한 의미의 0은 아무것도 없는 거예요. 무게가 0이거나, 나이가 0이거나, 내가 소유한 물건이 0개이거나.

Ratio (비율)

이처럼 0이 진정한 의미를 갖을 때, 이를 비율척도라고 해요. 각각의 과일의 무게를 재서 나온 값들이 바로 이 비율척도가 되겠죠. 왜냐하면 무게의 0은 무게가 없다는 뜻이니까요. (중력 어쩌고 하지마요 ㅋㅋ)

도움이 됐다면 커피 한 잔 사주시면 감사하겠습니다^^

EPIK is 어려운 지식을 가능한 한 쉽게 공유하는 곳이예요 :)

Hey I just created a page here. You can now buy me a coffee!

www.buymeacoffee.com

추리통계? 기술통계?

EPIK. — Mon, 21 Dec 2020 05:42:45 +0900

이번 가을 학기 강의하면서 통계의 기초에 대한 공부를 다시 해봤어요.

이미 기초를 넘어선 분들이 많겠지만, 언제나 새롭게 시작하시는 분들이 있으니 이번에는 기초적인 부분을 끄적여볼게요.

Descriptive Statistics (기술 통계)?

기술통계(띄는게 맞는걸까요? 흠..)는 영어를 보면 쉬워요. Descriptive, 즉 어떤 데이터를 describe, 묘사하는 거예요. 현재 내가 갖고 있는 데이터를 요약하는 거라고 생각하면 돼요. 예를 들어, 100명의 응답을 모은 후 얼마나 많은 사람들이 현재 정권을 지지하는지 본다면 이건 기술 통계예요.

Inferential Statistics (추리 통계)?

추리통계는 추론을 하는거예요. 한국인 전체가 현재 정권을 얼마나 지지하는지 보려면 엄청난 돈과 시간이 들겠죠? 그래서 한국인 중 예를 들어 100명만 추려서 조사를 해요. 그리고 이 100명의 데이터를 이용해서 한국인 전체에 대한 태도를 추론 하는게 추리통계예요.

이 두 통계 방법을 구분하는데 있어서 가장 중요한 건 population (모집단)과 sample (표본집단)을 구분하는 거예요. 위의 예에서 한국인 전체가 우리의 모집단이고 한국인을 대표할 수 있는 100명의 집단이 표본집단이예요.

그리고 모집단에 대한 값을 parameter (모수)라고 하고, 표본집단에 대한 값을 statistic (통계량)이라고 해요.

다시 위로 돌아가서, 기술통계는 이 통계량을 구하는 것을 말하고 추리통계는 통계량을 통해서 모수를 추정하는 것을 말해요. 100명 중 50%가 현재 정권을 지지한다는 것은 통계량이며 여기까지는 기술통계 과정이예요. 100명 중 50%가 현재 정권을 지지하니 한국인 전체 인구 중 45%~55%는 95% 확률로 현재 정권을 지지할꺼야 라고 추정하는게 추리통계고요.

너무 한번에 깊게 들어가지 말고 기본 개념부터 차근차근 해나가보세요. 기술통계와 추리통계를 구분할 수 있고, 모집단/표본집단, 모수/통계량을 구분할 수 있다면 다음 스텝으로 넘어가보세요!

도움이 됐다면 커피 한 잔 사주시면 감사하겠습니다^^

EPIK is 어려운 지식을 가능한 한 쉽게 공유하는 곳이예요 :)

Hey I just created a page here. You can now buy me a coffee!

www.buymeacoffee.com

The Interpersonal Orientation Scale (IOS, 소속 동기 척도)

EPIK. — Wed, 22 Jul 2020 09:54:13 +0900

이 척도는 affiliation motivation, 즉 어딘가에 소속하고자 하는 동기를 측정하는 척도예요.

하위 척도는 emotional support, attention, positive stimulation, & social comparison으로 구성되어 있어요.

Scale

Emotional Support

If I feel unhappy or kind of depressed, I usually try to be around other people to make me feel better.
I usually have the greatest need to have other people around me when I feel upset about something.
One of my greatest sources of comfort when things get rough is being with other people.
When I have not done very well on something that is very important to me, I can get to feeling better simply by being around other people.
During times when I have to go through something painful, I usually find that having someone with me makes it less painful.
It seems like whenever something bad or disturbing happens to me I often just want to be with a close, reliable friend.

Attention

I often have a strong need to be around people who are impressed with what I am like and what I do.
I mainly like to be around others who think I am an important, exciting person.
I often have a strong desire to get people I am around to notice me and appreciate what I am like.
I mainly like people who seem strongly drawn to me and who seem infatuated with me.
I like to be around people when I can be the center of attention.
I don't like being with people who may give me less than positive feedback about myself.

Positive Stimulation

I think being close to others, listening to them, and relating to them on a one-to-one level is one of my favorite and most satisfying pastimes.
Just being around others and finding out about them is one of the most interesting things I can think of doing.
I feel like I have really accomplished something valuable when I am able to get close to someone.
One of the most enjoyable things I can think of that I like to do is just watching people and seeing what they are like.
I would find it very satisfying to be able to form new friendships with whomever I liked.
I seem to get satisfaction from being with others more than a lot of other people do.
I think it would be satisfying if I could have very close friendships with quite a few people.
The main thing I like about being around other people is the warm glow I get from contact with them.
I think I get satisfaction out of contact with others more than most people realize.

Social Comparison

When I am not certain about how well I am doing at something, I usually like to be around others so I can compare myself to them.
I find that I often look to certain other people to see how I compare to others.
If I am uncertain about what is expected of me, such as on a task or in a social situation, I usually like to be able to look to certain others for cues.
I prefer to participate in activities alongside other people rather than by myself because I like to see how I am doing on the activity.
I find that I often have the desire to be around other people who are experiencing the same thing I am when I am unsure of what is going on.

A 5-point scale (not at all true, slightly true, somewhat true, mostly true, and completely true)

Reference

Hill, A. C. (1987). Affiliation motivation: People who need people... but in different ways. Journal of Personality and Social Psychology, 52, 1008-1018.

Fear of Negative Evaluation Scale (부정적 평가 두려움 척도)

EPIK. — Mon, 13 Jul 2020 08:38:57 +0900

Instructions

Read each of the following statements carefully and indicate how characteristic it is of you according to the following scale:

1=Not at all characteristic of me

2=Slightly characteristic of me

3=Moderately characteristic of me

4=Very characteristic of me

5=Extremely characteristic of me

I worry about what other people will think of me even when I know it doesn't make any difference.
I am unconcerned even if I know people are forming an unfavorable impression of me.
I am frequently afraid of other people noticing my shortcomings.
I rarely worry about what kind of impression I am making on someone.
I am afraid others will not approve of me.
I am afraid that people will find fault with me.
Other people's opinions of me do not bother me.
When I am talking to someone, I worry about what they may be thinking about me.
I am usually worried about what kind of impression I make.
If I know someone is judging me, it has little effect on me.
Sometimes I think I am too concerned with what other people think of me.
I often worry that I will say or do the wrong things.

Reference

Leary, M. R. (1983). A brief version of the Fear of Negative Evaluation Scale. Personality and Social Psychology Bulletin, 9, 371-376.

The Big Five Inventory (Big 5 성격 검사)

EPIK. — Sat, 11 Jul 2020 23:16:30 +0900

Instructions

Here are a number of characteristics that may or may not apply to you. For example, do you agree that you are someone who likes to spend time with others? Please write a number next to each statement to indicate the extent to which you agree or disagree with that statement.

1=Disagree strongly

2=Disagree a little

3=Neither agree nor disagree

4=Agree a little

5=Agree strongly

I see myself as soneome who...

is talkative
tends to find fault with others*
does a thorough job
is depressed, blue
is original, comes up with new ideas
is reserved*
is helpful and unselfish with others
can be somewhat careless*
is relaxed, handles stress well*
is curious about many different things
is full of energy
starts quarrels with others*
is a reliable worker
can be tense
is ingenious, a deep thinker
generates a lot of enthusiasm
has a forgiving nature
tends to be disorganized*
worries a lot
has an active imagination
tends to be quiet*
is generally trusting
tends to be lazy*
is emotionally stable, not easily upset*
is inventive
has an assertive personality
can be cold and aloof*
perseveres until the task is finished
can be moody
values artistic, aesthetic experiences
is sometimes shy, inhibited*
is considerate and kind to almost everything
does things efficiently
remains calm in tense situations*
prefers work that is routine*
is outgoing, sociable
is sometimes rude to others*
makes plans and follows through with them
gets nervous easily
likes to reflect, play with ideas
has few artistic interests*
likes to cooperate with others
is easily distracted*
is sophisticated in art, music, or literature

Note

* Reverse-scored items

Subscale

Extraversion: 1, 6, 11, 16, 21, 26, 31, 36

Agreeableness: 2, 7, 12, 17, 22, 27, 32, 37, 42

Conscientiousness: 3, 8, 13, 18, 23, 28, 33, 38, 43

Neuroticism: 4, 9, 14, 19, 24. 29. 34. 39

Openness: 5, 10, 15, 20, 25, 30, 35, 40, 41, 44

Reference

John, O. P., & Srivastava, S. (1999). The Big-Five trait taxonomy: History, measurement, and theoretical perspectives. In L. A. Pervin & O. P. John (Eds.), Handbook of personality: Theory and research (Vol. 2, pp. 102-138). New York: Guilford Press.

Communal Orientation Scale (관계 지향성 척도)

EPIK. — Fri, 10 Jul 2020 10:51:27 +0900

Description

A 14-item scale that measures how much an individual believes that others’ needs and feelings are important in social relationships, as well as how much one believes that people should help others and care for one another’s welfare.

Scale

It bothers me when other people neglect my needs.
When making a decision, I take other people's needs and feelings into account.
I'm not especially sensitive to other people's feelings.*
I don't consider myself to be a particularly helpful person.*
I believe people should go out of their way to be helpful.
I don't especially enjoy giving others aid.*
I expect people I know to be responsive to my needs and feelings.
I often go out of my way to help another person.
I believe it's best not to get involved in taking care of other people's personal needs.*
I'm not the sort of person who often comes to the aid of others.*
When I have a need, I turn to others I know for help.
When people get emotionally upset, I tend to avoid them.*
People should keep their troubles to themselves.*
When I have a need that others ignore, I'm hurt.

Note

* reverse-scored items

A 7-point scale ranging from 1 (extremely uncharacteristic of me) to 7 (extremely characteristic of me)

Reference

Clark, M., Ouellette, R., Powell, M., & Milberg, S. (1987). Recipient's mood, relationship type, and helping. Journal of Personality and Social Psychology, 53, 94-103.

자기 희생 측정 방법 2

EPIK. — Fri, 10 Jul 2020 10:21:57 +0900

1. 커플을 초대하고 각각 다른 방으로 떨어트려놓음.

2. 이들은 어떤 사람이 자신들에 대해 평가할 것이라고 이야기를 들음.

3. 그리고 총 12명의 낯선 사람에게 가서 "나 오늘 중요한 인터뷰가 있는데, 나 옷 제대로 입은 거 같아?"라고 물어봐야 함.

4. 커플인 두 사람 모두 12명의 사람을 만나는게 아니라 두 사람 합쳐서 12명을 만날 거라고 들음. (둘은 아직 다른 방에 있음)

5. 참가자 본인은 무작위로 선정된 파트너A임. 이 파트너 A는 각자 얼마나 많은 이 낯선 사람들을 만날 건지 결정해야 함. 즉, 내가 12명 모두 만날 수도 있고(위대한 자기희생정신ㅋ) 애인이 전부 12명 만나게 할 수도 있음(위대한 남희생정신)

6. 실제로는 아무도 안 만나고 디브리핑.

Reference

Righetti, F., Finkenauer, C., & Finkel, E. J. (2013). Low self-control promotes the willingness to sacrifice in close relationships. Psychological Science, 24, 1533-1540.

Instrument for measuring willingness to sacrifice (자기희생 측정 방법)

EPIK. — Fri, 10 Jul 2020 10:05:00 +0900

On the following four lines, please list the four parts of your life—the four activities in your life—that are most important to you (other than your relationship).

The most important activities in my life (other than my relationship) are:

Most important activity is: (Answer)
Second most important activity is: (Answer)
Third most important activity is: (Answer)

Fourth most important activity is: (Answer)

이하 전부 0~8, 9점 척도

0=Definitely would not consider giving up activity

4=Might consider giving up activity

8=Would definitely consider giving up activity

1. Imagine that it was not possible to engage in Activity 1 and maintain your relationship (impossible for reasons unrelated to your partner's needs or wishes; that is, it wasn't your partner's fault). To what extent would you consider giving up Activity 1?

2. Imagine that it was not possible to engage in Activity 2 and maintain your relationship (impossible for reasons unrelated to your partner's needs or wishes; that is, it wasn't your partner's fault). To what extent would you consider giving up Activity 2?

3. Imagine that it was not possible to engage in Activity 3 and maintain your relationship (impossible for reasons unrelated to your partner's needs or wishes; that is, it wasn't your partner's fault). To what extent would you consider giving up Activity 3?

4. Imagine that it was not possible to engage in Activity 4 and maintain your relationship (impossible for reasons unrelated to your partner's needs or wishes; that is, it wasn't your partner's fault). To what extent would you consider giving up Activity 4?

activity를 쓰라고 하는 게 아니라 연구자가 직접 제공하는 등(예를 들어, 애인이 자신의 친구를 같이 만나자고 하는데 난 그 친구를 별로 좋아하지 않는다.), 변형이 가능할 듯하다.

Reference

Van Lange, P. A. M., Rusbult, C. E., Drigotas, S. M., Arriaga, X. B., Witcher, B. S., & Cox, C. L. (1997). Willingness to sacrifice in close relationships. Journal of Personality and Social Psychology, 72, 1373-1395.

Self-regulatory resource manipulation (자기 조절 조작 실험)

EPIK. — Fri, 10 Jul 2020 09:46:25 +0900

배경지식:

self-regulation은 우리가 의식적으로 행동, 생각 등을 조절하는 걸 말해요. 만약 내일이 시험이에요. 근데 게임을 멈출 수가 없어요. 그럼 자기 조절 능력이 약하다고 볼 수 있어요. 이러한 자기 조절은 무의식적으로 되는 게 아니라 인지적 자원(cognitive resources)이 필요해요. 만약 이 자원이 고갈되면(ego depletion, resource depletion, etc.) 자기 조절을 하기 힘들어져요. 예를 들어, 정신없이 바쁠 때를 생각해봐요. 흔히 다른데 신경 쓸 겨를이 없다고 하잖아요? 자기도 모르게 과속을 하고 있고, 건강에 무신경해지죠? 너무 바빠서(다른데 인지적 자원을 사용하고 있어서) 자기 조절을 하기 힘들어지는 거예요.

자기 조절 능력 조작:

1. 실험 참가자들에게 무성의 인터뷰 영상을 보여줌(5~7분).

2. 참가자들에게 인터뷰 대상자에 대한 평가를 해보라고 함.

3. 영상 하단에는 영상과 관계 없는 단어들이 나타남(각각 약 10초).

4. (자원 고갈 그룹, the ego depletion condition) 아래 나타나는 단어들은 무시하라고 함. 이러면 참가자들은 단어가 나타나면 관심을 잠깐 거기로 빼앗겼다가 다시 인터뷰로 집중해야 함.

4. (통제 그룹, the non depletion condition)아래 나타나는 단어에 대한 아무런 지시사항 없음.

References

Schmeichel, B. J., Vohs, K. D., & Baumeister, R. F. (2003). Intellectual performance and ego depletion: Role of the self in logical reasoning and other information processing. Journal of Persoanlity and Social Psychology, 85, 33-46.

Righetti, F., Finkenauer, C., & Finkel, E. J. (2013). Low self-control promotes the willingness to sacrifice in close relationships. Psychological Science, 24, 1533-1540.

Self-Control Scale (자기 통제 척도)

EPIK. — Fri, 10 Jul 2020 09:22:37 +0900

Instructions

Using the scale provided, please indicate how much each of the following statements reflects how you typically are.

1=Not at all

5=Very much

Total Self-Control Scale

I am good at resisting temptation
I have a hard time breaking bad habits.*
I am lazy.*
I say inappropriate things.*
I never allow myself to lose control.
I do certain things that are bad for me, if they are fun.*
People can count on meto keep on schedule.
Getting up in the morning is hard for me.*
I have trouble saying no.*
I change my mind fairly often.*
I blurt out whatever is on my mind.*
People would describe me as impulsive.*
I refuse things that are bad for me.
I spend too much money.*
I keep everything neat.
I am self-indulgent at times.*
I wish I had more self-discipline.*
I am reliable.
I get carried away by my feelings.*
I do many things on the spur of the moment.*
I don't keep secrets very well.*
People would say that I ahve iron self-discipline.
I have worked or studied all night at the last minute.*
I'm not easily discouraged.
I'd be better off if I stopped to think before acting.*
I engage in healthy practices.
I eat healthy foods.
Pleasure and fun sometimes keep me from getting work done.*
I have trouble concentrating.*
I am able to work effectively toward long-term goals.
Sometimes I can't stop myself from doing something, even if I know it is wrong.*
I often act without thinking through all the alternatives.*
I lose my temper too easily.*
I often interrupt people.*
I sometimes drink or use drugs to excess.*
I am always on time.

Brief Self-Control Scale

I am good at resisting temptation
I have a hard time breaking bad habits.*
I am lazy.*
I say inappropriate things.*
I do certain things that are bad for me, if they are fun.*
I refuse things that are bad for me.
I wish I had more self-discipline.*
People would say that I ahve iron self-discipline.
Pleasure and fun sometimes keep me from getting work done.*
I have trouble concentrating.*
I am able to work effectively toward long-term goals.
Sometimes I can't stop myself from doing something, even if I know it is wrong.*
I often act without thinking through all the alternatives.*

Note.

* Reverse-scored items

Reference

Tangney, J. P., Baumeister, R. F., & Boone, A. L. (2004). High self-control predicts good adjustment, less pathology, better grades, and interpersonal success. Journal of Personality, 72, 271-324.

Interpersonal Reactivity Index (IRI, 공감 능력 지표)

EPIK. — Wed, 8 Jul 2020 00:09:52 +0900

Original instructions (paper-pencil)

The following statements inquire about your thoughts and feelings in a variety of situations. For each item, indicate how well it describes you by choosing the appropriate letter on the scale at the top of the page: A, B, C, D, or E. When you have decided on your answer, fill in the letter on the answer sheet next to the item number. READ EACH ITEM CAREFULLY BEFORE RESPONDING. Answer as honestly as you can. Thank you.

ANSWER SCALE:

A B C D E

DOES NOT DESCRIBE ME

DESCRIBES ME WELL WELL

Modified instructions by me

The following statements inquire about your thoughts and feelings in a variety of situations. READ EACH ITEM CAREFULLY BEFORE RESPONDING. Answer as honestly as you can. Please indicate how well each statement describes you according to the following scale:

1 2 3 4 5

DOES NOT DESCRIBE ME

DESCRIBE ME WELL

Scale

1. I daydream and fantasize, with some regularity, about things that might happen to me.

2. I often have tender, concerned feelings for people less fortunate than me.

3. I sometimes find it difficult to see things from the "other guy's" point of view.*

4. Sometimes I don't feel very sorry for other people when they are having problems.*

5. I really get involved with the feelings of the characters in a novel.

6. In emergency situations, I feel apprehensive and ill-at-ease.

7. I am usually objective when I watch a movie or play, and I don't often get completely caught up in it.*

8. I try to look at everybody's side of a disagreement before I make a decision.

9. When I see someone being taken advantage of, I feel kind of protective towards them.

10. I sometimes feel helpless when I am in the middle of a very emotional situation.

11. I sometimes try to understand my friends better by imagining how things look from their perspective.

12. Becoming extremely involved in a good book or movie is somewhat rare for me.*

13. When I see someone get hurt, I tend to remain calm.

14. Other people's misfortunes do not usually disturb me a great deal.*

15. If I'm sure I'm right about something, I don't waste much time listening to other people's arguments.

16. After seeing a play or movie, I have felt as though I were one of the characters,

17. Being in a tense emotional situation scares me.

18. When I see someone being treated unfairly, I sometimes don't feel very much pity for them.*

19. I am usually pretty effective in dealing with emergencies.*

20. I am often quite touched by things that I see happen

21. I believe that there are two sides to every question and try to look at them both.

22. I would describe myself as a pretty soft-hearted person.

23. When I watch a good movie, I can very easily put myself in the place of a leading character.

24. I tend to lose control during emergencies.

25. When I'm upset at someone, I usually try to "put myself in his shoes" for a while.

26. When I am reading an interesting story or novel, I imagine how I would feel if the events in the story were happening to me.

27. When I see someone who badly needs help in an emergency, I go to pieces.

28. Before criticizing somebody, I try to imagine how I would feel if I were in their place.

Note

* reversed-scored items

Empathy: The reactions of one individual to the observed experiences of another (Davis, 1983).

Perspective taking: The tendency to spontaneously adopt the psychological point of view of others (Davis, 1983).

Fantasy: It taps respondents' tendencies to transpose themselves imaginately into the feleings and actions of fictitious characters in books, movies, and plays (Davis, 1983).

Empathic concern: It assesses other-oriented feelings of sympathy and concern for unfortunate others (Davis, 1983).

Personal distress: It measures self-oriented feelings of personal anxiety and unease in tense interpersonal settings (Davis, 1983).

Subscales

Perspective taking: 3, 8, 11, 15, 21, 25, 28

Fantasy: 1, 5, 7, 12, 16, 23, 26

Empathic concern: 2, 4, 9, 14, 18, 20, 22

Personal distress: 6, 10, 13, 17, 19, 24, 27

References

Davis, M. H. (1980). A multidimensional approach to individual differences in empathy. JSAS Catalog of Selected Documents in Psychology, 10, 85.

Davis, M. H. (1983). Measuring individual differences in empathy: Evidence for a multidimensional approach. Journal of Personality and Social Psychology, 44, 113-126.

Inclusion of Other in the Self (IOS) Scale (타인과 나의 심리적 거리 측정 척도)

EPIK. — Tue, 7 Jul 2020 23:42:57 +0900

Instructions

Which picture best describes your relationship with [person/group]?

Reference

Aron, A., Aron, E. N., & Smollan, D. (1992). Inclusion of other in the self scale and the structure of interpersonal closeness. Journal of Personality and Social Psychology, 63, 596-612.

Brief Fear of Negative Evaluation Scale (간단한 부정적 평가 두려움 척도)

EPIK. — Tue, 7 Jul 2020 23:32:46 +0900

Instructions

Read each of the following statements carefully and indicate how characteristic it is of you according to the following scale:

1 = Not at all characteristic of me

2 = Slightly characteristic of me

3 = Moderately characteristic of me

4 = Very characteristic of me

5 = Extremely characteristic of me

1. I worry about what other people will think of me even when I know it doesn't make any difference.

2. I am unconcerned even if I know people are forming an unfavorable impression of me.*

3. I am frequently afraid of other people noticing my shortcomings.

4. I rarely worry about what kind of impression I am making on someone.*

5. I am afraid others will not approve of me.

6. I am afraid that people will find fault with me.

7. Other people's opinions of me do not bother me.*

8. When I am talking to someone, I worry about what they may be thinking about me.

9. I am usually worried about what kind of impression I make.

10. If I know someone is judging me, it has little effect on me.*

11. Sometimes I think I am too concerned with what other people think of me.

12. I often worry that I will say or do the wrong things.

Note

* Reverse-scored items

Reference

Leary, M. R. (1983). A Brief version of the Fear of Negative Evaluation Scale. Personality and Social Psychology Bulletin, 9, 371-375.

Need for Cognition Scale (인지 욕구 척도)

EPIK. — Tue, 7 Jul 2020 06:24:51 +0900

Instructions.

For each of the statements below, please indicate whether or not the statement is characteristic of you or of what you believe. For example, if the statement is extremely uncharacteristic of you or of what you believe about yourself (not at all like you), please choose 1. If the statement is extremely characteristics of you or of what you believe about yourself (very much like you), please choose 5. You should use the following scale as you rate each of the statements below.

1: extremely uncharacteristic of me

2: somewhat uncharacteristic of me

3: uncertain

4: somewhat characterictic of me

5: extremely characteristic of me

1. I prefer complex to simple problems.

2. I like to have the responsibility of handling a situation that requires a lot of thinking.

3. Thinking is not my idea of fun.*

4. I would rather do something that requires little thought than something that is sure to challenge my thinking abilities.*

5. I try to anticipate and avoid situations where there is a likely chance I will have to think in depth about something.*

6. I find satisfaction in deliberating hard and for long hours.

7. I only think as hard as I have to.*

8. I prefer to think about small daily projects to long term ones.*

9. I like tasks that require little thought once I've learned them.*

10. The idea of relying on thought to make my way to the top appeals to me.

11. I really enjoy a task that involves coming up with new solutions to problems.

12. Learning new ways to think doesn't excite me very much.*

13. I prefer my life to be filled with puzzles I must solve.

14. The notion of thinking abstractly is appealing to me.

15. I would prefer a task that is intellectual, difficult, and important to one that is somewhat important but does not require much thought.

16. I feel felief rather than satisfaction after completing a task taht requires a lot of mental effort.*

17. It's enough for me that something gets the job done; I don't care how or why it works.*

18. I usually end up deliberating about issues even when they do not affect me personally.

Note.

*=reverse scored item

Reference.

Cacioppo, J. T., Petty, R. E., & Kao, C. F. (1984). The efficient assessment of need for cognition. Journal of Personality Assessment, 48, 306–307.

왜 14번 문항은 역코딩 문항이 아닌지??

Rosenberg's Self-Esteem Scale (로젠버그의 자존감 척도)

EPIK. — Mon, 6 Jul 2020 14:19:20 +0900

Instructions

Below is a list of statements dealing with your general feelings about yourself. Please indicate how strongly you agree or disagree with each statement (4-point scale, strongly agree, agree, disagree, strongly disagree).

1. On the whole, I am satisfied with myself.

2. At times I think I am no good at all.

3. I feel that I have a number of good qualities.

4. I am able to do things as well as most other people.

5. I feel I do not have much to be proud of.

6. I certainly feel useless at times.

7. I feel that I'm a person of worth, at least on an equal plane with others.

8. I wish I could have more respect for myself.

9. All in all, I am inclined to feel that I am a failure.

10. I take a positive attitude toward myself.

Note

Scoring: Items 2, 5, 6, 8, 9 are reverse scored. Sum scores for all ten items. Keep scores on a continuous scale. Higher scores indicate higher self-esteem.

Description of Measure:
A 10-item scale that measures global self-worth by measuring both positive and negative feelings about the self. The scale is believed to be uni-dimensional. All items are answered using a 4-point Likert scale format ranging from strongly agree to strongly disagree.

Reference
Rosenberg, M. (1965). Society and the adolescent self-image. Princeton, NJ: Princeton University Press.

Adult Attachment Questionnaire (AAQ, 성인 애착 조사도구)

EPIK. — Mon, 6 Jul 2020 14:08:34 +0900

Please indicate how you typically feel toward romantic (dating) partners in general. Keep in mind that there are no right or wrong answers. Use the 7-point scale provided below and darken the appropriate number for each item on the scantron.

1 2 3 4 5 6 7

______________________________________________________

I strongly I strongly

disagree agree

1. I find it relatively easy to get close to others.

2. I'm not very comfortable having to depend on other people.

3. I'm comfortable having others depend on me.

4. I rarely worry about being abandoned by others.

5. I don't like people getting too close to me.

6. I'm somewhat uncomfortable being too close to others.

7. I find it difficult to trust others completely.

8. I'm nervous whenever anyone gets too close to me.

9. Others often want me to be more intimate than I feel comfortable being.

10. Others often are reluctant to get as close as I would like.

11. I often worry that my partner(s) don't really love me.

12. I rarely worry about my partner(s) leaving me.

13. I often want to merge completely with others, and this desire sometimes scares them away.

14. I'm confident others would never hurt me by suddenly ending our relationship.

15. I usually want more closeness and intimacy than others do.

16. The thought of being left by others rarely enters my mind.

17. I'm confident that my partner(s) love me just as much as I love them.

Note: Items 1, 3, 4, 12, 14, 16, and 17 must be reversed-keyed prior to constructing each scale. The Avoidance scale is comprised of items 1-3 and 5-9. Higher scores on this dimension reflect greater avoidance. The Anxiety scale is comprised of items 4 and 10-17. Higher scores on this dimension reflect greater anxiety. Greater attachment security is defined by lower scores on both scales. When referencing the AAQ, please cite the following paper:

Simpson, J. A., Rholes, S. W., & Phillips, D. (1996). Conflict in close relationships: An attachment perspective. Journal of Personality and Social Psychology, 71, 899-914. doi: 10.1037/0022-3514.71.5.899

Perceived Relationship Quality Components (PRQC) Inventory (관계만족도 측정 도구)

EPIK. — Mon, 6 Jul 2020 14:00:42 +0900

Instructions: Please indicate what your current partner/relationship is like, answering each question that follows. Use this scale when answering each question:

1 2 3 4 5 6 7

______________________________________

not at all extremely

Relationship Satisfaction

1. How satisfied are you with your relationship?

2. How content are you with your relationship?

3. How happy are you with your relationship?

Commitment

4. How committed are you to your relationship?

5. How dedicated are you to your relationship?

6. How devoted are you to your relationship?

Intimacy

7. How intimate is your relationship?

8. How close is your relationship?

9. How connected are you to your partner?

Trust

10. How much do you trust your partner?

11. How much can you count on your partner?

12. How dependable is your partner?

Passion

13. How passionate is your relationship?

14. How lustful is your relationship?

15. How sexually intense is your relationship?

Love

16. How much do you love your partner?

17. How much do you adore your partner?

18. How much do you cherish your partner?

Note to Users: The 6 subscales of the Perceived Relationship Quality Components (PRQC) Inventory are labelled, but the labels should be omitted when the scale is administered.

Reference: Fletcher, G. J. O., Simpson, J. A., & Thomas, G. (2000). The measurement of perceived relationship quality components: A confirmatory factor analytic approach. Personality and Social Psychology Bulletin, 26, 340-354.

doi: 10.1177/0146167200265007

그거 진짜 웃음이야 아니야?

EPIK. — Mon, 29 Jun 2020 15:47:32 +0900

우리는 살면서 흔하게 사회적 소외를 경험해요. 영어로는 social exclusion, ostracism, social rejection 등 여러 가지 용어로(조금씩 다른 의미로) 표현할 수 있어요. 예를 들어서, 친구와 싸우거나 면접에서 떨어지거나 애인과 헤어지거나 누군가 나를 무시하거나 등을 사회적 소외라고 할 수 있어요. 우리는 사회적 소외를 경험하면 어떤 반응을 보일까요?

연구 결과들은 상반된 주장을 해요. 어떤 연구들은 사회적 소외를 경험하면 소외당한 사람들은 다소 공격적이고 적대감을 갖게 된다고 해요. 반면에 다른 연구들은 사회적 소외를 경험한 사람들은 떨어진 소속감을 충당하기 위해 다른 사회적 연결고리를 찾기 위해 노력한다고 해요. 후자의 주장 중에 유명한 이론이 사회 감시 시스템(social monitoring system)이라는 거예요. 이 이론에 따르면 사회적 소외를 경험하면 우리는 다시 소외를 경험하지 않고 다른 사람과 다시 유대감을 갖기 위해 사회적 정보에 더 민감해진다고 해요. 예를 들어서, 사회적 소외를 경험하면 화난 표정과 행복한 표정을 더 정확하게 구분할 수 있어요.

과연 사회적 소외를 당한 사람들은 진짜 웃음과 가짜 웃음을 소외를 당하지 않은 사람보다 더 잘 구별할 수 있을까요?

오늘 논문은 이에 대한 연구에요.

Bernstein, M. J., Young, S. G., Brown, C. M., Sacco, D. F., & Claypool, H. M. (2008). Adaptive responses to sicial exclusion. Psychological Science, 19, 981-983.

엄청 짧은 페이퍼죠? 내용은 2 페이지로 끝나요. 실험에서는 참가자들에게 먼저 사회적 소외를 당한 경험을 떠올리게 하거나, 사회적 소외의 반대 경험(social inclusion)을 떠올리게 하거나, 실험 전 날 아침에 한 일을 떠올리게 했어요. 그러고 나서 진짜 웃는 영상과 가짜로 웃는 영상 각각 10개씩 랜덤으로 보여줬어요. (참고로 이런 찐 웃음을 Duchenne smiles라고 해요.) 그 결과 사회적 소외 경험을 떠올린 참가자들이 진짜로 웃는 얼굴을 더 잘 구별해냈어요.

인간이란 참 신기한 것 같아요. 과거의 기억을 떠올린 것만으로도 순식간에 생존 스킬이 발휘가 되네요. 하지만 반면에 이런 사회적 정보에 우리의 정신적 에너지를 너무 투자한 나머지 자기 자신에 대한 통제력이 떨어지는 것 같아요. 전 포스팅에서도 봤듯이 사회적 소외를 당하면 자기 자신에 대한 통제 능력이 떨어져요. 이 이유가 아마도 사회적 정보에 에너지가 몰리는 까닭일지도 몰라요. 그럼 이게 정말 다른 사회적 연결고리를 찾는데 도움이 될까요? 즉, 사회적 정보에 우리의 정신적 에너지를 더 투자하면 다른 관계에서 도움이 되거나 혹은 새로운 사람을 만나는데 도움이 될까요? 아니면 자신에 대한 통제력이 떨어져서 오히려 역효과가 날까요?

오래된 연인과 새로운 것들을 해보세요

EPIK. — Thu, 25 Jun 2020 08:06:19 +0900

시간이 지날수록 연인과의 혹은 부부간의 사이가 멀어진다고 느끼는 건 어제오늘 일이 아니에요. 처음 인연이 시작될 때에는 미묘한 긴장감과 함께 뭔가를 같이 하면서 그 추억들이 쌓여요. 하지만 시간이 지날수록 같은 일을 반복하고, 데이트를 해도 매일 똑같이 영화를 보고 밥을 먹는 등 같이 해서 좋지만 지루함을 느낄 수도 있어요.

연인과 함께 새롭고 좀 자극적인걸 같이 하면 연인간의 관계가 멀어지는 걸 줄일 수 있을까요?

오늘의 논문은 이에 대해 연구했어요.

Aron, A., Norman, C. C., Aron, E. N., McKenna, C., & Heyman, R. E. (2000). Couples' shared participation in novel and arousing activities and experienced relationship quality. Journal of Personality and Social Psychology, 78, 273-284.

오늘의 주제를 들었을 때, "당연히 새롭고 자극적인 걸 함께 하면 사이가 좋아지지 않을까?"라는 생각이 혹시 들진 않았나요? 이 당연한 걸 왜 연구해야 할까요? 왜냐하면 당연한 것 같아도 당연하지 않아서 그래요. 예를 들어볼게요. 뭔가 새롭고 자극적인걸 함께 하면서 예전의 추억들이 되살아났어요. 처음 사랑에 빠졌을 때 같은 기분이 들고, 그때의 기억도 새록새록 나고요. 그런데 지금의 나를 보니 그 혹은 그녀를 전처럼 사랑하지 않는 것 같아요. 그럼 전보다 사이가 더 나빠질 수도 있지 않을까요?

실험 1 & 2.

결혼을 했거나 동거를 하고 있는 연인들을 대상으로 진행한 설문조사예요. 연인과 함께하는게 신이 날수록(exciting) 지루하지 않고(boredom), 지루하지 않을수록 관계의 질이 좋은 것으로 나왔어요.

실험 3.

커플들을 초대해서 실험을 진행했어요. 먼저 커플을 찢어서 각각 다른 방에 들어가게 하고 관계의 질에 관한 여러 가지에 대해 답하게 한 후, 다시 같은 방으로 불렀어요. 이제 커플은 같은 방에서 새롭고 흥미로운(novel-arousing) 혹은 지루한(mundane) 실험에 참여하게 했어요. 새롭고 흥미로운 실험에서 커플들은 손과 발을 묶어 매트 위에서 기어서 가게 해요. 기어갈 때 반드시 배게를 같이 옮겨야 하는데, 이때에 손이나 팔, 이빨을 사용할 수 없어요. 그리고 이 매트 위에는 1미터 높이의 장애물을 설치했고, 커플들이 기어서 왔다 갔다 하는 동안 저 장애물을 반드시 넘어가야 해요. 지루한 실험은 매트 위에서 연인 중 한 명이 매트 중앙으로 공을 굴리고, 나머지 한 명은 반대편에서 기어서 공을 주워서 다시 반대편으로 돌아가요. 이걸 7분 간 반복하게 돼요. 글 읽는 것도 지루하네요. 이 과정을 마친 후에 다시 관계의 질에 관한 설문조사를 했어요. 그 결과 새롭고 흥미로운 실험을 한 커플들의 관계의 질이 향상되었어요.

실험 4.

이 실험은 결혼한 커플만을 대상으로 했고, 통제 그룹(no-activity control) 역시 추가했어요. 이 그룹은 그냥 다른 방에서 계속해서 설문조사를 진행했어요. 지루한 실험을 한 그룹과 통제 그룹의 관계의 질 변화는 차이가 없던 반면에 새롭고 흥미로운 실험을 한 커플들의 관계의 질은 다른 두 그룹에 비해 유의미하게 향상했어요.

실험 5.

결혼한 커플을 대상으로 했고, 이 실험은 실험 3을 기초로 연인 간의 대화 과정을 추가했어요. 새롭고 흥미로운 혹은 지루한 실험 전과 후에 대화를 하게 했는데, 하나는 휴가 계획을 함께 새워보라는 거였고 다른 하나는 만약 돈($15,000 약 1,800만 원)이 주어진다면 집을 개선하기 위해 뭘 할지 얘기해보라는 거였어요. 이 과정을 비디오로 촬영을 하고, 이걸 나중에 코딩을 하게 돼요. 이 코딩 과정을 통해 연인 간 얘기를 하는 과정에서 적대감을 얼마나 드러내는가 그리고 얼마나 잘 들어주는가?(active listening, acceptance, etc.)를 판단해요. 이걸 계산해서 행동으로 나타나는 관계의 질을 측정했어요. 그 결과 새롭고 흥미로운 실험을 한 부부들의 관계의 질이 다른 부부들보다 더 크게 향상했어요.

요약하면, 새롭고 흥미로운 뭔가를 연인과 같이 하면 관계의 질이 개선된다는 실험 결과에요. 좀 아쉬운 점은 있어요. 저는 개인적으로 통제 그룹이 no-activity group이 아니라 새롭고 흥미롭지는 않지만 즐거운 뭔가를 같이 하는 그룹이었으면 어땠을까 싶어요. 예를 들어, 짧은 영화 클립을 함께 본다거나, 서로 잘 아는 친구에게 전화를 건다거나. 물론 다른 요소들이 개입할 여지가 있지만 "새롭고 흥미로운(novel and exciting/arousing)"의 요소를 배제하면서 "즐거움"을 남기는 그룹이 필요하다는 생각이 들었어요. 새롭고 흥미로운 게 단순히 즐거워서 관계의 질이 좋아졌을 수도 있잖아요?

그리고 왜라는 질문에는 대답하기 힘든 실험이었어요. 비록 이 논문은 이런 활동들이 지루함을 줄여주고 흥미를 유발한다는 점에 초점을 맞춰요. 하지만 다른 관점에서도 설명을 할 수 있을 것 같아요. 예를 들어, 신체적인 활동으로 심장 박동이 올라가고, 빨라진 심장 박동으로 인해 마치 다시 사랑에 빠진 듯한 기분이 드는 거죠. 그리고 만약 지루함과 흥미가 이 논문의 키 포인트라면 단순히 재밌는 활동이 관계의 질을 높일 수도 있을 것 같아요. 즉, 새롭지 않아도 된다는 말이죠.

그래도 이 논문이 흥미로운 점은 우리의 연인 관계가 왜 시간이 지날수록 안 좋아지는지를 설명할 수 있을 것 같아서에요. 만약 계속해서 연인들을 자극할만한 뭔가가 존재한다면 관계가 오래 좋게 지속될 수도 있을지도 몰라요. 그리고 서로 다른 취미를 가진 사람들끼리 만나서 오랫동안 지속되는 사랑을 한다면, 이를 설명할 수 있는 논문이 될 수 있을 것 같기도 하고요. 몇 달 전 한 학회에서 지루함에 대해 연구하는 한 한국 학생을 만났는데 그분에게 소개해주고 싶은 논문이기도 하네요.

만약 연인관계가 권태기에 빠지고 있다고 생각된다면, 새로운 뭔가를 해보세요.

맨날 소주에 곱창만 먹었다면 와인을 마시러도 가보고, 매일 영화만 보러 갔다면 연극을 보러도 가보세요. 거창한 이벤트가 아니어도 괜찮아요.

연인 관계에서 시간이 갈 수록 사랑이 식는건 어쩔 수 없는 걸까?

EPIK. — Sun, 21 Jun 2020 10:57:30 +0900

사랑에는 유통기한이 있다는 말을 들어보셨죠? 진정으로 사랑해서 결혼을 한다고 해도 결국에는 정으로 산다는 얘기가 있어요. 정말로 사랑에 유통기한이 있다면 이 유통기한을 어떻게 하면 최대한 늘려서 평생 유통기한을 넘지 않게 살 수 있을까요?

오늘의 논문은 아주 간단한 방법으로 연인 간의 관계의 질을 높이는 방법을 소개하는 연구예요.

Finkel, E. J., Slotter, E. B., Luchies, L. B., Walton, G. M., & Gross, J. J. (2013). A brief intervention to promote conflict reappraisal preserves marital quality over time. Psychological Science, 24, 1595-1601.

연인 간의 관계의 질은 시간이 지나면서 평균적으로 감소하는 건 기정 사실화된 점이에요. 그럼 왜 그럴까요? 가장 큰 이유 중 하나가 연인 간의 싸움이 일어났을 때 갖게 되는 부정적인 심리 상태나 되갚아주려는 심리 상태 때문이라고 해요(negative-affect reciprocity). 예를 들어서, 부인의 잔소리를 받아들이는 게 아니라 욕으로 맞서는 것 같은 거죠. 당연한 소리를 하고 있죠? 이런 당연한 걸 줄이려는 시도가 많이 있었어요. 부부심리상담 같은 게 한 예죠. 하지만 돈도 들고, 시간도 들고, 필요한 자원이 많아요. 이 논문의 키 포인트는 간단한 방법을 개발하고자 하는 거예요.

그래서 이 논문에서 소개하는 방법은 emotional reappraisal, 즉 어떠한 감정적인 상황의 의미를 재해석해보는 방법이에요.

이 연구에 참가한 커플들은 4달에 한 번씩 총 7번에 걸쳐서(2년) 이 연구에 참여하게 돼요(모두 결혼한 커플). 처음에는 관계의 질에 대한 설문조사(얼마나 사랑하는지, 얼마나 가까운지, 얼마나 믿는지, 등등)를 해요. 그리고 나머지 2~7번째 조사에서는 커플 간 불화가 일어나는 점에 대해서 사실에 근거하여 쓰도록 해요. 이 중 절반의 커플들은 4~6번째 조사에서 다른 커플들과는 다른 7분 글쓰기 과제가 있었어요. 이들은 제3자의 입장에서 자신들이 겪은 불화를 바라보게 하고, 제3자의 입장에서의 생각을 쓰게 해요.

결과를 보니, 1~4번째 조사까지는 시간이 지날수록 관계의 질이 꾸준하게 떨어졌어요. 하지만 제3자의 입장에서 글을 쓴 커플들은 5번째 조사 이후부터는 관계의 질이 감소하지 않았어요. 그렇다고 관계의 질이 향상된 건 아니지만, 이 글쓰기를 하지 않은 커플은 계속해서 관계의 질이 감소하는 반면에 글쓰기를 한 커플들의 관계 질은 감소하지 않게 된 거예요.

발달의 여지가 아직은 많은 방법이에요. 커플 중 한 사람만 이 글쓰기를 해도 커플 모두에게 이로울까요? 4달에 한 번씩이 아니라 더 자주 하면 어떨까요? 제3자의 입장에서 글을 써서 관계가 나빠지지 않은 걸까요 아니면 다른 요소가 개입되어 있는 걸까요? 하지만 중요한 점은 고작 4달에 7분을 투자한 결과 관계의 질이 나빠지지 않았다는 점이에요.

시간이 지나면서 사랑이 식는다고 느끼는 건 당연해요. 그만큼 서로 익숙해지고, 어떤 새로운 자극이 없어서 사랑이 식었다고 느끼는 걸 수도 있어요. 만약 현재의 혹은 미래의 연인 관계를 지속시키고 싶다면 한 번 제3자의 입장에서 본인이 파트너와 싸운 경험을 생각해보세요. 감정도 진정이 되고 의외로 별 것 아닌 경우가 많아요. 그리고 혹시 모르죠. 연인이 왜 그런 행동을 했고, 그 이유가 나를 사랑해서 그랬다는 걸 깨달을지도 몰라요.

전에 다른 방법에 대한 논문도 요약했었어요. 궁금하시면 아래로 가보시면 돼요.

더 나은 관계를 위해선 감사를 표현하세요

우리는 평소에 감사할 일이 너무나도 많아요. 뭔가 딱히 큰일이 없어도 단지 가족, 친구, 혹은 연인이 옆에 있는 것만으로도 감사한 일이에요. 이렇게 감사한 사람들에게 그 고마운 마음을 표현

study-easy.tistory.com

R 데이터를 살펴보자 2

EPIK. — Sun, 14 Jun 2020 16:53:13 +0900

바로 이 전 포스팅에서 데이터를 시각적으로, 그리고 요약된 정보를 보는 방법을 배웠어요.

데이터 기술 통계량 보기

이어서 이번에는 먼저 요약된 정보들을 정리를 해볼까요?

표로 집어넣어 볼게요.

dplyr 라는 패키지를 사용할거예요.

먼저 설치를 해야죠?

install.packages("dplyr", denpendencies = T)

dependencies는 만약 dplyr을 실행하기 위해 필요한 다른 패키지가 있으면 같이 설치하는 거예요.

T는 TRUE예요. TRUE라고 넣어도 돼요.

그리고 semTools라는 패키지도 설치할게요.

install.packages("semTools", dependencies = T)

딸린 애들이 많으니 인내심을 갖고 기다리세요.

semTools는 SEM을 위한 툴이긴한데 여러 쓸모가 많아요.

설치가 끝나면 실행시켜줘요.

library(dplyr)
library(semTools)

library가 뒤의 패키지를 activate 하는 기능어예요.

여기까지 따라오셨죠?

(제 데이터 프레임 이름이 RLSPSS인거 기억하시죠? 혹시 가물가물하시면 이 전 포스팅으로 가보세요.)

이번에는 chaining 혹은 piping 이라는걸 쓸거예요.

dplyr에 속한 기능이예요. 예를 들어볼게요.

View(RLSPSS %>% group_by(Age) %>% summarize(group_n=n()))

이게 뭐냐고요?ㅋㅋ

자, View는 이제 익숙해졌을테고,

%>%이게 chain 혹은 pipe operator 이예요.

컨트롤(Ctrl)+쉬프트(Shift)+M 누르면 쉽게 나와요.

이 뜻은 가장 왼쪽부터 시작해서, RLSPSS데이터를 이용해서 group_by(Age)를 하고,

group_by(Age)를 이용해서 summarize(group_n=n())을 해라 라는 의미예요.

그럼 group_by(Age)는 어쩌라는 걸까요?

group_by()는 ()안에 들어가는 변수를 그룹으로 잡는거예요.

summarize로 다양한 수치들을 요약할 수 있고요,

뒤에 따라오는 group_n은 제가 임의로 붙여준 이름이고, n()이건 빈도예요.

다시 그럼 큰 그림으로 돌아가서,

View(RLSPSS %>% group_by(Age) %>% summarize(group_n=n()))

RLSPSS데이터 프레임에서, Age를 기준으로 그룹을 잡고, 각 그룹의 빈도를 보여줘.

라는 의미인거예요.

결과는 다음과 같아요.

이해가 돼죠?

이제 descriptive statistics를 좀 더 추가해볼게요.

=의 왼쪽 부분은 제가 이름을 붙힌거고요(위의 groupn처럼요)

Age 그룹에 따른 Liking점수를 볼거예요.

평균과 표준편차는 각각 mean 과 sd 를 이용해서 계산하면 돼요.

그리고 신뢰구간을 계산하기 위해 표준오차를 먼저 계산했어요.

표준오차(SE) = 표준편차(SD)/루트n 인거 기억하시나요?

그래서 LikingSD/sqrt(groupn)

이 수식이 나왔어요. sqrt는 squared root고요.

그리고 그 아래 LLCI는 lower level confidence interval 이라는 뜻으로 넣었고요

95는 95%신뢰구간이라는 뜻으로 넣었어요.

ULCI는 upper level confidence interval 이란 의미고요.

제가 정한 이름이니 편한대로 설정하시고,

신뢰구간 계산하는거 기억나시나요?

평균 - t(n-1)*표준오차가 95% LLCI

평균 + t(n-1)*표준오차가 95% ULCI

대충 이런식이죠?

LLCI95=LikingMean-(LikingSE*qt(.975, groupn-1))

LikingMean은 평균, LikingSE는 표준오차, qt는 quartile로 95% 신뢰구간이라면 .975, 90%신뢰구간이라면 .95 하시면 돼고, groupn-1는 자유도

저렇게 계산했어요.

신뢰구간 계산 방법을 이해하고 있다면 어렵지 않을거예요.

그리고 그 아래 skewness와 kurtosis때문에 semTools를 넣었는데요.

뒤에 [1]이 붙는 이유는,

skew(RLSPSS$Liking)

이렇게 그냥 보면 4개의 결과물이 나와요. skew, se, z, p 이렇게요.

물론 여기서 se는 skew의 표준오차고 다 skewness에 관한거예요.

이 중에 [1]라고 함으로써 skew 수치만 보여줘 라고 한거예요.

전체적으로 이런 결과를 볼 수 있을거예요.

Data converting

이번엔 converting을 해볼까요?

만약 연속형 데이터를 그룹으로 바꾸고 싶다고 해봐요.

저는 Liking 점수를 그룹화해볼게요.

먼저 데이터 프레임안에 변수 이름을 만들어줄거예요.

결측치로 채워진 새 LikingGroup변수를 만들었고, LikingScore를 보기 좋게 옆으로 옮겨놨어요.

(사실 이렇게 하지 않고 저 두 세로줄만 선택해서 볼 수도 있어요.

View(select(RLSPSS, c(LikingGroup, Liking)))

이렇게요.)

그리고 평균과 표준편차 값을 이용하기 위해

이렇게 만들어놨어요.

먼저 Liking점수가 낮은 그룹을 지정해볼게요.

평균-1SD 보다 낮은 값을 LLG, 즉 low liking group으로 지정했어요.

이번엔 높은 그룹이예요.

LikingMean+LikingSD, 즉 평균+1SD보다 큰 값을 높은 그룹으로 지정했어요.

그 사이 중간 그룹은 어떻게 할까요?

이렇게 &를 이용하면 돼요.

그리고 SPSS에서의 filter기능처럼 어떤 데이터만 선택하고 싶으면 어떻게 할까요?

dplyr 패키지를 이용해서, 나이가 20세 이하인 샘플만 골라볼까요?

under20 <- filter(RLSPSS, Age<=20)

만약 이 under20 데이터를 따로 저장하고 싶다? 그럼

write.csv(under20, file="under20.csv", row.names = F)

이런식으로 저장하면 돼요.

만약 row.names = T로 하면

요 가장 왼쪽에 1, 2, 3, 4, 있죠? ID 옆에요.

저게 가장 첫째 세로줄로 와요.

할 수 있는게 너무 많아서 다 다루기 힘들지만 사실 아직까지는 R과 익숙해지기 위한 단계라고 생각해요.

다음 포스팅에서는 본격적으로 개별 패키지들을 다뤄볼께요.

재밌는 연구하세요!

도움이 됐다면 커피 한 잔 사주시면 감사하겠습니다^^

EPIK is 어려운 지식을 가능한 한 쉽게 공유하는 곳이예요 :)

Hey I just created a page here. You can now buy me a coffee!

www.buymeacoffee.com

거절 당하는데 민감하면 연인 관계에 좋지 않아

EPIK. — Tue, 9 Jun 2020 05:22:10 +0900

대부분의 사람은 누구나 거절당하는걸 두려워해요. 면접, 고백, 하물며 단순히 친구한테 놀러 가자고 했는데 친구가 거절하는 경우 등 아무리 사소해도 마음이 상하는 건 어쩔 수 없어요. 하지만 모든 사람이 똑같이 거절에 반응하지는 않아요. 어떤 사람은 거절을 당하면 화를 내기도 하고, 또 어떤 사람은 묵묵히 받아들여요. 그리고 거절인 듯 거절 아닌 거절 같은 모호한 상황이 있어요. 예를 들어서 친구한테 놀자고 카톡을 했는데 1은 없어져도 대답이 없어요. 친구가 바쁜 걸까요? 날 무시하는 걸까요? 인터넷 상황이 좋지 않은 걸까요?

오늘의 논문은 거절 민감성(rejection sensitivity)이 연인 관계나 가까운 관계에 어떤 영향을 주는지에 관한 논문이에요.

Downey, G., & Feldman, S. I. (1996). Implications of rejection sensitivity for intimate relationships. Journal of Personality and Social Psychology, 70, 1327-1343.

거절에 민감한 사람들은 거절에 대해 오버해서 반응하고, 쉽게 거절당한 사실을 인식하고, 거절당할까 봐 불안해하는 사람들을 일컬어요.

이는 오랜 시간에 걸쳐 형성될 거예요. 어린 시절 부모에게 "안돼"라고 거절을 많이 당했거나, 거절당한 경험이 트라우마처럼 남아있는 경우를 포함해서요. 그렇다면 나중에도 거절의 사인을 쉽게 알아채고, 민감하게 반응해요. 그렇다면 거절에 민감한 사람들은 연인 관계나 친구들과의 관계 등 가까운 관계에서는 어떻게 행동할까요? 만약 애인이나 친구가 약간 멀어진 듯한 혹은 나에게 둔감한 듯한 느낌이 들면 어떤 반응을 보일까요? 가까운 관계에 대해 대체로 만족하고 있을까요? 상대방을 지치게 하고 있진 않을까요?

실험 1에서는 이 거절 민감성을 측정하기 위한 측정 도구를 개발했어요. 이건 넘어갈게요.

실험 2.

이 실험에서는 가까운 관계가 아닌 낯선 사람과의 관계에서 거절에 민감한 사람이 "모호한 거절" 상황을 어떻게 생각하는지에 대해 알아봤어요. 실험 참가자들은 낯선 사람을 만나게 돼요. 이 낯선 사람은 참고로 연구 조교? 이 연구를 진행하는 사람이지만 참가자들은 같은 참가자로 생각하고 있어요. 서로 만나서 서로 소개하고 알아가는 과정을 거쳐요. 그러고 나서 그 만남이 어땠는지에 대한 설문 조사를 위해 이 둘을 분리시켜요. 설문이 끝나고 나서 절반의 참가자들은 방금 전 만난 파트너가 더 이상 실험에 참가하고 싶지 않아 한다고 얘기를 들어요. 나머지 절반은 시간 제약 때문에 방금 전 만난 파트너와 같이 할 수 없다는 얘기를 듣고요. 즉, 전자는 모호한 상황인 거예요. 파트너가 바빠서 더 이상 실험에 참가하지 못하는 건지, 내가 싫은 건지 모르는 거죠. 반면에 후자는 시간 제약이라는 이유가 주어졌고요. (참고로 이걸 getting-to-know-you manipulation이라고 보통 불러요.) 이 결과 거절에 민감한 사람들은 자신들이 거절당했다고 생각하는 반면에 거절에 덜 민감한 사람들은 거절당했다고 생각하지 않았어요.

실험 3.

그럼 왜 그 파트너가 거절했다고 생각하는 걸까요? 이 실험에서는 거절에 민감한 사람들은 상대방이 의도적으로 자신의 마음을 상하게 하려고(hurtful intent) 생각하는 경향이 강할 것이라고 예상해요. 그리고 실험 2는 낯선 사람을 대상으로 한 반면에 이 실험은 실제 연인을 대상으로 했어요. 설문 조사 결과 거절 민감성이 높은 사람들은 애인이 좀 거리를 두거나 자신에게 둔감할 때, 애인이 자신의 마음을 의도적으로 상하게 하려고 한다고 생각했어요.

실험 4.

그럼 거절에 민감한 사람들은 대체로 연인 관계에 만족하지 못할까요? 거절에 민감한 사람들의 애인은 어떨까요? 설문 조사 결과, 거절에 민감한 사람들과 그들의 파트너는 자신들의 연인 관계가 덜 만족스럽다고 했어요. 거절에 민감한 남자들의 파트너들은 이 남자들이 질투를 잘하고 자신을 컨트롤하려 한다고 말했고 반면에 거절에 민감한 여자들의 파트너들은 이 여자들이 적대적이고 감정적으로 자신들을 격려하지 않는다고 말했어요.

결론적으로, 거절에 민감한 사람들은 애인이 약간 멀어졌다고 생각하면 그에 대해 민감하게 반응해요. 많은 관계가 처음에는 불타오르다가 점점 사그라들어요. 모든 관계가 항상 좋을 수만은 없어요. 때론 싸우기도 하고, 때론 서로 무관심하기도 해요. 하지만 이 의미가 곧 사랑이 식었다는 의미는 아니에요. 거절에 민감한 사람들은 대체로 어떠한 소속감을 갖고 싶어 할 거예요. 소속감이란 건 거절을 당하지 않았을 때니까요. 하지만 이내 관계가 사그라들게 되면 다시 거절당했다는 느낌을 받고 관계를 망치는 행동을 하게 돼요. 이게 지속되게 되면 우울증에 빠지거나 폭력적이게 될지도 몰라요. 하지만 이게 쉽게 고쳐지는 건 아니에요. 아주 어릴 때부터 형성되어온 거절 민감성이라면 더더욱 고치기 힘들 거예요.

가장 좋은 방법은 만약 본인이 거절이 민감하다고 생각되면, 상대방과 솔직하게 대화하는 게 아닐까 생각해요. 애인이 어떤 행동을 할 때, 마치 내가 거절당한 것 같은 느낌이 드는지 말해보세요. 그리고 애인에게 내가 혹시 너무 질투심이 많은 건 아닌지, 너무 무관심해 보이는지 물어보세요. 즉, 모호한 상황을 그대로 놔두지 말고 그 이유를 들어보세요. 의외로 별 것 아닐 가능성이 높아요. 너무 걱정하지 마요.

R 데이터를 살펴보자

EPIK. — Mon, 8 Jun 2020 13:40:12 +0900

바로 전 포스팅에서 데이터를 불러오고, 간단하게 데이터를 어떻게 보는지 알아봤어요.

오늘은 다양한 방법으로 데이터를 살펴볼거예요.

먼저 시각적으로 살펴볼까요?

저번 포스팅에서 저는 RLSPSS라는 데이터 프레임을 만들었어요.

쉽게 말하면 RLSPSS라는 이름 아래 제 데이터를 넣었어요.

이를 이용해서 간단하게 각 나이별로 분포가 어떻게 되는지 대략적으로 봐볼게요.

다양한 그래프로 데이터 살펴보기

먼저 그냥 수치를 봐도 돼요.

table(RLSPSS$Age)

제 데이터에서 나이 변수 이름이 Age예요.

저렇게 RLSPSS 데이터 프레임 안에서 Age의 테이블을 보겠다 라고 치면

이렇게 나오죠.

그럼 이걸 그래프로 보고싶다면?

barplot(table(RLSPSS$Age))

이렇게 하면

이런 그래프가 나오쥬. 위에 Zoom 누르면 커지고요.

만약 각각에 이름을 넣고싶다면,

barplot(table(RLSPSS$Age), names.arg = c("ET","NT","TW","T1","T2","T3","T4","T6"))

이런식으로 하면 돼요.

만약 데이터 포인트가 6갠데 이름을 5개만 지정하면 안돌아가요.

결과는 이렇게 나와요.

별로 어려운거 없죠? 좀 더 나가볼까요?

먼저 그래프 타이틀을 넣어볼게요.

main="Bar Chart: Age Distribution",

X축 이름도 넣을 수 있어요.

xlab="Age in letters",

lab은 label 줄임말 이예요.

Y축 이름도 넣을게요.

ylab="Frequency",

전부 합치면 다음과 같아요.

한 가지 좀 어려운게 있어요.

APA 스타일로 그래프를 넣으려면

Frequency (n)

이런식으로 들어가야 옳아요. n이 이탤릭체로 들어가야 하는거죠.

이건 어떻게 할까요?

expression 기능을 이용할 수 있어요.

expression(paste("Frequency(",italic("n"),")"))

paste는 일반적인 문자와 이탈릭체 등 여러 종류를 같이 쓸 수 있게 해줘요.

그리고 italic 전, 후로 콤마 보이시나요?

앞에 콤마는 "이제부터 이탤릭체"

뒤에 콤마는 "이제 이탤릭체 끝" 을 나타내요.

italic("") 이 따옴표 안에 오는게 이탤릭체가 되고요,

이걸 ylab에 넣으면 돼요.

이 외에도 색깔을 바꾸는 등 다양한 기능이 있어요.

하지만 나중에는 이 기능은 안쓰고 ggplot이란걸 쓰게 될거예요.

이건 그냥 연습용.

히스토그램(histogram)은 hist 명령어를 사용하시면 되고요.

히스토그램은 y축이 빈도니까 따로 ylab은 안해도 되겠죠?

아래 예시로 하나 만들어봤어요.

안녕 정규분포...

boxplot은 좀 달라요.

만약 나이에 따른 Liking 점수의 boxplot을 보고싶다면

boxplot(Liking~Age, data=RLSPSS, main="Liking by age", xlab="Age",ylab="Liking")

Liking~Age가 Age에 따른 Liking, 즉 x는 age y는 Liking이라는 뜻이예요.

이번에는 scatter plot을 해볼까요 이걸 산포도라 그러던가요?

regret과 liking간의 관계를 봐볼까요? (이론적으로 따지지 않고 그냥 예시로 볼게요.)

regret 변수 이름은 RES예요.

plot(x=RLSPSS$RES, y=RLSPSS$Liking, xlab="Regret", ylab="Liking")

결과가 이렇게 나왔어요.

흠.. 둘 간의 관계가 어떻게 되는걸까요? 얼핏 봐서는 잘 모르겠죠?

회귀 직선을 포함해볼게요.

abline 이 그래프에 선을 추가하는 명령어예요.

abline(lm(RLSPSS$Liking~RLSPSS$RES))

lm은 linear model이고요

~ 이 물결은 is regressed on 혹은 by 라고 생각하면 돼요.

앞에가 y/종속변수고 뒤가 x/독립변수예요.

만약 색을 추가하고 싶으면 col="색"

딱 눈으로 봐도 별 관계가 없어보이는군요.

수치로 데이터 살펴보기

이번엔 그래프가 아니라 그냥 수치로 간단하게 살펴볼게요.

만약 Liking 변수의 평균 등을 보고싶으면

summary(RLSPSS$Liking)

전 이게 가장 간단하더라고요.

이렇게 최소값부터 중위값 최대값 등 까지 보여줘요.

결측치가 있으면 결측이 몇개인지도 알려주고요.

만약 변수가 categorical이라면 각 그룹이 몇개씩 있는지 알려줘요.

전체의 summary를 알고싶으면

summary(RLSPSS)

만약 제일 첫 세로줄이 ID라서 필요없으니 그것만 빼고싶다면

sumary(RLSPSS[,-1])

응용 가능하겠죠?

summary에 나오지 않지만 많이 쓰는게 아마 분산과 표준편차겠죠?

분산은

var(RLSPSS$Liking)

만약 소수점 셋째 자리에서 반올림(둘째 자리까지 표기)하고 싶다면

round(var(RLSPSS$Liking), 2)

마찬가지로 표준편차는 sd 명령어를 쓰면 되고요

sd(RLSPSS$Liking)

심심하시면 sqrt (루트)를 이용해서 맞았나 확인해보셔도 되고요.

sqrt(var(RLSPSS$Liking))

오늘도 어려운건 없었죠? 아직도 R과 친숙해지는 단계예요.

다음 포스팅에서는 descriptive statistics 요약 테이블 만들고 데이터 converting하는걸 해볼게요.

오늘도 도움이 됐길 바라며, 열논문하세요!

도움이 됐다면 커피 한 잔 사주시면 감사하겠습니다^^

EPIK is 어려운 지식을 가능한 한 쉽게 공유하는 곳이예요 :)

Hey I just created a page here. You can now buy me a coffee!

www.buymeacoffee.com

후회한다고 다 같은 후회일까?

EPIK. — Sun, 7 Jun 2020 12:14:50 +0900

우리는 후회를 참 많이 해요. 단순히 "아 어제저녁에 야식을 먹는 게 아니었는데"부터 시작해서, "학창 시절에 좀 더 놀아볼걸"처럼 먼 과거를 회상하며 후회하기도 하죠. 그럼 우리가 말하고 느끼는 후회라는 감정이 다 같은걸까요?

많은 학자들은 우리가 말하는 감정을 여러 개로 나누어서 보곤 해요. 왜냐하면 한 단어로 말하는 감정 안에서도 뭔가 다른 현상들이 벌어지기 때문이에요. 예를 들어, awe라는 감정이 있어요. 경외심이라고 하면 괜찮을 것 같네요. 불빛이 거의 없는 곳에서 하늘을 쳐다보면 별 빛이 쏟아질 듯이 반짝거리는 걸 상상해보세요. 반면에 마치 토르가 나타난 것 마냥 천둥 번개가 엄청 크게 내리쳤다고 생각해보세요. 두 상황 모두 경외심을 불러일으킬 만한 상황이지만 뭔가 종류가 다른 경외심이에요. 이처럼 후회라는 감정 역시 여러 개로 나눠서 생각해 볼 수 있어요. 가장 흔하게 나누는 분류가 action vs. inaction regret과 hot vs. wistful regret이에요.

Action/Inaction regret은 행동한 것에 대한 후회인지 아니면 행동하지 않은 것에 대한 후회인지를 얘기해요.

초기 연구에 의하면 행동한 것에 대해서는 강하게 후회를 느끼지만 시간이 지나면서 이 후회의 강도가 급격하게 줄어든다고 해요. 행동하지 않은 것에 대한 후회는 순간적으로 강하게 후회를 느끼는 게 아니라 시간이 지나면서 강해 지거나 아니면 후회의 정도가 유지되는 기간이 길어서, 오랜 시간 걸쳐서 생각해보면 행동하지 않은 것에 대한 후회가 행동한 것에 대한 후회보다 더 크다고 해요. 즉, 순간적으로는 action regret이 후회의 정도가 강하지만 inaction regret은 오랫동안 그 감정이 유지/강화되어 순 후회의 정도가 더 크다는 얘기예요.

Hot/Wistful regret은 후회되는 사건이 얼마나 가까운/먼 과거에 일어났는가와 밀접한 연관이 있어요.

이 두 예를 생각해보세요. "어제 시험을 봤는데 망했어. 좀 더 공부했어야 했는데" vs. "비록 50년 전이지만, 내 첫사랑한테 고백 한 번 해보지 못한 게 정말 후회가 돼." 전자의 경우 당장의 후회의 강도는 세지만 아주 오래가지는 않아요. 그리고 부정적이고 화나는 후회죠. 하지만 후자의 경우에는 먼 과거를 회상하며, 말로는 후회한 다곤 하지만 좀 더 과거를 그리워하는 느낌이 강해요. 전자의 경우를 hot regret이라고 하고, 후자의 경우를 wistful regret이라고 해요.

이 두 개의 분류법은 비슷한 듯 다른 점이 있어요. Hot regret은 주로 행동한 것에 대한(action regret) 거고, wistful regret은 주로 행동하지 않은 것(inaction regret)에 대한 거예요. 하지만 inaction regret은 고통스럽고 action regret보다 총후회의 합이 높은 반면에 wistful regret은 아쉬워하고 그리워하는 정도로 후회의 강도가 약해요. 쉽게 말해, wistful regret은 주로 행동하지 않은 것에 대한 후회인데, 어떤 학자들은 inaction regret은 그 후회의 정도가 크다고 말하는 반면에 어떤 학자들은 wistful regret은 후회의 정도가 약하다고 말하는 거예요.

이를 해결하기 위해 다음 논문이 나왔어요.

Gilovich, T., Medvec, V. H., & Kahneman, D. (1998). Varieties of regret: A debate and partial resolution. Psychological Review, 105, 602-605.

실험 1.

이 실험에서는 실험 참가자 절반에게는 지난주(A)에 행동한 것과 행동하지 않은 것에 대한 후회를 떠올리게 했고, 나머지 절반에게는 그들의 삶에서(B) 행동한 것과 행동하지 않은 것에 대한 후회를 떠올리게 했어요. 그러고 나서 이런 후회의 경험들이 다른 hot emotions (e.g., angry)과 wistful emotions (e.g., nostalgic)을 얼마나 느끼게 했는지 물어봤어요. 그 결과,

1. hot emotions은 inaction regrets보다 action regrets과 연관이 깊었고,

2. wistful emotions은 action regrets보다 inaction regrets과 연관이 깊었고,

3. (B)가 (A)에 비해 wistful emotions와 연관이 깊었으며,

4. inaction regret에 대해 얘기를 할 때, 3의 경향이 더 강하게 나타났어요.

이 실험을 통해 wistful regret은 inaction regret과 밀접한 연관이 있고 hot regret은 action regret과 밀접한 연관이 있다는 게 나타났죠? 그렇지만 아직은 wistful regret이 정말 wistful 혹은 "pleasantly sad"한 어떤 그리움 같은 건지는 아직 모르겠어요.

실험 2.

일단 inaction regret이 정말 action regret보다 순간적으로 강하진 않지만 여전히 부정적이고 절망적인 감정일까에 대해 실험을 해요. 이번에는 모든 참가자들에게 인생에 있어서 가장 큰 행동한 것에 대한 후회와 행동하지 않은 것에 대한 후회를 생각해보게 해요. 그러고 나서 그 후회가 다른 hot (e.g., angry), wistful (e.g., nostalgic), and dispair (e.g., sad) emotions를 느끼게 했는가를 물어봐요. 그 결과,

1. 행동한 것에 대한 후회와 비교해서, 행동하지 않은 것에 대한 후회가 despair emotions를 느끼게 했으며,

2. 행동한 것에 대한 후회와 비교해서, 행동하지 않은 것에 대한 후회가 wistful emotions를 느끼게 했어요.

즉, inaction regret이 wistful emotions과 연관이 있지만 여전히 부정적인 감정인 게 나타났어요.

세 번째 실험 역시 실험 2와 비슷한 결과가 나왔어요.

정리를 해보면, inaction regret과 wistful regret은 밀접한 연관이 있어요. 근데 inaction regret을 소개한 학자들(Gilovich와 Medvec)은 이 후회를 부정적이고 길게 보면 action regret보다 더 고통스러운 것으로 말하는 반면에 wistful regret을 소개한 학자(Kahneman)는 부정적인 것보다는 nostalgic 한 감정에 가깝다고 말해요. 이 논문에서 나타난 결과는 Gilovich & Medvec의 손을 들어주는 것 같아요. 즉, 오랫동안 지속된 행동하지 않은 것에 대한 후회는 wistful 하기보다는 더 고통스럽게 느껴지는 것 같아요.

하지만 여전히 의문점은 남아있어요. 우리가 과거의 후회를 떠올릴 때, 잠깐 일순간 떠올릴 때도 있고 오랫동안 후회해온 기억을 떠올릴 때도 있어요. 첫사랑에 대해 생각할 때, 만약 고백하지 않은 것에 대한 후회를 종종 하고 있다면 참 생각하기 고통스러운 기억일 것 같아요. 하지만 이 후회에 대해 생각하고 있지 않다가 오랜 시간이 지난 후 우연히 기억이 났다고 해봐요. 여전히 고통스러운 기억일까요? 후회도 하나의 추억이 될 수 있지 않나요?

개인적으로는 action/inaction regret과 hot/wistful regret 사이에 다른 층이 하나가 더 있을 것 같아요. 최근 논문에는 이와 비슷한 생각을 한 논문이 있을까요? Interesting!

R 데이터 불러오기

EPIK. — Sun, 7 Jun 2020 02:22:35 +0900

오늘은 R을 이용해서 기존에 갖고 있던 데이터를 불러와볼거예요.

Working Directory

먼저 파일을 저장할 폴더를 지정해볼까요?

원래 있던 폴더를 연결해서 파일들을 저장하시려면 setwd 기능을 이용하시면 돼요.

setwd("C:/Users/.../Desktop/R Practice")

이게 웃긴게 그냥 폴더 주소를 복사해서 붙여넣으면

C:\Users\...\Desktop\R Practice

이렇게 나와요. 그대로 복사 붙여넣기 하면 안돼요. 저 \표시를 /로 바꿔줘야 해요.

파일 불러오기

이제 working 폴더를 지정해줬어요.

이번에는 csv 확장자로 된 데이터를 불러올게요.

read.csv라는 명령어를 이용해서,

NewData <- read.csv("Regret__Liking__Fall_2018.csv", header=TRUE, na.strings=c(" ",""))

여기서 NewData는 저번에 배운 것처럼, 새롭게 만들어지는 object 이름이예요.

만약 working 폴더(위에서 지정한 폴더)에 데이터가 있으면 데이터 이름만 저렇게 넣으면 돼요. 만약 다른 폴더에 있으면 전체 주소를 적어주시고요.

header=true 라는 의미는, 보통 첫 번째 가로줄이 변수 이름이잖아요? 그걸 포함시킨다 라는 의미고요.

na.strings는 결측값을 지정해주는 거예요.

만약 결측값을 99로 입력이 되어있다면 na.strings=c("99") 이렇게 하면 돼요.

만약 다른 확장자로 된 파일을 불러오고 싶으면 주로 foreign 패키지를 많이 써요.

설치 방법은

install.packages("foreign".dependencies=T)

근데 최신 버전에는 이미 있더군요. 그런 경우에는 그냥 실행해주세요.

library(foreign)

이 패키지를 이용하면 다양한 종류의 파일을 불러올 수 있어요.

SPSS, Stata, SAS, Minitab 등등

SPSS파일을 불러오기 위해서는

SPSSData <- read.spss("Regret__Liking__Fall_2018.sav", to.data.frame=TRUE)

요런식으로 하면 돼요.

to.data.frame은 저번 포스팅에서 data frame 만드는거 배웠죠?

그렇게 데이터를 불러온다는 뜻이예요.

R은 코드 베이스 프로그램이라 코드에 익숙해져야 하는데,

데이터 불러오기만이라도 좀 편하게 하고싶다면 사실 쉬운 방법이 있어요.

Environment -> Import Dataset -> ... 원하는거 불러오면 돼요.

Haven 이라는 패키지를 이용하는데, 자동으로 설치해줄거예요.

설치하고 나서 들어가면 뭐 어려운 건 없어요.

또 다른 방법도 있어요.

Files -> More ->

만약 저 따라서 working 폴더 설정했고, 그 안에 데이터 파일이 있으면

Go To Working Directory

그럼 파일이 보일거예요. 그 파일 마우스 왼쪽 클릭해서 import dataset 하면 끝...

어려운거 먼저 소개해서 ㅈㅅ

코드에 익숙해지자는 의미에서 먼저 코드로 했어요 ㅎㅎ

데이터를 잘 불러왔을까?

그럼 데이터를 잘 불러왔나 궁금하겠죠?

만약 haven을 이용해서 불러왔다면 data frame 탭이 생겼을거예요.

이렇게요.

이걸로 말고 코드로도 확인할 수 있어요.

제 object이름은 RLSPSS이고요,

names(RLSPSS)

이 기능은 프레임 안에 변수 이름들을 보여줘요.

head(RLSPSS)

이건 위에서부터(ID 1번) 데이터를 보여주는데, default는 6개를 보여줘요.

만약 더 많이 보고싶다면,

head(RLSPSS, 8)

이러면 위에서부터 8번째까지 데이터를 보여주고요.

반대로 head 대신에 tail을 치면 뒤에서부터 보여줘요.

View(RLSPSS)

이건 위에서처럼 데이터 프레임을 보여주고요.

이렇게요.

데이터 구조를 보고싶다면

str(RLSPSS)

이러면 각 변수의 데이터가 numeric인지 integer인지 factor인지가 나올거예요.

이걸로 데이터 불러오기는 끝났어요.

다음에는 대략적으로 데이터를 탐색해보도록 해요.

도움이 됐다면 커피 한 잔 사주시면 감사하겠습니다^^

EPIK is 어려운 지식을 가능한 한 쉽게 공유하는 곳이예요 :)

Hey I just created a page here. You can now buy me a coffee!

www.buymeacoffee.com

R 기초 2 (갖고 놀기)

EPIK. — Fri, 5 Jun 2020 01:27:31 +0900

전 포스팅에 나온 용어를 짧게 요약해보면

Object: 이건 변수라고 생각하면 쉬운데 데이터를 불러오는게 아니라 우리가 R에서 임의로 정의내리는 거예요.

Num (numeric): 이건 모든 숫자

Int (integer): 정수

chr (character=string): 텍스트

factor: 텍스트에 수치를 부여한 것

각각에 해당하는 objects들을 새롭게 다시 만들어볼게요.

여기까지는 저번 포스팅에서 배웠죠?

데이터 프레임(data frame) 만들기

만약 데이터가 많다고 생각해봐요. 보기 어렵겠죠?

그럴 경우 data frame을 만들어줘요.

data.frame 기능을 이용해서요.

Object 이름은 맘대로 하셔도 돼요. 즉 DF가 아니여도 돼요.

이렇게 만들고 나서 View 기능을 이용해서 보면 돼요. (V는 반드시 대문자)

이 View 기능을 실행하면 source pane에 탭이 하나 생겨요.

거기로 가면 아래와 같이 데이터를 볼 수 있어요.

데이터 프레임 안에서 수정/추가

데이터를 입력하다가 실수로 나이를 잘 못 입력했다고 해봐요. 전부 +1을 해야돼요.

어떻게 해야할까요?

DF$age2 <- DF$age+1

이렇게 해주면 돼요.

"DF 안에 있는 age에 +1을 해서 DF 안에 age2를 만들어라" 이런 의미가 돼요.

그럼 아래와 같이 데이터 프레임 안에 새로운 object인 age2가 생기고 이 안의 값은 기존 age 안에 있던 값의 +1이 된 값이 저장이돼요.

만약 평균을 계산하고 싶으면 mean() 을 사용해요.

DF안에 있는 age2의 평균을 계산하고 싶으면

mean(DF$age2)

표준편차를 계산하고 싶으면 sd()

만약 표준화시키고 싶으면, 표준화 시키는 공식이 뭐였죠?

z = (x-mean)/SD 였죠?

만약 나이를 표준화 시킨다면(그럴 일은 없겠지만..)

zage<-(age-mean(age))/sd(age)

이렇게 계산식을 넣어서 하면 돼요

만약 DF 프레임 안에다가 만들고 싶으면

DF$zage <- (DF$age-mean(DF$age))/sd(DF$age)

그럼 이렇게 데이터 프레임 안에 들어오지요.

데이터 프레임 정리

자 이제 이 데이터 프래임을 정리를 해보려고 해요.

지금 현재 ID, age, fav.color, age2, zage 이렇게 있죠?

근데 만약 ID를 없애고, age, zage, age2, fav.color 이 순서대로 정리하고 싶으면 어떻게 해야할까요?

DF2 <- DF[,c(2,5,4,3)]

이 의미는 "DF2라는 새로운 데이터 프래임을 만드는데, DF의 2, 5, 4, 3 세로 줄 순서대로 만들어라" 라는 명령어예요.

(행, 열 단어가 전 너무 헷갈려요.. 그래서 column을 세로 줄, row를 가로 줄이라고 할게요.)

앞에 콤마(,)가 들어가는 이유는 보통 [가로줄, 세로줄] 이렇게 들어가거든요. 근데 콤마 앞에 아무것도 넣지 않음으로써 가로줄은 건들지마 라고 하는거죠.

View(DF2) 해서 보시면

이렇게 나왔죠? 이제 응용도 가능할꺼예요.

중간에 한 세로줄을 빼고 싶으면

DF3<- DF[,c(1:3,5)]

이럼 age2가 빠지겠죠?

DF4 <- DF[,2:5]

이러면 ID가 빠지고요

만약 변수(object)이름을 바꾸고 싶으면

names(DF) <- c("ID", "age", ...)

이렇게 세로 줄 왼쪽부터 차례대로 넣어주면 돼요.

이번에는 특정 데이터를 찾아볼까요?

DF 프레임 안에 age가 20세 이상이면서 green을 좋아하는 사람이 몇 명이나 있을까? 를 알고싶으면

sum(DF$age>=20 & DF$fav.color=="green")

sum을 넣어줌으로써 몇 명인지 알려주고, 나머지는 알겠죠?

& 이걸 넣을 때에는 앞 뒤로 띄어쓰기 잊지 마시고요.

그럼 만약 sum을 쓰지 않으면 어떻게 될까요?

DF$age>=20 & DF$fav.color=="green"

이렇게 하면 몇 번째 가로줄에 이에 해당하는 케이스가 있는지 말해줘요.

이렇게요.

3번째에 TRUE라는 말은 세번째 가로줄이 이 범주안에 들어온다는 뜻이죠.

마지막으로 만약 20세 이상이면서 green을 좋아하는 사람만 따로 빼내고 싶다면요?

그럼 이렇게 해보세요.

Over20G <- DF[DF$age>=20 & DF$fav.color=="green",]

맨 마지막에 콤마를 넣음으로써, 모든 세로줄을 포함하라는 뜻이예요.

따라서 새롭게 만들어지는 Over20G는

이렇게 20세 이상이면서 green을 좋아하는 사람의 데이터만 뽑아서 저장해요.

별 무리없이 잘 따라오셨나요? 이런식으로 데이터를 관리, 수정 등을 할 수 있어요.

오늘도 크게 어려운건 없었죠?

다음에는 데이터를 불러오는걸 해볼게요.

도움이 됐다면 커피 한 잔 사주시면 감사하겠습니다^^

EPIK is 어려운 지식을 가능한 한 쉽게 공유하는 곳이예요 :)

Hey I just created a page here. You can now buy me a coffee!

www.buymeacoffee.com

R 기초 1 (갖고 놀기)

EPIK. — Wed, 3 Jun 2020 19:53:02 +0900

R 설치는 하셨죠? 이제 차근차근 R을 배워봅시다.

New Project

먼저 하나의 프로젝트 마다 다른 폴더를 만들어주면 길게 보면 상당히 편해요.

이 작업을 먼저 해줄거예요.

RStudio에서 File -> New Project를 눌러주세요.

이런 창이 나왔죠?

New Directory로 들어가시고, 그 다음은 new project를 선택하세요.

이제 여기서 Browse를 눌러서 프로젝트를 저장할 폴더를 지정해주세요. 이름도 넣어주시고요.

그런 후 create project를 눌러주세요.

그럼 오른쪽 하단 Files라는 탭 아래 해당 프로젝트 정보가 있을거예요.

그리고 제가 source pane에 코드를 적는다고 말씀드렸죠?

이 source pane을 열어주기 위해서는 File -> New File -> R script

아래와 같이 따라 오셨나요?

제 프로젝트 이름은 Regret_Liking이예요.

구조 만들기

자 이제 이 프로젝트에 관한 설명을 넣고 싶어요.

즉, 통계에 영향을 주지 않는 그냥 텍스트를 넣는거예요.

그러기 위해서는 맨 앞에 # 을 넣어주세요.

이렇게요.

그리고 만약 챕터를 나누고 싶다면

----

이렇게 4개 이상의 하이픈? 빼기? (-) 사인을 넣어주세요.

이렇게 하면 왼쪽에 아래로 향해있는 작은 화살표 보이죠? 이걸로 펼쳤다 접었다 할 수 있어요.

여러 실험을 하나의 스크립트에 넣을 때 굉장히 유용해요.

getwd()

이걸 넣어서 돌려주면 파일이 어디 폴더에 있는지 알려줘요.

원하는 코드를 블럭 지정해서 저기 Run을 누르거나 혹은 컨트롤+엔터 를 누르시면 돼요.

블럭 지정 하지 않고 원하는 줄에서 컨트롤+엔터 눌러도 돼요.

오른쪽 Console pane에 주소가 보이죠?

이제 혹시 모르니까 저장을 해둘까요?

File -> SaveAs

가셔서 원하는 이름으로 저장하시고 돌아옵시다.

Object 만들기

이제 object를 만들어볼까요?

예를 들어, ab의 값을 10이라고 지정하고 싶으면 ab라는 object에 10이라는 수치를 정해주는 거예요.

여러 수치를 지정해주면 object는 변수가 되겠죠?

object를 만들고 이 object에 정보를 넣어줄거예요.

실제로는 많이 쓸 일은 없지만 연습이라고 생각하면 좋아요.

ID라는 변수를 만들고 1, 2, 3 넘버를 넣어볼게요.

ID <- c(1,2,3)

이걸 돌리면 아래 Environment에 변수/object가 생겨요.

이렇게요. 잘 따라오고 있죠?

<- 이 표시는 직접 넣으셔도 되고, 알트+하이픈(빼기) 누르셔도 되고요.

c(1,2,3) 대신에 c(1:3)을 넣어도 돼요.

ID2 <- c(1:3)

밑에 보시면 똑같이 1, 2, 3이 들어가있죠?

근데 앞에 ID는 num이고 ID2는 int네요.

num은 numeric으로 모든 수를 칭해요.

int는 integer로 정수만을 의미해요.

참고로 class(object 이름) 이 명령어를 치면 데이터 형태를 알 수 있어요.

예를 들어,

class(ID2)

를 돌려보면

오른쪽 console pane에 class(ID2) integer인거 보이죠?

대/소문자 상관없나 해봤는데 상관 있네요 ㅎㅎ

그럼 만약에 나중에 데이터를 불러왔는데 모든 값을 정수로 바꾸고 싶어요.

여기서는 ID 가 numeric (소수점 포함 모든 수)인 것을 integer로 바꿀꺼예요.

새로운 object인 ID3를 생성하면서 바꿀게요.

ID3 <- as.integer(ID)

그리고 참고로 numeric 수치에 소수점이 있으면 소수점은 버리고 정수로 바꿔요. 반올림 아니예요.

ID3가 int인거 보이죠?

그리고 아래와 같이 한 object에 다른 object 수치를 넣는것도 가능하고요.

ID4 <- c(ID, 10)

그럼 만약에 텍스트를 넣고싶다면요? 해봅시다.

Color <- c("red", "red", "blue", "yellow")

주의하실 점은 " " 안에 텍스트를 넣어줘야 한다는거.

chr이라고 나오죠? 이건 character의 줄임말로 텍스트일 경우를 말해요.

만약 이 텍스트에 수치를 넣고 싶다?

그럼 factor라는 명령어를 사용해서,

Color2 <- factor(Color)

이번에는 결측치를 넣어볼까요?

Color3 를 만들어서 Color + 결측치 2개를 넣을게요.

Color3 <- c(Color, NA, NA)

NA는 R에서 보통 결측치를 의미해요.

Objects 살펴보기

만약 데이터가 많으면 결측치가 몇 개 있는지 모를거예요. 그땐

sum(is.na(Color3))

이렇게 확인해보세요.

오른쪽 console pane에 2라고 나왔죠? 2개가 있대요.

자 이제껏 여러개의 objects를 만들었어요.

이 objects를 한번에 보려면 ls()를 치면돼요.

Is 아니고 Ls 예요. List 할때 Ls요. 근데 L을 대문자로 쓰면 안되고 소문자로 쓰세요.

console pane에 리스트가 나왔죠?

연습을 많이 했더니 Environment에 변수(objects)가 너무 많아졌네요. 좀 지워볼까요?

rm(ID, ID2, ID3, ID4, Color, Color3)

ID5랑 Color2만 남겼어요.

자 그럼 이제 Color2 에서 만약 red가 어디 있는지 찾고 싶어요.

Color2=="red"

Console pane에 결과가 보이죠? 첫 번째와 두 번째가 red 네요.

red가 총 몇 개일까요?

sum(Color2=="red")

Console pane에 보면 2개가 있다네요.

red 와 blue 가 총 몇개지?

sum(Color2=="red"|Color2=="blue")

총 3개 가 있대요.

yellow 가 Color2 안에 있을까?

"yellow" %in% Color2

black이 Color2 안에 있을까?

"black" %in% Color2

yellow는 Color2 안에 있지만, black은 Color2 안에 없대요.

true--있어

false--없어

텍스트가 아닌 숫자인 경우에도 마찬가지로 하면 돼요.

몇 가지 예는 다음과 같아요.

ID5!=3

이건 ID5에서 3을 제외한 나머지를 뜻해요.

이번 포스팅은 여기까지 해볼게요.

다음 포스팅도 이와 비슷한 로직, 생성, 계산과 관련한 포스팅이 될 것 같아요.

그 다음은 데이터 불러오고 관리하는 방법에 관한게 될 것 같고요.

천천히 R과 친해져봐요!

도움이 됐다면 커피 한 잔 사주시면 감사하겠습니다^^

EPIK is 어려운 지식을 가능한 한 쉽게 공유하는 곳이예요 :)

Hey I just created a page here. You can now buy me a coffee!

www.buymeacoffee.com

R 입문! (설치 및 세팅)

EPIK. — Wed, 3 Jun 2020 05:34:10 +0900

미루고 미루다가 이제 R도 간간히 다뤄볼까 해요.

R은 SPSS와 다르게 코드를 이용하는 프로그램이라 이용하기 힘든 측면이 있어요.

하지만 한 번 익숙해지고 나면 다루지 못하는 통계가 거의 없죠.

공짜기도 하고, 학자들이 계속 패키지를 내놓기 때문에 업데이트도 빠른 편이예요.

R은 통계 환경이랄까요? 그 자체로는 아무것도 할 수 없어요. 패키지를 다운 받아야해요.

패키지는 어떤 기능들의 집합체?라고 보면 되는데, 각각의 패키지는 특정 명령어를 포함하고 있어요. 즉, 패키지를 다운 받고, 실행하고, 각 패키지에 맞는 명령어를 이용해서 분석을 하는 거예요. R은 이를 가능하게 하는 프로그램인거죠.

어떻게 굴러가는지 이해가 되시나요?

R 설치

자 그럼 이제 설치를 해볼까요? 먼저 여기로 들어가세요.

그럼 다음과 같은 화면이 뜨고, 본인의 운영체제에 맞게 들어가주세요. 저는 윈도우용으로 들어가요.

그럼 다음과 같은 화면이 보일거예요.

대부분 처음 설치하시는 거겠죠? 그러니깐 이 글을 보고 계시겠죠?

install R for the first time으로 들어가주세요. 그 다음 Download R 3.6.3 (현재는 4.0.0) for Windows 를 클릭하셔서 .exe 파일을 다운받으세요. 다 다운 받으면 들어가셔서 설치하면 돼요. 설치 과정 한국어 지원도 되네요.

설치 다 하셨나요?

RStudio 설치

이번에는 RStudio를 설치해볼거예요.

이건 필수는 아니지만 이걸 설치해야 쉬.워.요.

여기로 가셔서,

공짜 버전으로 ㄱㄱ

설치는 어렵지 않을꺼라고 생각해요!

이제 RStudio를 열어주세요.

(참고로 저는 영어 버전이예요. 한글 버전이 있는지는 잘 모르겠어요.)

RStudio 간단 설정

만약 글자가 작거나 폰트가 맘에 안들면 Tools -> General Options 으로 들어가주세요.

Appearance 로 가면 다음과 같은 화면이 나와요.

여기서는 폰트, 글자 크기 등을 조절할 수 있어요.

색맹, 색약이신 분들은 theme을 바꿔서 조절을 좀 하셔야해요.

자 이제 script를 열어볼까요?

File -> New File -> R script 를 클릭해주세요.

그럼 이렇게 새로운 pane, 창(?)이 생기죠?

보통 RStudio를 할 때 이렇게 총 4개의 panes을 열어놓고 해요. 왼쪽 위의 새롭게 열린 빈 곳이 source pane, 코드를 쓰는 곳이예요. 코드를 열심히 쓴 후 돌리면 왼쪽 하단의 console pane에 결과가 나와요. 근데 저는 개인적으로 console pane을 오른쪽에 놓는걸 좋아해요.

저처럼 까다로운 분이 계시다면, View -> Panes -> Console on right 클릭하시면 돼요.

이렇게 바꿨어요.

이제 준비 다 되셨죠? 다음 포스팅부터 본격적으로 R 배우기 시작해봐요!

도움이 됐다면 커피 한 잔 사주시면 감사하겠습니다^^

EPIK is 어려운 지식을 가능한 한 쉽게 공유하는 곳이예요 :)

Hey I just created a page here. You can now buy me a coffee!

www.buymeacoffee.com

Amos를 이용한 그룹 차이(조절) 분석5 (실전3)

EPIK. — Wed, 3 Jun 2020 05:02:34 +0900

[통계 이야기/SEM 기초 및 Amos] - Amos를 이용한 그룹 차이(조절) 분석1 (이론)

[통계 이야기/SEM 기초 및 Amos] - Amos를 이용한 그룹 차이(조절) 분석2 (이론 심화)

[통계 이야기/SEM 기초 및 Amos] - Amos를 이용한 그룹 차이(조절) 분석3 (실전1)

[통계 이야기/SEM 기초 및 Amos] - Amos를 이용한 그룹 차이(조절) 분석4 (실전2)

[통계 이야기/SEM 기초 및 Amos] - Amos를 이용한 그룹 차이(조절) 분석5 (실전3) ◁ 현재 포스팅

이 전 포스팅에 이어서 이번에는 Amos를 사용해서 구조방정식을 할 때에 그룹 차이를 보는 방법에 대해서 알아볼게요.

반드시 확인적 요인분석에서 그룹 차이가 없는지 확인하고 이 단계로 넘어오셔야 해요. 이 단계는 전 포스팅에 나와있어요.

우리는 지금 감정적인 후회와 인지적인 후회가 수업 성적에 영향을 미칠 때 남자 학생과 여자 학생간의 차이가 있는지를 보고있어요.

Unconstrained and Model 1

확인적 요인분석에서와 마찬가지로 그룹을 나눈 후

빨간 동그라미 안에 있는 아이콘을 누르고 확인적 요인분석에서 마지막으로 한 invariance test (weak factorial invariace)와 같게 체크박스를 표시해주세요. 이 전 포스팅에서 한 것처럼 model 1에 measurement weights에만 체크했어요.

그 결과,

Unconstrained, Model 1 이런 애들이 생겼어요.

여기서 Model 1에 더블클릭해서 들어가보면 위와 같은 탭이 떠요.

전과 마찬가지로 a1_1은 여성의 Emo_Reg -> ER2 요인적재량이고, a1_2는 남성의 Emo_Reg -> ER2의 요인적재량이예요. 이렇게 각각의 요인적재량이 같다고 제한한 모델이 model 1이예요.

그리고 확인적 요인분석과 다르게 밑에 a9 과 a10이 추가됐어요.

모형 그림을 보면 Emo_Reg -> FinalGPA 경로가 a9_1인거 보이시나요? 지금 female을 선택해놓았기 때문에 이 경로가 a9_1인거고 male을 선택하면 이 경로는 a9_2가 되는걸 확인할 수 있을거예요.

즉, model 1에서는 "감정적 후회와 인지적 후회가 성적에 미치는 영향이 성별에 따라 다르지 않다" 라고 설정해놓은 거라고 생각하시면 돼요.

근데 우리가 알고싶은건 각각의 경로에서 성별간에 차이가 있는지를 보는거잖아요?

따라서 모델을 더 생성해줄거예요.

Model 5 & 6

New 탭이 보이나요? 이걸 누르면 새로운 모델이 생성이 돼요.

여기다가 model 1에 있는 등식을 똑같이 복사 붙여넣기 하시고, 경로 중 하나만 지워주세요.

새롭게 생성된 model number 5 보이시죠? 여기서 저는 먼저 a9을 지웠어요.

그리고 다시 new를 눌러서 또 다른 모델을 만들어주세요(Model 6). 그러고 이번에는 a10을 지울게요.

이렇게요. 여기까지 잘 따라 오셨나요?

각 모델이 뭘 의미하는 걸까?

결과를 보기 전에, Unconstrained 모델과 Model 1, 그리고 새롭게 만든 Model 5 & 6가 뭘 의미하는지 잘 생각해봐야 해요. (Model 2 & 3은 지워버려도 돼요. 그냥 헷갈리실까봐 놔뒀어요)

쉽게 말해보면, Unconstrained 모델은 모든 경로계수, 요인적재량 등에 있어서 각 그룹(성별)을 따로 계산하는 거예요.

Model 1은 이와 반대로 경로계수와 요인적재량에 그룹(성별) 간 차이가 없다고 고정시켜버린 거고요.

새롭게 만든 model 5는 model 1에서 a9 (Emo_Reg -> FinalGPA)만 삭제했잖아요? 즉, Emo_Reg -> FinalGPA 이 경로만 그룹별로 각각 계산하고, 나머지는 그룹간 차이가 없다고 고정시키는 거예요.

Model 6는 a10만 삭제했으니 a10 경로만 빼고 나머지는 그룹간 같다고 고정한거고요.

그럼 이번에는 각 모델을 비교해서 생각해보세요.

만약 model 1과 model 5간에 차이가 없다고 생각해봐요.

그 말은 a9이 그룹간 차이가 없다는 뜻이겠죠?

a9이 그룹간 차이가 있다면, a9이 그룹 간 차이가 없다고 고정한 model 1과 model 5는 달라야 할거예요.

마찬가지로 model 1과 model 6을 비교해봤을 때, 두 모델 간에 차이가 없다면 a10이 그룹간 차이가 없는게 되겠죠.

그룹 차이 결과

자 그럼 이제 피아노 건반을 눌러서 결과 값을 봅시다. 바로 모델을 비교해볼게요.

우리가 가장 중요하게 봐야할 부분은 모델 비교예요.

Model Comparison에 들어가면 카이스퀘어 차이 분석 결과가 나오는데, 여기서 p값이 유의미하면 모델간에 통계적으로 차이가 있다는 뜻이예요.

우리는 model 1 vs. model 5 그리고 model 1 vs. model 6를 봐야해요.

이렇게 비교해야 하는 이유는 위에서 이해하셨죠?

model 1과 model 5간에는 유의미하게 모델 핏 차이가 난다고 나왔어요(p = .02)

따라서 a9 경로는 성별간에 차이가 있어요.

model 1 과 model 6간에는 유의수준 .1을 기준으로 유의미한 차이가 있어요(p = .06)

따라서 a10 경로 역시 성별간에 차이가 있다고 볼 수 있겠네요.

그럼 어떻게 차이가 날까요?

Estimate 에 들어가서 확인해보면,

여성의 경로계수

남성의 경로계수

남성과 여성간 차이가 없다고 고정한 model 1의 값을 보면 안되겠죠?

아무것도 고정하지 않은 unconstrained 모델을 보시고, 각 경로 값을 확인해보세요.

여성의 a9 값은 .009 (ns)이고, 남성의 a9 값은 -.372 (p = .079)네요.

즉, 여성의 경우 감정적인 후회가 성적에 영향을 미치지 않지만, 남성의 경우 유의수준 .10을 기준으로 감정적인 후회가 성적에 부정적인 영향을 미친다고 나오네요.

그리고 여성의 a10 값은 -.224 (ns), 남성의 a10 값은 -.068 (ns), 두 그룹 모두 인지적 후회는 성적에 영향을 미치지 않네요.

이런식으로 분석하시면 돼요.

논문 쓰실때는 카이스퀘어 말고도 다른 적합도 값들도 얼마나 차이가 나는지 리포팅 해주시고요.

Amos를 이용한 그룹 차이 분석은 여기까지고요, 이 부분에 대해 더 궁금한 점 있으시면 댓글 남겨주세요.

오늘도 도움이 됐기를 바라며,

열논문!

도움이 됐다면 커피 한 잔 사주시면 감사하겠습니다^^

EPIK is 어려운 지식을 가능한 한 쉽게 공유하는 곳이예요 :)

Hey I just created a page here. You can now buy me a coffee!

www.buymeacoffee.com

Amos를 이용한 그룹 차이(조절) 분석4 (실전2)

EPIK. — Sun, 31 May 2020 07:39:30 +0900

[통계 이야기/SEM 기초 및 Amos] - Amos를 이용한 그룹 차이(조절) 분석1 (이론)

[통계 이야기/SEM 기초 및 Amos] - Amos를 이용한 그룹 차이(조절) 분석2 (이론 심화)

[통계 이야기/SEM 기초 및 Amos] - Amos를 이용한 그룹 차이(조절) 분석3 (실전1)

[통계 이야기/SEM 기초 및 Amos] - Amos를 이용한 그룹 차이(조절) 분석4 (실전2) ◁ 현재 포스팅

[통계 이야기/SEM 기초 및 Amos] - Amos를 이용한 그룹 차이(조절) 분석5 (실전3)

이 전 포스팅에서 그룹을 지정해줬어요.

자 이제 확인적 요인분석에서 그룹간에 차이가 있는지 살펴볼게요.

Configural invariance test

먼저 configural invariance test를 할거예요.

이건 확인적 요인분석 모델에서 그룹 간 전체적인 모델 핏에 차이가 있는지 확인하는 거예요.

음.. Amos에서는 그룹별로 모델핏이 나오지 않나봐요.

애써 그룹을 나눠놨는데 잠시 찢어놔야 할 것 같아요.

여기서 일단 male을 없애줄게요. 그냥 더블클릭해서 delete 누르시면 돼요.

Female만 남긴채 돌린 결과(일반적인 확인적 요인분석과 똑같이 돌리시면 돼요) 다음과 같은 모델핏이 나왔어요.

Female 모델 핏

Female 요인적재량

이번엔 male만 돌려볼께요.

다시 male 데이터를 넣어주고(하아...) 돌려준 결과

Male 모델 핏

Male 요인적재량

자 이제 뭘 봐야하죠?

1. 각각의 모델 핏이 괜찮은가 확인해보세요.

사실 RMSEA값이 높긴 한데 그냥 넘어가도록 할게요 ㅋㅋㅋ 각 그룹의 모델 핏이 괜찮으면,

2. 요인적재량이 비슷한지 살펴보세요.

값이 좀 차이가 나긴 하지만 적어도 마이너스 값이나 아주 많이 차이나는 값은 없죠?

Weak factorial invariance

이제 weak factorial invariance 를 해볼게요.

이건 요인적재량이 그룹 간 같은지 확인하는 거예요.

찢어놨던 그룹을 다시 만들어줄게요.

저 빨간 동그라미 아이콘을 클릭해주세요.

그럼 이렇게 탭이 뜨는데, 다른거 다 필요없고 맨 위에 1번에만 체크를 남겨주세요.

그리고 ok. 그러면,

이렇게 모델이 생겨요. 우리는 model 1에만 체크를 했으니 model 1만 보면 돼요.

더블 클릭해서 들어가보면,

이런게 나오나요?

a1_1=a1_2

이런식으로 나열되어 있죠?

a1_1은 여성의 Emo_Reg -> ER2 의 요인적재량이예요.

a1_2는 남성의 Emo_Reg -> ER2 의 요인적재량이예요.

즉, a1_1=a1_2의 의미는 ER2의 요인적재량이 그룹 간에 같다고 고정시켜버린 거예요.

이제 이 모델을 돌려볼께요. 똑같이 피아노 건반 누르면 돼요.

Weak factorial invariance 모델 핏

우리는 다시 Model 1만 보면 되겠죠?

모든 요인 적재량이 그룹 간에 같다고 지정한 Model 1의 모델 핏을 보니 unconstrained 모델과 별반 차이가 없어요.

Unconstrained 모델은 그냥 우리가 평소에 하던 분석이예요.

즉, a1_1 = a1_2 이런 제약 없이 분석한 결과값이예요.

아무 제약 없이 분석한 모델(unconstrained)과 제약을 준 모델(Model 1)의 모델 핏에 별반 차이가 없어요.

이 말은 무슨뜻일까요?

남성과 여성을 나눠서 분석하던, 남성과 여성을 같다고 해서 분석하던 결과에 별 차이가 없다는 뜻이예요.

즉, 남성과 여성의 요인적재량 차이가 미미하다는 의미예요.

그럼 어떻게 별반 차이가 없다고 얘기하냐고요?

카이스퀘어 차이 분석을 하시는게 가장 엄격한 방법이예요.

Unconstrained 모델의 카이스퀘어 값은 138.259이고, 자유도는 68이예요.

Model 1의 카이스퀘어 값은 149.098이고, 자유도는 76이고요.

두 모델간의 카이스퀘어 값 차이는 10.839, 자유도의 차이는 8이죠.

왼쪽에 degress of freedom (자유도)이 8일 때, p = 0.05를 기준으로 카이스퀘어 값이 15.51인거 보이나요?

만약 우리의 두 모델 간의 카이스퀘어 값 차이가 15.51보다 크면 두 모델은 유의미하게 다르다고 얘기할 수 있어요.

하지만 두 모델 간 카이스퀘어 차이는 10.839로 15.51보다 낮아요.

따라서 두 모델은 다르지 않다고 얘기할 수 있어요.

아니면 CFI가 0.01 이하로 차이가 나는지 등 다소 informal하게 보셔도 되고요.

RMSEA의 경우에는 신뢰도 구간 안에 들어오는지 보면 되고요.

저는 지금 RMSEA를 무시하고 있지만 반드시 확인하셔야 해요.

아니면 결과창에서 Model Comparison을 클릭하셔서 핏에 차이가 있는지 보셔도 돼요.

p값이 유의하지 않죠?

따라서 두 모델(unconstrained--제약 안준 모델과 model 1--제약을 준 모델) 간 모델 핏에 차이가 없다고 볼 수 있어요.

Mplus라면 여기서 strong factorial invariance 단계로 가겠지만 Amos에서는 여기까지만 하면 될 것 같아요.

참고로 이 분석에는 여러가지 방법이 있어요.

저는 그 중 한 가지 방법을 말씀드리는 거고, 다른 방법이 익숙하시다면 다른 방법으로 하시면 돼요.

예를 들어, 저는 요인 적재량만 제약을 줘서 분석을 했잖아요?

이 외에도 잔차, 공분산 모두 제약을 줘서 분석을 하기도 해요.

참고해주세요.

다음 포스팅에서는 경로분석에서 어떻게 그룹간 차이를 보는지 알아볼게요.

도움이 됐다면 커피 한 잔 사주시면 감사하겠습니다^^

EPIK is 어려운 지식을 가능한 한 쉽게 공유하는 곳이예요 :)

Hey I just created a page here. You can now buy me a coffee!

www.buymeacoffee.com

더 나은 관계를 위해선 감사를 표현하세요

EPIK. — Sat, 30 May 2020 12:15:33 +0900

우리는 평소에 감사할 일이 너무나도 많아요. 뭔가 딱히 큰일이 없어도 단지 가족, 친구, 혹은 연인이 옆에 있는 것만으로도 감사한 일이에요. 이렇게 감사한 사람들에게 그 고마운 마음을 표현하면 당연히 관계가 좋아지겠죠? 하지만 어떻게, 왜 좋아질까요? 다시 말해, 고마움을 표현하는 게 관계를 어떻게 좋아지게 할까요?

Lambert, N. M., & Fincham, F. D. (2011). Expressing gratitude to a partner leads to more relationship maintenance behavior. Emotion, 11, 52-60.

먼저 그럼 "좋은 관계"의 정의를 어떻게 내리면 좋을까요? 아주 다양한 척도가 있겠지만, 오늘의 논문에서는 "comfort in voicing relationship concerns" (관계 문제에 대해 말하는 것에 대해 거리낌이 없는 정도?)로 한정해서 살펴보고 있어요.

실험 1-3은 넘어가고,

실험 4.

이 실험에서는 4가지 조건 중 하나를 무작위로 참가자들에게 부여했어요. 그래서 참가자들은 그룹에 따라서 친구에게 직접 감사를 표현하거나, 평소에 보통 하는 일에 대해서 생각해보게 하거나, 친구에게 감사한 일을 생각해보게 하거나, 친구와 같이 한 즐거운 시간을 표현하라고 했어요. 그러고 나서 그 친구에 대한 태도와 관계 문제에 대해 말하는 것에 얼마나 편안한지를 물었어요. 일주일에 두 번씩 총 2주간 진행됐고요.

그 결과 오로지 고마운 마음을 직접적으로 표현할 경우에만 관계 문제에 대한 얘기를 하는 것에 대해 거부감이 덜했어요. 즉, 고마운 마음을 표현을 하면 더 편하게 하기 어려운 얘기를 할 수 있게 된다는 뜻이예요.

그렇다면 이게 어떻게 가능할까요?

이 논문에서는 self-perception theory (자기 지각이론)로 이 결과를 설명하고 있어요.

이 이론은 자신의 행동을 토대로 자신의 태도를 설명하는 거예요. 즉, 내가 친구에게 고마움을 표현함으로써 "아 이 친구는 나에게 소중한 사람이구나"라고 깨닫는 거예요.

만약 관계가 소원해지면 고마운 마음을 표현해보세요.

문득문득 소중한 사람에게 고맙다는 짧은 노트를 전해 보세요.

부모님에게 고맙다고 얘기해보세요.

잃을 것 없는 작은 행동이 우리의 관계를 더 돈독하게 만들어 줄 거예요.

Amos를 이용한 그룹 차이(조절) 분석3 (실전1)

EPIK. — Sat, 30 May 2020 05:17:29 +0900

[통계 이야기/SEM 기초 및 Amos] - Amos를 이용한 그룹 차이(조절) 분석1 (이론)

[통계 이야기/SEM 기초 및 Amos] - Amos를 이용한 그룹 차이(조절) 분석2 (이론 심화)

[통계 이야기/SEM 기초 및 Amos] - Amos를 이용한 그룹 차이(조절) 분석3 (실전1) ◁ 현재 포스팅

[통계 이야기/SEM 기초 및 Amos] - Amos를 이용한 그룹 차이(조절) 분석4 (실전2)

[통계 이야기/SEM 기초 및 Amos] - Amos를 이용한 그룹 차이(조절) 분석5 (실전3)

자 드디어 실전으로 가 봅시다!

어떤 관계를 볼까요?

음...

수업에서 가장 첫 시험 후에 느끼는 '후회'라는 감정이 그 수업 최종 성적에 미치는 영향이 성별(편의상 남/녀) 간에 차이가 있는지를 봐볼께요.

후회 -> 성적 여기서 조절변수가 성별인거죠.

여기서 후회를 두 가지로 나눠볼께요. 감정적인 후회와 인지적인 후회로요.

따라서 독립변수는 감정적/인지적 후회 두 가지인거죠.

시작해볼까요?

만약 Amos에서 모델 그리는 방법을 모르신다면 아래 포스팅부터 차례로 살펴보시길 권장해요.

[통계 이야기/SEM 기초 및 Amos] - Amos 실전 기초 1 그림 그리기

Factorial invariance test

자 그럼 제가 한 번 그려볼께요.

먼저 확인적 요인분석을 위한 모델을 그릴꺼예요.

종속변수인 '성적'은 잠재 변수가 없는 측정 변수 하나예요.

따라서 성적은 확인적 요인분석에 들어갈 필요가 없겠죠?

간단하죠?

자, 이제 그룹을 넣어줄거예요.

저기 왼쪽에 빨간 동그라미 보이시죠? 저걸 더블클릭 하시면 작은 새 창 하나가 뜰거예요.

여기서 이름을 바꿀 수 있어요. 저게 그룹 이름을 설정해주는 거예요.

저는 남/녀가 성별이니 Female을 입력하고, New 를 눌러 새로운 그룹을 만들거예요.

그리고 이 새 그룹은 Male로 명명할거예요.

이렇게요.

그리고 저기 새로운 빨간 동그라미 보이시죠? 저기는 데이터를 넣어주는 곳이예요.

저기 들어가서 각 그룹에 데이터를 넣어줘야 해요.

저 아이콘을 더블 클릭해서 들어가면 원래는 한 줄 이였던게 두 줄이 되어 있을거예요.

각각에 spss 파일을 연결해주시고, 그 다음 그룹을 지정해줘요.

각각에 데이터를 넣었고, 저 "Grouping Variable"이라는 탭을 누르면 사진처럼 옆에 작은 탭이 떠요.

그룹 변수(성별) 선택해서 넣어주세요.

그 다음 그룹 값을 넣어줄거예요.

빨간 동그라미에 있는 "Group value"를 눌러주면 역시나 작은 탭이 떠요.

여기서 그룹 이름에 맞게 값을 넣어주면 돼요.

저는 1이 male이고 2가 female이예요.

여기까지가 기본적으로 그룹을 넣어주는 과정이였어요.

너무 길어지면 싫어하실테니 다음 포스팅으로 넘어갈께요.

Stay tuned!

도움이 됐다면 커피 한 잔 사주시면 감사하겠습니다^^

EPIK is 어려운 지식을 가능한 한 쉽게 공유하는 곳이예요 :)

Hey I just created a page here. You can now buy me a coffee!

www.buymeacoffee.com

Amos를 이용한 그룹 차이(조절) 분석2 (이론 심화)

EPIK. — Sat, 30 May 2020 05:05:30 +0900

[통계 이야기/SEM 기초 및 Amos] - Amos를 이용한 그룹 차이(조절) 분석1 (이론)

[통계 이야기/SEM 기초 및 Amos] - Amos를 이용한 그룹 차이(조절) 분석2 (이론 심화) ◁ 현재 포스팅

[통계 이야기/SEM 기초 및 Amos] - Amos를 이용한 그룹 차이(조절) 분석3 (실전1)

[통계 이야기/SEM 기초 및 Amos] - Amos를 이용한 그룹 차이(조절) 분석4 (실전2)

[통계 이야기/SEM 기초 및 Amos] - Amos를 이용한 그룹 차이(조절) 분석5 (실전3)

이번 포스팅에서는 invariance test에 대해서 좀 더 깊게 살펴보려고 해요.

만약 이론은 필요 없고 실전 분석이 중요하다 하시면 넘어가셔도 돼요.

전 포스팅에서 확인적 요인분석을 할 때 invariance test를 해야 한다고 했죠?

이걸 factorial invariance라고 부르기도 해요.

이 factorial invariance에는 4개의 단계(?)가 있어요.

Configural invariance

이 단계는 가장 낮은 단계로, 전체적인 패턴이 그룹 간에 차이가 있는가 없는가를 봐요.

즉, 두 그룹의 전체적인 모델 핏에 차이가 있는지 보는거예요.

만약 그룹 간에 차이가 없다면 그럼 다음 테스트로 넘어가요.

(차이가 없어야 되겠죠? 왜냐하면 확인적 요인분석에서 그룹 간 차이가 없다는 의미는 두 그룹의 잠재 변수가 비슷한 패턴으로 구성되었다는 의미니깐요. 예를 들어서, "그룹1에서의 A라는 변수가 그룹2의 A라는 변수가 같다"라는 전제가 없으면 A를 이용해서 그룹 간의 차이를 볼 수 없겠죠?)

Weak factorial invariance

이 단계에서는 두 그룹간에 요인 적재량이 같은지 보는거예요.

예를 들어, a1 <- A 이 요인 적재량이 그룹 간에 차이가 있는지 보는거죠.

여기서 모든 요인 적재량이 통계적으로 같다고 나오기가 힘들어요.

따라서 몇 개의 적재량이 달라도 partial invariance라고 해서 그냥 넘어가기도 해요.

중요한건 전체적인 모델 핏이 이 전 단계인 configural invariance보다 나쁜지 아닌지를 보는거예요.

이 부분은 실전에서 다시 설명해볼게요.

Strong factorial invariance

여기서는 상수항/평균값 역시 같은가를 보는거예요.

회귀 분석 방정식을 생각해보면 (y = b1 + b2x + e) b1 이라는 상수항이 있잖아요?

a1 <- A 라는 요인적재량을 계산할 때 이에 해당하는 b1이 있을거예요. 이게 그룹 간에 같은지 테스트하는 거예요.

이 부분은 Amos에서는 확인 못하는 것 같아요. Mplus에서는 이게 기본 값이예요.

여기서 중요한 건 역시나 전체적인 모델 핏이 이 전 단계인 weak factorial invariance보다 나쁜지 아닌지를 보는거예요.

Strict factorial invariance

이 단계는 잔차(residuals)까지 보는건데 별로 추천되지 않아서 넘어갈께요. 여기까지 갈 필요 없어요.

이 외에도 잠재변수의 평균 값, 잠재변수간의 공분산 등이 그룹간에 차이가 있는지를 확인하는 경우도 있는데 보통은 필요하지 않아요.

이렇게 확인적 요인분석에서의 그룹 간의 차이가 없음을 검증한 후에 경로분석에서 그룹 간의 차이가 있는지를 확인하면 돼요.

질문은 언제든 환영이예요! 다음 포스팅은 실전편으로 가볼게요.

도움이 됐다면 커피 한 잔 사주시면 감사하겠습니다^^

EPIK is 어려운 지식을 가능한 한 쉽게 공유하는 곳이예요 :)

Hey I just created a page here. You can now buy me a coffee!

www.buymeacoffee.com

소외된 나는 나를 조절하기를 거부한다

EPIK. — Fri, 29 May 2020 16:14:54 +0900

우리는 사람을 만날 때, 우리 자신을 조절하곤 해요.

사람은 기본적으로 사회적 동물이면서 동시에 이기적인 동물이예요. 아이러니 하지 않나요? 이기적이면서 동시에 어딘가에 속하지 않고는 살지 못하는, 마치 인간 모두가 이중인격을 가진 것 처럼 말이예요.

이런 정반대의 성격을 우리는 기본적으로 지니고 있어서, 우리는 평소에 이 이기적인 면모를 숨기고 다녀요. 더 나아가 남들에게 무시당하거나 배제당하지 않기 위해 억지로 뭔가 하기도 하죠. 예를 들어, 평소에는 입지 않는 불편한 옷을 입기도 하고, 돈이 아깝지만 억지로 돈을 쓰기도 하고, 맛이 없지만 맛있는 척 하기도 해요. 어떻게 보면 이런 조절, 영어로는 self-regulation,은 우리가 사람을 만날 때 아주 중요한 요소 중 하나인 것 같아요.

그런데 만약 사회적으로 소외를 당하거나 "난 평생 외롭게 살꺼야"라고 생각을 하면 어떨까요? 그때도 우리는 우리 자신을 조절하면서 살까요?

오늘의 논문인 Baumeister, R. F., DeWall, N., Ciarocco, N. J., & Twenge, J. M. (2005). Social exclusion impairs self-regulation. Journal of Personality and Social Psychology, 88, 589-604. 여기서 이 문제를 다루고 있어요.

실험 1.

사회적 배제(social exclusion)실험 중 자주 쓰이던 것 중 하나가 the future alone manipulation 이예요. 이 방법은 마치 성격 실험을 하는 것처럼 하곤 가짜 피드백을 줘요. The future alone condition에서는 "당신의 성격 점수에 따르면 당신은 나중에 외롭게 살 가능성이 높아" 이런식으로 얘기해요. 그리고 이 외에 the belonging condition과 misfortune condition이 있어요. 전자에서는 "넌 친구도 많고 결혼 생활도 성공적일꺼야" 그리고 후자에서는 "넌 나중에 사고를 당할 가능성이 높아" 라는 얘기를 해줘요. The misfortune condition이 control 조건이예요. 부정적인 거지만 딱히 소속감이나 사회적 배제나 이런거랑 관련이 없기 때문에요.

그러고 나서 참가자들에게 건강하지만 맛 없는 식초가 들어간 물을 마시게 했어요. 만약 자기 조절능력(self-regulation) 이 낮다면 덜 마시겠죠? "나중에 외롭게 살꺼야"라고 들은 참가자들은 다른 사람들에 비해 덜 마신다는 결과가 나왔어요.

실험 2.

사회적 배제 실험 중 아직도 종종 쓰이는 방법이 getting-to-know manipulation 이예요. 이건 참가자들을 모아놓고 서로 얘기를 나누게 한 후, 따로 떼어놓고 누구랑 같이 실험을 진행하고 싶은지 물어봐요. 나중에 실험 진행자가 "아무도 너랑 하고 싶지 않대(social exclusion)" 혹은 "모두가 너랑 하고싶대! 근데 그럼 비율이 맞지 않아서 너 혼자 해야될 것 같아(social inclusion)" 라고 하는거예요.

이 과정이 지나고 맛있는 쿠키를 먹게 했고 이에 대해 평가하게 했어요. 만약 자기 조절을 하지 않으면 쿠키를 많이 먹을거예요. "아무도 너랑 하고 싶지 않대"라고 들은 참가자들은 나머지 참가자들보다 훨씬 많이 먹었어요.

실험 5.

그렇다면 사회적으로 배제된 사람들은 자기 조절을 못 하는 걸까요 안하려는 걸까요? 만약 성과에 따라서 잘하면 돈을 더 준다고 하는데 그런데도 배제되지 않은 사람들의 성과가 남들보다 낮으면 자기 조절을 못 하는 거겠죠. 만약 성과가 남들이랑 비슷하면 자기 조절을 안하려는 걸테고요.

이 실험에서는 사회적 배제 manipulation 이후에 헤드폰 왼쪽에서 나오는 단어 중 m과 p가 들어가는 단어를 찾으라고 해요. 그런데 오른쪽에서는 다른 사람이 말하는 소리가 나오고 있어서 만약 자기 조절을 하지 않거나 못 하면 다른 사람들보다 성과가 낮겠죠? 그룹에 따라 많이 찾을수록 돈을 더 준다고 하기도 하고 그렇지 않기도 했어요.

결과는 재밌게도 성과에 따라 돈을 더 준다고 하면 사회적 배제 상태에 상관없이 남들과 마찬가지로 성과를 냈어요. 근데 돈을 더 준다는 얘기를 안했을 때에는 사회적 배제 그룹이 남들보다 성과가 더 낮았고요.

즉, 자기 조절을 안하려는 거였어요.

실험 6.

이 실험에서는 거울을 보여줘요. 자기 조절을 안하는 이유 중 하나가 자기 자신을 보기 싫어서래요. 자기는 방금 누군가에게 거절 당하거나 소외 당했으니까 그런 비참한 모습을 생각하기도 싫은거죠. 이 실험에서는 거울을 보게 해서 자기 조절 능력을 되찾게 하는 거였어요. 그 결과는 성공적!

모든 사회적 배제는 참 아픈거예요. 왕따를 당하거나 연인과 헤어지는 것 뿐만 아니라, 면접에서 탈락하고, 확실하지는 않지만 누군가 나를 험담하는 것 같고, 내가 말하는데 상대방은 휴대폰만 보고 있고, 이 모든게 아프고 나를 비참하게 만들어요. 하지만 그렇다고 자기 조절 능력을 잃어버리면 폭식을 하거나, 무언가에 쉽게 중독되는 등 본인에게 안좋은 결과가 따라올 수 있어요.

비록 아프고 힘들겠지만, 거울을 한 번 보고 본인을 망치지 않으려는 의지가 중요한 것 같아요.

자기 자신을 잃지 마세요!

Mplus에서 ICC 계산하기

EPIK. — Fri, 29 May 2020 04:20:42 +0900

[통계 이야기/Multilevel (다층 모형)] - 언제 multilevel modeling (다층 모델링)을 해야할까?

[통계 이야기/Mplus를 이용해보자] - Mplus 기초 1

[통계 이야기/Mplus를 이용해보자] - Mplus에서 ICC 계산하기 ◁ 현재 포스팅

제가 알기론 Mplus에서 딱히 ICC를 위한 명령어는 없는 것 같아요.

데이터 코딩

일단 데이터가 MLM 분석에 맞게 코딩되어 있어야 하겠죠? 일반적으로는 각각의 가로줄이 한 사람에 대한 데이터잖아요? 만약 time 1에서 몸무게를 재고, time 2에서 다시 쟀다면, 일반적으로는

ID weight1 weight2

1 60 65

2 45 50

3 90 80

이런식으로 정렬이 되어 있을거예요.

하지만 MLM에서는 데이터가

ID weight Time

1 60 1

1 65 2

2 45 1

2 50 2

3 90 1

3 80 2

이런식으로 정렬이 되어야해요.

명령어

원하시는 TITLE 넣어주시고 DATA도 넣어주세요. 그리고 VARIABLE에 위의 데이터를 예로 명령어를 작성해볼게요.

VARIABLE:
NAMES = id weight time;
USEVARIABLES = weight time;
CLUSTER = time;

그리고 ANALYSIS에는

ANALYSIS:
TYPE = twolevel random;

MODEL 에는

MODEL:
%WITHIN%
%BETWEEN%

ICC는 null model을 통해 구하잖아요? null model 이기 때문에 within 과 between 명령어 아래 뭐 넣을 필요가 없어요.

만약 95% 신뢰구간을 보고 싶으시면

OUTPUT: cinterval;

추가해주시면 되고요.

이런식으로요.

이걸 돌리면 결과창에 model results 가 보일꺼예요. 여기서 within level variance의 값과 between level variance의 값을 이용해서 ICC를 구하면 돼요.

쉽죠?

질문은 댓글에 남겨주시고, 즐거운 논문 쓰세요!

도움이 됐다면 커피 한 잔 사주시면 감사하겠습니다^^

EPIK is 어려운 지식을 가능한 한 쉽게 공유하는 곳이예요 :)

Hey I just created a page here. You can now buy me a coffee!

www.buymeacoffee.com

Mplus 기초 4 (조절)

EPIK. — Thu, 28 May 2020 03:59:35 +0900

[통계 이야기/Mplus를 이용해보자] - Mplus 기초 1

[통계 이야기/Mplus를 이용해보자] - Mplus 기초 2 (SEM)

[통계 이야기/Mplus를 이용해보자] - Mplus 기초 3 (매개)

[통계 이야기/Mplus를 이용해보자] - Mplus 기초 4 (조절) ◁ 현재 포스팅

오늘은 조절 효과를 어떻게 Mplus에서 테스트 하는지 살펴볼께요! 조절(moderation) 효과가 뭐고, 기초적인 지식이 있다는 가정 하에 살펴볼거예요.

잠재 변수가 없는 경우

x 가 y 에 영향을 미치고, w가 조절 역할을 할 것이라는 가설을 설정했다고 해봐요. 그럼 우리가 봐야할 인과관계는

x -> y

w -> y

x*w -> y

여기까지는 알고 계셔야 해요! moderation의 기초예요.

먼저 x와 w를 centering 해주세요. 이 과정은 나중에 simple slopes를 볼 때 필요해요.

기초 포스팅에서 define 기능 기억 나시나요?

DEFINE:
c_x = x - x의 평균 값;
c_w = w - w의 평균 값;

그리고 x*w도 만들어주세요.

xw = c_x*c_w;

간단하죠? 주의하셔야 할 점은

USEVARIABLES = x y c_x c_w xw;

usevariables 에 새롭게 추가되는 변수들도 반드시 있어야 해요.

자, 이제 모델을 만들어줄거예요.

MODEL:
y on c_x (b1)
c_w (b2)
xw (b3);

on 을 이용한 인과관계 검증은 알겠는데 뒤에 붙은 b1~3가 생소하죠?

저건 나중에 c_x -> y 의 b 값을 b1이라고 하겠다 다고 정의하는 거예요.

y on c_x 는 x -> y 라는 뜻이잖아요? 이걸 방정식으로 나타내면 y = a + b*c_x 가 되겠고요. y on c_x 라는 명령어는 이 방정식에서 b 값을 계산할테고, 이 b 값이 만약 0.5 라면 b1 은 이 0.5가 돼요. 다시 말해 만약 y = a + 0.5*c_x 라면, b1=0.5 인거예요. 따라서 나중에 b1을 쓰면, b1은 자동적으로 0.5를 의미해요.

그렇다면 이게 왜 필요할까요?

기초적으로 조절효과를 어떻게 보는지 간략하게 설명하면, 먼저 interaction이 있는지 살펴봐요.

방정식으로 살펴보면,

y = b + b1x + b2w + b3xw + e

b3 를 해석하면, w가 변화할 때, x 가 y에 미치는 영향의 정도라고 할 수 있는데, 만약 이 interaction이 유의하면

그 다음 살표봐야 하는게 simple slopes 이예요. 이건 x의 값을 고정시켰을 때, 조절변수(w)의 변화가 y에 어떻게 영향을 주는지 보는거예요. 즉, 정확히 어떻게 moderation 이 발생하는건지 보는거예요. x를 고정시키고(x의 simple slopes), w 의 변화가 어떻게 y에 변화를 주는지 볼게요.

y = b + b1x + b2w + b3xw + e

이 식에서, x의 기울기를 찾아보면,

y = (b + b2w) + (b1 + b3w)x + e

(b1 + b3w) 이게 x의 simple slope 이예요. x와 b1이 양수라는 전제하에, 만약 b3가 유의미하고 양수라면, w가 증가할수록 x가 y에 미치는 영향은 증가하겠죠? 만약 b3가 음수라면 w가 증가할수록 x가 y에 미치는 영향은 줄어들테고요. 즉, w의 변화가 x 가 y에 미치는 영향을 바꾸고 있어요. 이해가 좀 되실까요?

같은 방법으로 w의 slope은

y = (b + b1x) + (b2 + b3x)w + e

(b2 + b3x)가 w의 slope이네요.

이 simple slopes를 이용해서

x가 낮을 때(-1sd)와 높을 때(+1sd), w가 낮을 때와 높을 때

총 4가지의 simple slopes를 볼거예요.

MODEL 커맨드 아래에

MODEL CONSTRAINT:
NEW (lowx highx loww highw);
lowx = b1 + b3*(-1sd--x의 표준편차);
highx = b1 + b3*(+1sd--x의 표준편차);
loww = b2 + b3*(-1sd--w의 표준편차);
highw = b2 + b3*(+1sd--w의 표준편차);

new라는 커맨드를 이용해 새 terms을 만들어 주었고, 아래는 simple slopes 이예요.

그리고 아웃풋으로는

OUTPUT: SAMPSTAT STDYX;

혹시 이해가 안가는 부분이 있으면 댓글 남겨주세요.

잠재 변수가 있는 연속형 조절 변수

이게 골치가 아프죠. Amos에서 분석하기도 힘들고요.

보통 두 가지 방법을 사용해요.

Latent moderated structural (LMS) equations

혹은

Quasi-maximum likelihood (QML)

저는 LMS 방법인 xwith라는 명령어를 사용해요.

위와 똑같은 모델(x -> y moderated by w)을 이용해서, 각 변수에 3개 문항씩 있다는 가정하에 제 방식대로 명령어를 쳐볼께요.

ANALYSIS:
type = random;
algorithm = integration;

MODEL:
x by x1 x2 x3;
w by w1 w2 w3;
y by y1 y2 y3;
xw | x xwith w;
y on x w xw;

기초라기엔 좀 골치아픈가요? 이제 기초 라는 단어를 지워야 할까봐요.

궁금한 점 있으시면 댓글 달아주시고, 모두 즐거운 연구 하세요!

도움이 됐다면 커피 한 잔 사주시면 감사하겠습니다^^

EPIK is 어려운 지식을 가능한 한 쉽게 공유하는 곳이예요 :)

Hey I just created a page here. You can now buy me a coffee!

www.buymeacoffee.com

Mplus 기초 3 (매개)

EPIK. — Wed, 27 May 2020 00:15:40 +0900

[통계 이야기/Mplus를 이용해보자] - Mplus 기초 1

[통계 이야기/Mplus를 이용해보자] - Mplus 기초 2 (SEM)

[통계 이야기/Mplus를 이용해보자] - Mplus 기초 3 (매개) ◁ 현재 포스팅

[통계 이야기/Mplus를 이용해보자] - Mplus 기초 4 (조절)

이번에는 매개효과를 어떻게 Mplus에서 검증하는지 짧게 살펴볼게요.

매개 검증 방법에는 여러가지가 있어요. 고전 방법으로는 Baron & Kenny 방법이 있는데 이건 현재 사용하지 않기를 권고드리고요. Sobel test도 있는데, 이 방법은 나쁘지는 않지만 좋지도 않아요. SEM에서 X->Y 경로를 0으로 했다가 free로 해서 보는 방법도 있어요. 이 방법도 Sobel 보다는 좋지만 best는 아니예요.

가장 좋은 방법은 현재로써는 Bootstrap 방법이 좋아요.

이 방법은 쉽게 예를 들어 설명하자면, 만약 100개의 데이터를 모았다고 가정해봐요. Bootstrapping은 이 100개의 데이터 중에서 가령 10개를 뽑아내요. 그리고 10개를 다시 집어넣고 다시 랜덤으로 10개를 뽑아요. 이런식으로 몇천번씩 반복하는 거예요.

자 그럼 이걸 Mplus에서는 어떻게 할까요?

X -> M -> Y 라는 가장 기본적인 매개 모형을 본다고 하고 일단 잠재 변수가 없는 경우에는

MODEL:
Y on M X;
M on X;

이렇게 모형을 설정하면 되겠죠?

그리고 아래 간접(매개) 모델을 입력하는 거예요.

MODEL INDIRECT:
Y IND X;

IND가 indirect effect의 줄임말로, Y IND X; 는 X가 Y에 미치는 간접 효과를 보여달라는 뜻이예요.

쉽죠?

좀 더 복잡하게 가볼까요?

최초 독립변수가 X1, X2가 있고, 매개 변수가 M1, M2, 그리고 종속 변수가 Y 이렇게 있다고 쳐요. 그리고 매개 변수끼리는 영향 관계가 없다고 가정하고요. 그럼 모델은 다음과 같아요.

MODEL:
Y ON X1 X2 M1 M2;
M2 ON X1 X2;
M1 ON X1 X2;

그림이 그려지시나요?

위의 커맨드를 보시고 모형을 그릴 수 있으셔야 해요. 모형을 그려보시면 가능한 간접 경로들이 나오겠죠?

X1 -> M1 -> Y

X1 -> M2 -> Y

X2 -> M1 -> Y

X2 -> M2 -> Y

만약에 이 간접 경로들을 따로 자세히 보고 싶으면 이걸 커맨드로 넣으면 돼요.

MODEL INDIRECT:
Y IND M1 X1;
Y IND M2 X1;
Y IND M1 X2;
Y IND M2 X2;

이렇게 하나하나 상세한 결과를 볼 수 있도록 커맨드를 넣을 수 있고요. 아니면,

Y IND X1;

이러면 X1 과 연결되는 가능한 모든 간접 효과를 보여줘요.

그리고 VIA라는 명령어도 있는데요

MODEL INDIRECT:
Y VIA M1 X1;

이러면 X1 으로 시작하고 M1 을 매개하는 모든 경로를 다 보여줘요. (여기서는 하나 밖에 없네요.)

X1 -> M1 -> Y

만약 M1 -> M2 관계가 있다면,

X1 -> M1 -> M2 -> Y 이것도 보여주겠죠?

자, 이제 그럼 Bootstrapping 을 어떻게 하느냐?

ANALYSIS:
BOOT = (원하시는 숫자 넣으면 돼요. 보통 5,000);

그리고

OUTPUT: CINTERVAL (BCBOOT)

넣어주셔야 신뢰 구간을 보여줘요.

만약 잠재변수를 이용하고 싶으시면 이 전 Mplus 기초 2 의 명령어와 이 포스팅의 명령어를 합치면 되겠죠?

매개(간접)효과 검정에 도움이 됐기를 바라며, 오늘도 열연구하세요!

도움이 됐다면 커피 한 잔 사주시면 감사하겠습니다^^

EPIK is 어려운 지식을 가능한 한 쉽게 공유하는 곳이예요 :)

Hey I just created a page here. You can now buy me a coffee!

www.buymeacoffee.com

Mplus 기초 2 (SEM)

EPIK. — Tue, 26 May 2020 16:11:54 +0900

[통계 이야기/Mplus를 이용해보자] - Mplus 기초 1

[통계 이야기/Mplus를 이용해보자] - Mplus 기초 2 (SEM) ◁ 현재 포스팅

[통계 이야기/Mplus를 이용해보자] - Mplus 기초 3 (매개)

[통계 이야기/Mplus를 이용해보자] - Mplus 기초 4 (조절)

저번에 기초 1에서는 아주 기초적인 부분을 알아봤어요.

Mplus 의 커맨드는 크게

TITLE:

DATA:

VARIALBE:

DEFINE:

ANALYSIS:

MODEL:

OUTPUT:

SAVEDATA:

PLOT:

MONTECARLO:

이렇게 나뉘어져요.

저번에는 TITLE, DATA, VARIABLE을 중점적으로 봤고, DEFINE은 수학 공식만 넣으면 되니 직접 하실 수 있을거라고 생각해요.

ANALYSIS:

무슨 분석을 하겠냐? 를 묻는 커맨드죠. 기본적으로 descriptives는 결과값으로 나오고, 하위 커맨드는 TYPE, ESTIMATOR, BOOTSTRAP 등이 주로 쓰여요.

예를 들어 탐색적 요인분석을 하신다면

TYPE = EFA

이런 식으로 하고자 하시는 분석 방법을 넣으시면 돼요.

그리고 ESTIMATOR는 말 그대로 추정 방법을 말하며, 추정 방법의 약자를 넣으시면 돼요. 만약 따로 설정하지 않으시면 SEM에서는 ML (Maximum Likelihood)이 기본 추정 방법이예요.

MODEL:

은 말 그대로 우리가 모델을 만드는거예요. 잠재 변수를 만들고 싶다면 BY 커맨드를 사용해서,

latentvar BY item1 item2 item3;

감이 오시죠?

ON은 인과관계를 나타내요.

dv ON iv1 iv2 iv3;

영어를 생각하면 쉬워요.

위의 분석 방법을 영어로 쓰면,

The dv was regressed on the iv1, iv2, and iv3.

WITH 는 공분산을 의미해요.

var1 WITH var2;

조금만 더 나가서 오늘은 SEM 할 때 필요한 기초 명령어들을 살펴볼게요.

SEM을 하기 위해서는 잠재(latent) 변수를 만들어야겠죠?

잠재 변수를 만드는데는 3가지 방법이 주로 쓰여요.

Fixed factor

Marker

Effect coding

이 중에서 위 둘, fixed factor 와 marker 방법을 알아볼게요.

Fixed factor

Fixed factor는 쉽게 생각하면 잠재 변수의 분산을 1로 고정시켜 요인 적재량을 표준화시켜버리는 방법이예요.

www.crmda.ku.edu

잠재 변수의 분산이 1로 고정된거 보이시죠? 이게 Fixed factor 예요.

Fixed factor로 모델을 만들고자 하신다면, 먼저 BY 커맨드로 잠재 변수를 정의내려줘요.

MODEL:

상위 커맨드를 치시고,

A BY A1* A2 A3;

이렇게 가장 처음 측정 변수에 *를 추가해주시면 돼요.

만약 *를 넣지 않으면 처음 측정 변수는 1로 고정이 돼요. 이게 default로 설정된거예요. 만약 *을 추가하면 이 default를 풀어주는 거예요.

Marker

AMOS에서는 이 Marker 방법을 default로 사용해요. 이 방법은 한 요인적재량을 1로 고정시키는 방법이예요.

www.crmda.ku.edu

여기서는 경로 하나가 1로 고정되었죠? 이 X1을 marker 변수라고 불러요. 어떤 변수를 1로 고정하느냐는 임의적으로 하시면 돼요.

잠재 변수의 이름을 A이고 측정 항목이 A1, A2, A3라면

A BY A1 A2 A3;

이렇게 하시면 돼요. 이렇게 분석하시면 A1, 첫 번째 항목이 marker 변수가 돼요.

만약 A2를 marker 변수로 하고 싶으시면

A BY A1* A2@1.0 A3;

감이 오시나요?

Fixed factor 할 때처럼 * 이걸 이용해서 A1에 고정된 marker를 풀어주고, 원하시는 항목에 @1.0 을 붙여주시면 돼요.

Output

이 정도만 아셔도 CFA는 그냥 하실 수 있어요. CFA를 하신다면 anaylsis는 설정 안하셔도 돼요. 그냥 model 설정만 해주세요.

예를 들어,

MODEL:
A BY A1 A2 A3;
B BY B1 B2 B3;

이렇게만 하시면 돼요.

OUTPUT:

도 살짝만 살펴볼께요.

제가 거의 항상 포함시키는 명령어는

SAMPSTAT;

이 명령어는 평균, 분산, 공분산 등의 대한 값을 계산해주고요

STDYX;

이건 표준화 값을 계산해줘요.

CINTERVAL;

95~99%의 confidence interval이 나오고요

MODINDICES;

이건 수정지수를 보여줘요. 그냥 이렇게만 치면 수정지수가 10이상인 관계만 보여주고요, 만약 그 이하 혹은 이상으로 리밋을 걸고 싶으시면

MOD(#);

여기서 원하시는 숫자를 넣으시면 돼요.

여기까지가 Mplus를 이용해서 SEM을 할 때 필요한 기초적인 커맨드를 다뤄봤어요. 라고 할 수 있을 것 같아요. 다음 번에는 Mplus로 특정 분석을 어떻게 하는지를 다뤄볼게요. 도움이 되셨기를 바래요!

도움이 됐다면 커피 한 잔 사주시면 감사하겠습니다^^

EPIK is 어려운 지식을 가능한 한 쉽게 공유하는 곳이예요 :)

Hey I just created a page here. You can now buy me a coffee!

www.buymeacoffee.com

Mplus 기초 1

EPIK. — Tue, 26 May 2020 15:42:25 +0900

[통계 이야기/Mplus를 이용해보자] - Mplus 기초 1 ◁ 현재 포스팅

[통계 이야기/Mplus를 이용해보자] - Mplus 기초 2 (SEM)

[통계 이야기/Mplus를 이용해보자] - Mplus 기초 3 (매개)

[통계 이야기/Mplus를 이용해보자] - Mplus 기초 4 (조절)

Mplus도 기초부터 차례대로 다뤄볼게요.

Mplus는 SPSS나 AMOS처럼 GUI 기반의 프로그램이 아니고 아직 한국어로 된 정보도 부족해서 국내에서는 잘 사용하고 있지는 않은 것 같아요. 근데 생각보다 좋은 통계 툴이예요. 특히나 요새 인기(?)를 끌고 있는 MSEM을 모델링 하기에 좋은 툴이기도 하고요.

하나하나 차근차근 살펴볼까요?

Mplus 확장자

먼저 Mplus는 .dat 라는 확장자 파일을 읽을 수 있어요.

보통 코딩은 SPSS에서 하시죠? SPSS 파일에서 어떻게 .dat로 바꿀까요?

SPSS에서 다른이름으로 저장에서 "Tab Delimited" .dat 파일로 바꿀 수 있어요.

이 때 변수 이름 없이 저장을 해야해요. 아니면 저장 후 notepad로 파일을 열어서 변수 이름을 지워주세요.

하지만 조심해야 할 부분이 있어요. SPSS는 값이 비어있는 곳을 missing으로 인식하는 반면, Mplus에서는 missing인 값을 따로 입력해줘야 해요. 저는 missing 값들을 보통 999로 바꿔줘요. 따라서, SPSS에서 모든 missing 들을 999로 바꿔주고 나서 .dat 파일로 바꿔주세요.

또 다른 방법은(제가 하는 방법) 먼저 SPSS파일을 .csv 파일로 바꿔줘요. 그리고 이 파일을 notepad에서 열어요.맨 윗 줄(변수 이름)은 잘라내서 다른 메모장에 붙여줘요. 그리고 replace all 기능을 이용해서 , , 를 ,999, 바꿔요. 그 다음 , (콤마)를 스페이스(빈 공간)로 바꿔요. 그러곤 .dat 파일로 저장해요.

저는 후자 방법으로 해야 실수가 없더라고요.

Basic Commands

앞서 말했듯이 Mplus는 GUI 기반 프로그램이 아니예요. Commands를 손수 입력해야 해요. (대문자 소문자 구분 없어요. 명령어들을 대문자로 적었어요.)

먼저 가장 첫 줄에 보통 제목을 넣어요.

TITLE:

이라고 하고 제목을 넣어요.

TITLE: SEM basics using Mplus

한글 지원이 안되니 참고하시고요. 타이틀은 말 그대로 그냥 제목이예요.

그 다음은 데이터를 불러와야겠죠?

DATA:

라는 상위 명령어를 친 후

FILE IS

뒤에 파일 위치를 넣어주세요.

만약 이 Mplus input 파일과 데이터 파일을 한 곳에 저장한다면,

FILE IS SEM.dat;

이런식으로 하시면 되고, 만약 Mplus input 파일과 데이터 파일이 다른 곳에 있다면,

FILE IS "c:\research\SEM.dat";

자세한 위치와 쌍 따옴표를 포함시켜 주세요.

;

세미 콜론은 아주 중요해요.

제목을 제외하고, 모든 명령어가 끝날 때 이 세미 콜론이 항상 들어가야 해요.

다음은 데이터가 뭘 의미하는지 정의를 내려줘야 해요.

VARIABLE:

라는 상위 명령어를 친 후,

NAMES ARE

라고 하고 뒤에 각 열에 맞는 변수 이름을 넣어주세요. 변수 이름은 반드시 8글자(영어 알파벳 8개) 이하여야 해요.

왼쪽 세로줄 부터 차례대로

NAMES ARE ID con var1 var2 var3;

이런식으로 적으시면 돼요.

이건 단순히 내 데이터를 정의 내려준 거예요. 이번에는 "나는 지금 분석에서 어떤 변수를 사용할꺼야"라는걸 표현 해줘야 해요.

USEVARIABLES ARE

라는 명령어를 친 후 사용할 변수를 넣어주세요.

USEVARIABLES ARE con var1 var3;

여기서 위에 NAMES ARE 에서 정의하지 않은 이름이 들어가면 안돼요.

예를 들어, USEVARIABLES ARE con var1 var3 var4;

이러면 오류떠요.

만약 이번 분석에서 특정한 값 만을 사용하고 싶어요. 예를 들어, con > 1 인 경우의 값들만 쓰고 싶어요.

그러면 USEOBSERVATIONS = (be동사 대신 = 써도 무방)

라는 명령어를 이용해서

USEOBSERVATIONS = con > 1;

라고 해주면 돼요.

그리고 missing 값들을 정의해줄게요.

MISSING =

라는 명령어를 이용해서

MISSING = all (999);

라고 하면, 모든 변수에서 999값은 missing 값이다 라고 알려주는 거예요. 만약 특정 변수마다 missing 값이 다르면

MISSING = var1 (99) var3 (999);

이런식으로 하면 돼요.

만약 종속변수가 categorical 변수라면

CATEGORICAL =

하고 뒤에 종속변수가 categorical 인 변수를 넣으면 돼요.

CATEGORICAL = con;

logistic regression 시에는 반드시 들어가겠죠?

만약 종속변수가 count 변수예요.

그러면

COUNT =

하고 뒤에 count 변수를 넣어주세요.

COUNT = var1;

예를 들어, poisson, negative binomial, zero-inflated poisson 을 할 때 필요하겠죠?

만약 종속변수가 nominal (숫자가 아닌 데이터)이예요.

NOMINAL =

하고 변수 넣어주면 돼요. 쉽죠?

만약 조절 분석 같은 multigroup 분석이 하고 싶어요.

그러면 GROUPING IS

라는 명령어를 통해

GROUPING IS var1 (1=male 2=female);

이런식으로 하면 돼요.

이 정도면 VARIABLE은 충분할까요?

만약 SPSS에서 compute 하는 것 처럼, Mplus 에서 계산을 하고 싶어요.

그러면

DEFINE:

기능을 이용해요. 단! 반드시 USEVARIABLES 에 새롭게 생성할 변수를 넣어줘야 해요.

현재 USEVARIABLES에는 con, var1, var3 를 넣었다고 해봐요. 그리고 계산을 통해서 var13 이라는 변수를 만들고 싶어요. 그러면

USEVARIABLES = con var1 var3 var13;

이렇게 추가 해주시고,

DEFINE:
var13 = var1*var3;

이렇게 계산해주세요.

뭐가 할게 많은 것 같죠? 근데 정작 필요한 것만 쓰면 별로 많지 않아요

오늘한 input 예시예요.

간단하죠?

이 외에도 많은 기본 명령어들이 있어요. 궁금한 명령어는 댓글 남겨주세요.

도움이 됐다면 커피 한 잔 사주시면 감사하겠습니다^^

EPIK is 어려운 지식을 가능한 한 쉽게 공유하는 곳이예요 :)

Hey I just created a page here. You can now buy me a coffee!

www.buymeacoffee.com

Random? Fixed? Effects

EPIK. — Mon, 25 May 2020 06:01:24 +0900

[통계 이야기/Multilevel model (다층 모형)] - Multilevel Modeling (다층 모델링)이 뭐임?

[통계 이야기/Multilevel model (다층 모형)] - 언제 multilevel modeling (다층 모델링)을 해야할까?

[통계 이야기/Multilevel model (다층 모형)] - Random? Fixed? Effects ◁ 현재 포스팅

Multilevel modeling에 대해 공부하다 보면 Random effects, Fixed effects 이런 말들을 해요.

이게 뭘까요?

Random factor

저 effects를 설명하기에 앞서, 먼저 Random factor가 뭔지 말해볼게요.

간단해요. Random factor = cluster 예요.

허무한가요? 허허

만약 여러 학교에서 데이터를 걷었으면 학교가 random factor가 될 수 있고,

여러 의사를 통해 환자에 대한 데이터를 걷었으면 의사가 random factor가 될 수 있는 거예요.

간단하죠?

Fixed/Random effects

자 그럼 여기서 multilevel modeling (MLM)이 뭐가 특별한가 다시 복습해볼까요?

기존의 OLS 회귀분석이나 ANOVA 등은 독립변수와 종속변수간의 관계를 평균 값으로 보잖아요? 즉 100개의 학교에서 데이터를 수집해도 "학교"라는 변수는 무시하고 전부 한꺼번에 평균을 내려서 관계를 추정해요. 하지만 MLM은 이 "학교"라는 변수도 고려하는 거예요.

이렇게 "학교"를 무시하고 관계를 보는게 fixed effects,

"학교"를 고려해서 학교간의 차이를 보는게 random effects.

이해가 되시나요?

예를 들어서 5개의 학교에서 "친구가 많을수록 성적이 좋을 것이다" 라는 가설을 테스트하기 위해 친구의 수와 성적 데이터를 수집했다고 할게요.

그런데 학교의 위치에 따라서, 어떤 학교는 부자 동네에 위치해 있고, 어떤 학교는 달동네와 가깝고해서 학교마다 어떤 차이가 있을 것 같아요. 그리고 그 동네의 평균 임금 데이터 또한 수집했어요.

데이터는 대충 다음과 같아요.

school studentID #friends grade income

1 A 5 80 $50,000

1 B 1 67 $50,000

1 C 10 90 $50,000

2 D 3 70 $30,000

2 E 1 70 $30,000

2 F 7 40 $30,000

3 G 3 98 $70,000

이런식의 데이터가 나오겠죠?

성적에 대해 ICC를 해보니 0.2가 나왔다고 쳐요. 학교마다 전체적으로 성적이 좀 다른가봐요.

이제 가설을 검증하려 해요.

친구 수 -> 성적

이걸 검증하고자 하는거잖아요?

OLS 회귀식으로 표현하면,

성적 = b0 + b1*친구수 + e

"학교"라는 변수는 어디에도 없죠? 이렇게 그룹 변수는 무시하고 친구 수와 성적간의 관계만 보는게 일반 회귀식이예요. 따라서 딱 하나의 회귀선만 나오고, 이걸 fixed effects 라고 해요.

Random intercept/slope

이제 학교(cluster)를 고려해볼게요.

두 가지 방법으로 고려할 수 있어요. 학교에 따라서 성적의 평균이 다를 수도 있고, 학교에 따라서 친구의 수가 성적에 미치는 영향이 다를 수도 있어요.

학교에 따라서 성적의 평균이 다를 것 같은데 친구의 수와 성적간의 관계는 학교에 따라 다를 것 같지 않아요. 그럴 경우 random intercept만 보면 돼요.

이 경우에는 각 학교마다 회귀선이 하나씩, 총 5개가 있을거고, 각 회귀선이 출발하는 지점이 다 다를거예요. 즉, 5개의 선들의 y 절편이 다 달라요. 하지만 5개의 선의 기울기는 전부 같아요.

학교에 따라서 성적은 같을 것 같은데(물론 ICC를 생각해보면 그렇지 않지만) 친구의 수가 성적에 미치는 영향은 학교에 따라 다를 것 같다고 가정한다고 쳐요. 그런 경우에는 random slope만 봐요.

이 경우에는 각 학교마다 회귀선이 역시 하나씩 총 5개가 있고, 각 회귀선이 출발하는 지점은 다 같아요. 즉 y 절편이 모두 같아요. 하지만 모든 선의 기울기가 전부 달라요.

물론 위 두 개를 합쳐서 random intercept와 slope을 전부 봐도 되고요.

개념적으로 이해가 되고 있을까요?

방정식으로 살펴볼게요.

먼저 random intercept의 경우,

Level 1: 성적ij = b0j + b1j*친구수ij + eij

Level 2: b0j = v00 + u0j

b1j = v10

i = i 학생

j = j 학교

성적ij = j 학교의 i 학생의 시험 성적

b0j = j 학교의 시험 성적 평균

b1j = j 학교에서 친구의 수가 성적에 미치는 영향

친구수ij = j 학교의 i 학생의 친구 수

eij = 랜덤 에러 (j 학교의 i 학생의 시험 성적과 j 학교 시험 성적 전체 평균의 차이)

v00 = 전체 학교 평균 성적

u0j = 전체 학교 성적 평균과 j 학교 성적 평균의 차이

v10 = 전체 학교에서 친구 수가 성적에 미치는 영향

level 1에서의 intercept (상수항)는 b0j예요.

level 2인 b0j 를 보시면 u0j 가 들어가있어요.

예를 들어 전체 학교 성적 평균이 80이고, 학교 1의 성적 평균이 70이면

b0j = v00 + u0j

b01 = 80 + (-10) = 70

학교 2의 성적 평균이 90 이라면,

b02 = 80 + 10 = 90

이렇게 돼요. 따라서 y절편의 값이 모두 다르겠죠?

만약 u0j가 없으면 그냥 fixed intercept를 보겠다는 얘기예요..

이번엔 random slope 를 추가해볼게요.

Level 1: 성적ij = b0j + b1j*친구수ij + eij

Level 2: b0j = v00 + u0j

b1j = v10 + u1j

여기서 u1j는 그럼 뭘까요? 네 각 그룹간의 회귀선 기울기의 차이예요.

예를 들어 전체적으로 친구의 수가 1명 증가할 때, 성적이 1점 증가한다고 해봐요.

그럼 v10 = 1이겠죠?

근데 학교 1에서는 친구의 수가 1명 증가할 때, 성적이 5점 증가해요.

그럼 b11 = 5여야 해요.

그럼 u1j = 4가 되겠죠?

이 4가 random component가 되는거죠.

아 그리고 우리 income 변수가 있죠?

income 변수는 level 2변수죠? 어떤 경우에는 level 3 변수가 될 수 있겠지만, 위의 보여준 데이터 예시에서는 level 2 변수예요. 그럼 level 2 변수가 random effects를 가질 수 있을까요?

개념적으로 생각해보면 random effects는 cluster간의 차이에 관한 거예요. 근데 level 2 변수는 cluster 간에 차이가 없어요. 따라서 random effects를 가질 수 없어요.

뭔가 간단한걸 장황하게 늘어뜨린 기분이네요.

구글에서 그래프를 찾으셔서 함께 보시면 더 쉽게 이해가 될 거예요.

오늘 포스팅도 도움이 됐기를 바래요.

연구 열심히 하세요!

도움이 됐다면 커피 한 잔 사주시면 감사하겠습니다^^

EPIK is 어려운 지식을 가능한 한 쉽게 공유하는 곳이예요 :)

Hey I just created a page here. You can now buy me a coffee!

www.buymeacoffee.com

언제 multilevel modeling (다층 모델링)을 해야할까?

EPIK. — Mon, 25 May 2020 03:48:56 +0900

[통계 이야기/Multilevel model (다층 모형)] - Multilevel Modeling (다층 모델링)이 뭐임?

[통계 이야기/Multilevel model (다층 모형)] - 언제 multilevel modeling (다층 모델링)을 해야할까? ◁ 현재 포스팅

[통계 이야기/Multilevel model (다층 모형)] - Random? Fixed? Effects

[통계 이야기/Mplus를 이용해보자] - Mplus에서 ICC 계산하기

이전 포스팅을 통해 다층 모형의 개념 및 어떤 데이터가 다층 구조인지 이해가 잘 되었으면 좋겠네요.

ICC란?

이번 포스팅에서는 좀 더 통계적으로 언제 MLM을 사용해야 하는지 볼게요.

가장 많이 사용하는 방법이 Intraclass correlation (ICC)를 테스트 하는거예요. 쉽게 말해 interdependence를 테스트하는 건데, 얼마나 많은 분산이 clusters에 의해 설명되는가 혹은 Clusters가 종속 변수인 하층 변수의 평균에 얼마나 영향을 주는가에 따라서 ICC가 달라져요.

예를 들어서, 여러 학교를 통해 학생들의 시험 점수를 수집했어요. 그러면 학교가 cluster가 되고, level 2 변수라고 볼 수 있어요.

(만약 학교 위에 다른 cluster가 학교를 구성한다면 그 상위 변수는 level 3 변수 혹은 level 3에 있다고 표현해요. 예를 들어서 서울 관악구, 양천구, 등등 각 구 의 학교에 다니는 시험 점수를 수집했다면 지역이 level 3 학교가 level 2 시험점수가 level 1 이렇게 돼요.)

학교가 level 2 에 있고, 시험점수가 level 1이겠죠?

ICC는 학교라는 cluster 혹은 그룹이 시험점수의 분산을 얼마나 설명하는가에 달려있어요.

ICC가 0에 근접할수록, level 1 변수는 cluster 변수와 독립적이다.

라고 말할 수 있어요.

전 포스팅에서, MLM을 결정하는 중요한 요소 중 하나가 interdependence 였죠? 왜냐하면 interdependence는 단층 분석방법(e.g., OLS regression)의 가정인 독립성 가정에 위배되기 때문이였어요.

따라서 비록 cluster가 있어도 cluster와 level 1 변수가 독립적이라면 궂이 MLM을 할 필요가 없어져요. 독립성 가정을 충족하니까요.

(BUT! 항상 그런건 아니예요. 비록 ICC가 낮아도 MLM을 이용해도 되고, 그래야 하는 경우도 있어요. 일반적으로 책에는 ICC가 유의하지 않으면 MLM을 사용하지 않아도 된다 라고 하는데 데이터 구조가 개념적으로 cluster를 포함하면 ICC가 낮아도 MLM을 사용해야 한다는 학자들도 있어요. ".05 레벨에서 유의하지 않으면 정말 관계가 없다고 말할 수 있냐?" 와 비슷한 문제도 있고 구조가 복잡한 경우에도 문제가 있고요, ICC가 아닌 design effect (= 1 + {cluster size - 1}*ICC)를 봐야한다는 주장도 있고요. 결론적으로는 ICC가 높으면 MLM을 사용해야 하고, 낮으면 MLM을 사용해도 되고 안해도 된다 정도로만 아시면 될 것 같아요.)

ICC 계산하는 방법

ICC 계산은 어떻게 할까요? ICC 를 계산하는 방법은 여러가지가 있어요. ANOVA를 이용할 수도 있고, MLM을 통해 null model 에서 ICC를 구할 수도 있고, full model 에서도 ICC를 구할 수 있어요. 우리가 가장 필요하고 기본적인건 null model 에서의 ICC예요.

그럼 null model은 뭘까요?

null model은 empty model 이라고도 하고, unconditional (means) model 이라고 부르기도 해요. 이 모델은 어떠한 독립변수도 없이 오로지 상수항만 있는거예요.

단순 회귀식을 생각해보세요.

Y = b0+ b1x + e

x라는 독립변수가 들어가있죠?

null model은 상수항만 있는, y = b0 + e 인거예요.

더 정확히는 MLM의 level 1 과 level 2의 방정식을 이해해야 해요.

Level 1 은 Yij = b0j + eij

Level 2 는 b0j = M + u0j

위의 예(여러 학교에서 학생들의 시험 성적 수집)를 이용해볼게요.

i = 각 학생

j = 각 학교

Yij = j 학교에서 i 학생의 시험 성적

b0j = j 학교의 시험 성적 평균

eij = 랜덤 에러 (j 학교에서 안에서, i 학생의 시험 성적과 j 학교 전체 시험 성적 평균의 차이)

M = 전체 학교 평균

u0j = j 학교와 관련된 랜덤 효과 (전체 학교 성적 평균 - j 학교 성적 평균)

여기까지 이해가 되시나요?

우리가 ICC 계산을 위해 필요한 건,

전체의 eij, 즉 한 학교내에서의 전체 분산(within-group variance, 편의상 "내분산"이라고 할게요.)

그리고 전체의 b0j, 즉 학교간의 전체 분산(between-group variance, "간분산"이라고 할게요.)

이 필요해요.

ICC는 보통 ρ (rho, 로 라고 발음)라고 표기하고요,

ρ = 간분산/(간분산+내분산=총분산)

이렇게 계산하면 돼요.

ICC는 0~1 사이의 값을 갖고, 딱히 몇 이상일 경우 MLM 을 사용해야 한다 그런 정해진 룰은 없어요. .10 이상이면 MLM을 사용해야 할 만큼 interdependence가 높다 라는 연구는 봤었어요.

만약 ICC가 .31 이라고 한다면, 시험 성적의 전체 분산 중 31%가 학교에 의해 설명된다고 말해면 돼요. 따라서 "학교"라는 cluster를 통계 분석 시 고려해야 할 정도로 "학교"가 성적이 미치는 영향이 크죠? 따라서 MLM을 사용해야 해요.

SPSS에서 ICC값 계산

SPSS에서는 ICC값을 계산하기 위해서는 Analyze -> Mixed Models -> Linear 로 들어가신 후 Subject 에 cluster 변수를 넣으세요. Continue 를 누르시고, Dependent Variable에 level 1 변수를 넣으세요.

그리고 오른쪽에 Random 탭에 들어가시면 하단 왼편에 cluster 변수가 보일꺼예요. 그걸 우측으로 옮겨주시고, Include intercept 에 체크를 해주세요. 그리고 continue 를 누르셔서 나오신 후,

Statistics 탭에 들어가셔서 Parameter estimates 와 Tests for covariance parameters 체크해주세요. 그리고 돌려주세요.

결과창에서는 random effects를 보셔야 해요. Estimates of Covariance Parameters 라는 표가 있을꺼예요.

거기서 residual의 estimate에 있는 값이 within variance (전 포스팅에서 내분산),

Intercept variance 의 estimate에 있는 값이 between variance (간분산)

이 두 값을 이용해서 ICC값을 계산하시면 돼요.

ICC에 대해서 전반적으로 이해가 됐기를 바래요!

도움이 됐다면 커피 한 잔 사주시면 감사하겠습니다^^

EPIK is 어려운 지식을 가능한 한 쉽게 공유하는 곳이예요 :)

Hey I just created a page here. You can now buy me a coffee!

www.buymeacoffee.com

Multilevel Modeling (다층 모델링)이 뭐임?

EPIK. — Sun, 24 May 2020 03:12:36 +0900

[통계 이야기/Multilevel model (다층 모형)] - Multilevel Modeling (다층 모델링)이 뭐임? ◁ 현재 포스팅

[통계 이야기/Multilevel model (다층 모형)] - 언제 multilevel modeling (다층 모델링)을 해야할까?

[통계 이야기/Multilevel model (다층 모형)] - Random? Fixed? Effects

Multilvel modeling (MLM)에 대한 한국어 자료가 별로 없는 것 같아서 제가 한 번 쉽게 소개해볼까 해요.

MLM은 상당히 중요한 분석 방법이예요. 중요한 만큼 현재 아주 활발히 연구되고 있는 분야 중 하나이고요.

이게 뭐길래 이렇게 많이 연구하고 있을까요?

먼저 Hierarchical linear modeling (HLM, 위계적 선형 모형)

Linear mixed modeling (선형 혼합 모형)

Random coefficient modeling (랜덤/확률/무선 계수 모형)

Variance component modeling (분산 성분 모형?)

전부 한통속이라고 생각하시면 돼요. 한글로는 번역이 여러 개로 되다 보니 더 헷갈리게 느껴지네요.

왜 다층 모형이 필요한가?

기본적으로 우리가 흔히 사용하는, 예를 들어 ANOVA 등의 단층(?) 통계 분석 접근법은 한 가지 중요한 가정이 있어요.

The assumption of independence

독립성 가정이라고 하나요?

만약 한 사람이 두 번 같은 실험에 참여했어요. 이러면 독립성 가정에 어긋나겠죠. 만약 두 그룹을 비교하는데 그 두 그룹에 같은 사람이 속해있다면 안되겠죠?

그리고 한 그룹 안에서도 마찬가지예요. 만약 예를 들어, 한 그룹의 식습관을 하루에 한 번씩 관찰했어요. 여러 개의 식습관과 관련된 변수들이 있을거예요. 그리고 같은 변수가 날짜에 따라서 여러 번 측정 되었을거예요. 그럼 이 변수들의 값은 서로 독립이 아니겠죠? 즉, 같은 변수들을 여러 번 반복 측정했으므로 독립성 가정에 또 어긋나요.

이런 데이터를 가지고 ANOVA나 일반 regression 같은 분석을 하게되면 표본오차가 적게 추정되고, type 1 에러가 발생할 확률이 올라가요. 즉, 쉽게 말하면 잘못된 결론을 내릴 확률이 올라가요.

언제 다층 모형을 쓰지?

자, 따라서 우리는 정말 MLM이 필요한가? 를 잘 구분할 수 있어야 해요.

1. 데이터가 interdependent 한가?

2. Clusters가 있는가?

예를 들어서, 한 명의 의사 당 10명의 암 환자의 예후에 대한 데이터를 요청했어요. 그 결과 총 20명의 의사의 동의 하에 200명의 암 환자 예후에 대한 데이터를 받았어요.

데이터가 interdependent 한가요?

그렇죠. 각 10명의 환자들은 1명의 의사에 의해 치료를 받았아요. 따라서 10명의 환자에 대한 데이터는 서로 interdependent 할거예요.

Cluster가 있나요?

네. 여기서는 의사 개개인이 cluster가 되겠죠. 의사 1명당 10명의 환자라는 꼬리가 달려있는 모양이예요.

따라서 이런 경우는 MLM 방법을 사용해야 해요.

문제를 내볼게요.

다음 중 MLM을 사용해야 하는 경우는요? 다중 응답 가능해요.

1. 한 명의 면접관이 100명에 대한 warmth 와 competence를 평가했어요.

2. 30명의 심리 상담가를 통해 300명의 심리 상태에 대한 데이터를 수집했어요.

3. 100명의 참가자가 하루에 한 번씩 한 달 동안 본인의 기분을 기록했어요.

4. 문화 차이를 보기 위해, 3개의 다른 문화에서 온 500명을 통해 데이터를 수집했어요.

5. 500명의 참가자가 각자 10개의 시나리오를 읽고 각 시나리오의 주인공이 얼마나 후회했을 것 같은지 평가했어요.

정답은 나중에.

위에서는 제가 독립성 가정을 들먹이면서 통계적인 부분을 말했잖아요? 좀 더 개념적인 부분에서도 기존의 통계에서는 한계가 있어요.

이게 무슨 뜻이냐면, 위의 의사와 환자에 대한 이야기를 다시 생각해보세요. 의사 라는 cluster를 생각하지 않고 전부 합쳐서 200개의 데이터를 분석했더니 환자들을 보는 시간이 길어질수록 예후가 좋아진다는 결과가 나왔어요. 하지만 어떤 A라는 한 의사만 떼어놓고 10개의 데이터만 분석해보니 환자들을 보는 시간이 길어질수록 예후가 오히려 나빠졌어요.

수치로 생각해보면 환자를 보는 시간이 5분일 때 종속변수(예후) 값 평균이 10, 그리고 시간이 10분일 때 종속변수 값 평균이 5라고 쳐요.

또 다른 B라는 의사만 떼어놓고 봤어요. 역시나 의사 A와 같은 결과가 나왔고, 데이터는 환자를 보는 시간이 20분일 때 종속변수 값 평균이 20, 그리고 시간이 30분일 때 종속변수 값 평균이 15이예요.

이 두 의사 각각의 데이터는 시간과 종속변수간에 부정적인 관계가 있는 반면에 위 데이터를 합치면 놀랍게도 시간과 종속변수간에 긍정적인 관계가 보이게 돼요.

저 데이터를 한 번 빈 종이에 x축과 y축을 그려서 점을 찍어보세요. 각 의사를 따로 놓고 두 점을 각각 이으면 우하향 하는 두 개의 선이 나오지만 네 점을 놓고 그 사이를 통과하는 회귀선을 그려보면 우상향하는 그래프가 나올거예요.

이처럼 MLM은 상위 그룹(cluster)을 고려하지 않으면 데이터의 성향에 따라결과를 180도 바꾸기도 해요.

자, 그럼 정답을 살펴볼까요?

1번은 cluster 가 없죠?

2번은 한 상담가에 속해 있는 환자들의 심리 상태는 서로 interdependent 할 거예요. 같은 상담가에게 상담을 받았잖아요. 그리고 심리 상담가 라는 cluster가 있고요.

3번은 각 개인이 기록한 데이터는 서로 interdependent 할 것이고, 따라서 참가자가 cluster가 되겠죠.

4번은 문화라는 cluster가 있지만 데이터는 interdependent하지 않아요.

5번은 개인에 따라서 후회 평가의 레벨이 interdependent 할 것이며, 각 시나리오에 대한 평가도 interdependent 할 거예요. 따라서 clusters는 참가자와 시나리오가 되겠죠. 만약 같은 변수를 여러 번 반복 측정 하잖아요? 그럼 MLM이 필요하구나 생각하시면 돼요.

정답은 2, 3, 5번이예요.

너무 글로만 설명한 것 같네요. 그래도 MLM을 이해하는데 도움이 되었기를 바라면서...

열공하세요!

도움이 됐다면 커피 한 잔 사주시면 감사하겠습니다^^

EPIK is 어려운 지식을 가능한 한 쉽게 공유하는 곳이예요 :)

Hey I just created a page here. You can now buy me a coffee!

www.buymeacoffee.com

Amos를 이용한 그룹 차이(조절) 분석1 (이론)

EPIK. — Sat, 23 May 2020 15:07:57 +0900

[통계 이야기/SEM 기초 및 Amos] - Amos를 이용한 그룹 차이(조절) 분석1 (이론) ◁ 현재 포스팅

[통계 이야기/SEM 기초 및 Amos] - Amos를 이용한 그룹 차이(조절) 분석2 (이론 심화)

[통계 이야기/SEM 기초 및 Amos] - Amos를 이용한 그룹 차이(조절) 분석3 (실전1)

[통계 이야기/SEM 기초 및 Amos] - Amos를 이용한 그룹 차이(조절) 분석4 (실전2)

[통계 이야기/SEM 기초 및 Amos] - Amos를 이용한 그룹 차이(조절) 분석5 (실전3)

Amos에서는 조절 분석은 어떻게 하면 될까요?

이 조절 분석은 여러 이름으로 불려요. 만약 조절 분석을 하는데 조절 변수가 categorical이라면 결국엔 x가 y에 영향을 미칠 때 그룹간의 차이를 보는거죠? Amos에서는 제가 알기로는 연속형 조절 변수를 분석하지 못해요. 따라서 그룹 차이 분석이라고도 해요. 그리고 invariance test라고도 하고요. invariance는 다르지 않다는건데, (그룹 간) 다르지 않다는 걸 테스트하는 거예요. 결국 같은 맥락이죠? 기본적으로 확인적 요인분석 하는 방법과 구조모형 분석을 알고 있어야해요. 이전 포스팅이 도움이 되면 좋겠네요!

이 분석은 크게 두 가지로 나뉘어요. 먼저 확인적 요인분석을 할 때의 invariance test와 그 다음 구조모형 분석을 할 때의 invariance test로요.

생각해보면 당연해요. 확인적 요인분석을 하는데 만약에 두 그룹간의 결과가 달라요.

예를 들어, 한 그룹은 a1 a2 a3가 A라는 변수를 구성하는데 다른 그룹은 a1 a2 a4가 A라는 변수를 구성한다고 해봐요. 시작점부터 이 두 그룹은 다른거잖아요? 그래서 확인적 요인분석 먼저 두 그룹간에 차이가 있는지 먼저 봐야해요. 즉, 확인적 요인분석에서의 invariance test는 "우리가 측정한 변수가 잠재 변수를 구성하는 대에 그룹간에 차이가 있을까?" 를 확인하는거예요. 이 부분을 factorial invariance라고도 하고, metric invariance 혹은 measurement equivalence 등으로 불려요.

이 단계를 통과한 다음 구조모형 분석에서의 invariance test를 진행하면 돼요. 여기서는 각각의 경로가 그룹간의 차이가 있는지 보는거예요. 즉, 우리가 흔히 생각하는 조절 분석을 하는거죠. 전체적인 이론은 간단하죠?

오늘은 간단하게 이정도만 얘기하고, 다음 포스팅에서 직접 분석을 진행하면서 좀 더 살펴볼게요.

열논문하세요!

도움이 됐다면 커피 한 잔 사주시면 감사하겠습니다^^

EPIK is 어려운 지식을 가능한 한 쉽게 공유하는 곳이예요 :)

Hey I just created a page here. You can now buy me a coffee!

www.buymeacoffee.com

Amos 실전 기초 4 (구조 모형 분석)

EPIK. — Sat, 23 May 2020 12:59:30 +0900

[통계 이야기/SEM 기초 및 AMOS] - AMOS 실전 기초 소개

[통계 이야기/SEM 기초 및 AMOS] - Amos 실전 기초 1 그림 그리기

[통계 이야기/SEM 기초 및 AMOS] - Amos 실전 기초 2 (확인적 요인분석 준비)

[통계 이야기/SEM 기초 및 AMOS] - Amos 실전 기초 3 (확인적 요인분석, CFA)

[통계 이야기/SEM 기초 및 AMOS] - Amos 실전 기초 4 (구조 모형 분석) ◁ 현재 포스팅

오늘은 구조모형 분석을 해볼게요!

모형 그리기

먼저 확인적 요인 분석을 하기 전에 저장해뒀던 파일을 불러와주세요.

이 상태로요. 이 상태에서 한 방향 화살표를 이용해서 연구하고자 하는 모형을 그려줄거예요.

빨간 차 클릭되어 있는거 보이죠? 그리고 아이콘 중에 가장 오른쪽 밑에서 다섯번 째 역시 클릭되어 있는거 보이시죠? 빨간 차는 이동시키는 아이콘이고요, 밑에 클릭되어 있는 아이콘은 딸린 식구들 다 함께 움직이도록 하는거예요.

이동시킬 때, 화살표가 끊어지거나 해도 놀라지 말아요. 아무 문제 없어요.

이동 이동 연구모형 모양대로 옮겨주세요.

이렇게 가설 세운 것 처럼 연결시켜주면 돼요. 화살표 연결은 했는데 너무 난잡하죠?

회전시키는 아이콘이 클릭되어 있는게 보이나요? 저 아이콘을 이용해서 잠재변수에 딸려 있는 측정 문항들 돌리면서 보기 좋게 만들어보세요. 여기까지 하셨으면, 저번에 제가 말했던 오차항 들어가는 규칙 기억하시나요? 모든 화살표를 받는 녀석들은 오차항이 필요하다고 했었죠? AT, D, BI가 화살표를 받고 있어요. 따라서 이 세 변수에 오차항이 필요해요.

저 아이콘을 누르신 후,

잠재 변수 위에서 클릭하면 오차항이 생겨요. (저기 위에 두 네모가 새롭게 생겼는데 저건 측정 문항 하나로 변수를 측정했던 거예요. 무시하셔도 돼요.) 잠재 변수 위에서 여러 번 클릭하면 오차항의 위치가 바껴요.

이렇게 오차항의 위치를 바꿀 수 있어요!

그리고 나서, 전 처럼 오차항에 이름을 붙여줘야죠?

저번처럼 Plugins -> Name Unobserved Variables 를 클릭해주시면 오차항에 이름이 들어가요.

자 마지막으로 화살표를 주기만 하는 변수들은(주고 받고 둘 다 하는 변수는 제외) 양방향 화살표로 연결해줘야 해요. Amos에서는 필수예요.

EC, HC, SN, PBC, PAE 이 변수들이 화살표를 주기만 하고 있죠? 그래서 양방향 화살표로 연결시켜줘야 해요. 확인적 요인분석 했을때 처럼요.

요거 누르시고,

연결해줘야 하는 잠재변수들 클릭해서 파란색으로 만들어주시고

Plugins -> Draw Covariances를 클릭해주시면!

짠!

주먹을 눌러서 파란색 없애주시고, 저장 한 번 해주세요.

구조모형 결과

확인적 요인 분석(CFA) 할 때와 똑같이 원하는 output 체크해주시고, 피아노 눌러서 돌려주세요! 만약 간접효과를 보시려면 indirect effect도 표시 해주시고요.

만약 CFA 했을 때, 적합도가 좋았고 가설이 왠만큼 그럴 듯 하다면 여기서도 적합도 좋게 나와요. 앞에선 좋고, 여기선 안좋게 나오는 경우는 영향 관계가 큰 변수들이 연결이 안되어 있는 경우예요.

예를 들어, 후회하는 감정이 미래의 행동에 영향을 준다고 해봐요. 하지만 연구 모형에서는 화살표를 어떠한 이유에서건 이 두 변수가 연결되지 않았어요. 근데 데이터에 따르면 두 변수간의 관계는 매우 밀접해요. 이럴 경우 적합도가 확 낮아져요. 이 외에도 다양한 경우가 있지만 대부분은 괜찮을거예요.

결과창에서 estimates-scalars-regression weights에 가면 비표준화 계수, C.R. 값(Critical Ratio = t 값), p 값 등을 볼 수 있어요. 이런 값들에 대해서는 익숙하시죠? 참고로 혹시나 모르시는 분들을 위해, C.R. 이라고 적혀 있는 건 우리가 흔히 말하는 t 값이예요. 따라서 대부분은 1.965를 기준으로 잡겠죠? 여기서 유의한지 아닌지 확인하시고 아래로 내려가요.

바로 아래 탭이 표준화 계수예요. 표준화 값이 필요하다면 여기 있는 값을 쓰면 돼요.

이로써 기초적인 확인적 요인분석 & 구조모형 분석이 끝이 났어요. 사실 별거 없죠?

논문 화이팅하세요!

도움이 됐다면 커피 한 잔 사주시면 감사하겠습니다^^

EPIK is 어려운 지식을 가능한 한 쉽게 공유하는 곳이예요 :)

Hey I just created a page here. You can now buy me a coffee!

www.buymeacoffee.com

사회적으로 소외가 되면 머리가 잘 안돌아간다?!

EPIK. — Fri, 22 May 2020 10:20:55 +0900

혹시 친한 친구가 갑자기 멀어진 경험이 있나요? 면접을 봤는데 불합격 통지를 받은 경험은요? 누군가 내 뒷담화를 하는 것 같은 기분을 느껴본 적은 없나요?

영어로는 약간씩 의미는 다르지만 대체적으로 이러한 경험들을 social exclusion, social rejection, ostracism, marginalization 등으로 표현을 해요. 그리고 이러한 경험을 할 때에 대표적으로 나타나는 반응중 하나가 다소 공격적인 행동(aggressive behavior)이예요. 생각해보세요. 길을 가다가 친구와 눈이 마주친 것 같아서 손을 흔들었는데 친구는 무시하고 가던길을 그냥 간다거나, 농구를 하는데 나한테만 패스를 안준다거나, 술을 마시는데 내 잔이 비었는지 말았는지 아무도 신경 안써주거나, 참 작은 일 같으면서도 이런 일에 쉽게 짜증이 나곤 해요.

쉽게 생각해보면 그냥 짜증이 나고 감정적으로 좋지 않아서 보복하는 것처럼 공격적인 행동을 보일 것 같아요. 하지만 연구 결과에 의하면 딱히 그렇지만도 않아요. 많은 사람들은 사회적 소외를 경험하면 부정적인 감정이 증가하기도 하지만 그렇지 않기도 해요. (참고로 이걸 감정마비 라고 하기도 해요. 우리가 크게 충격을 받으면 잠깐 사고가 멈추는 것 처럼요.) 그럼 왜 사회적 소외를 당하면 공격적인 행동을 보이는걸까요?

오늘의 논문에서는 혹시 사회적으로 소외를 당하면 논리적이고 지적인 사고를 제대로 할 수 없게 되는게 아닐까 라는 질문을 던져요.

Baumeister, R. F., Twenge, J. M., & Nuss, C. K. (2002). Effects of social exclusion on cognitive processes: Anticipated aloneness reduced intelligent thought. Journal of personality and Social Psychology, 83, 817-827. DOI: 10.1037//0022-3514.83.4.817

마치 동물의 왕국처럼 지적인 사고를 제대로 할 수 없게 되서 제대로 그 상황을 대처할 수 없게 되는게 아닐까요? 이 부분은 좀 모호하긴 하지만, 어쨋든 오늘의 논문에서는 그래서 사회적 소외가 우리의 지적인 사고를 어떻게 바꾸는지 연구해요.

결론적으로는 만약 사람들이 "난 나중에 혼자 외롭게 살꺼야"라고 생각하면 간단한 사고 능력에는 영향이 없지만 논리적인 사고 능력은 떨어지게 돼요. 그 이유는 자기 자신을 컨트롤하고 있기 때문이예요. 만약 우리가 어떤 식으로든 소외를 당하면 그냥 짜증만 내는게 아니예요. 때로는 괜찮은 척, 쿨한 척 하기도 하고, 짜증나지만 그냥 넘기기도 하고, 어떤 식으로는 자신을 통제하는 경우가 많아요. 근데 우리가 사용할 수 있는 어떤 정신적인 자원에는 한계가 있어서 이 자원을 이 순간에는 내 감정을 통제하면서 써버리는 거죠. 그래서 제대로 된 사고를 할 수가 없게 되어버려요.

만약 어떤 방법으로든 소외되었다는 느낌이 들면 그걸 그냥 표출해보는건 어떨까요? 물론 상황에 따라 표출할 수 없는 경우도 많겠지만, 만약 가능한 상황이라면 내 감정을 억누르지 말고 그냥 표출하는게 나을 수도 있어요. 그럼 아마 이성적이고 논리적인 사고가 더 좋은 의사결정을 내려줄 수 있을지도 몰라요.

Amos 실전 기초 3 (확인적 요인분석, CFA)

EPIK. — Fri, 22 May 2020 04:16:47 +0900

[통계 이야기/SEM 기초 및 AMOS] - AMOS 실전 기초 소개

[통계 이야기/SEM 기초 및 AMOS] - Amos 실전 기초 1 그림 그리기

[통계 이야기/SEM 기초 및 AMOS] - Amos 실전 기초 2 (확인적 요인분석 준비)

[통계 이야기/SEM 기초 및 AMOS] - Amos 실전 기초 3 (확인적 요인분석, CFA) ◁ 현재 포스팅

[통계 이야기/SEM 기초 및 AMOS] - Amos 실전 기초 4 (구조 모형 분석)

전 포스팅에서 잠재변수랑 측정문항 채우는 것 까지 했죠? 자 그럼 이제 맨 뒤에 작은 동그라미만 채우면 돼요!

오차항 설정하기

맨 뒤에 딸린 동그라미는 오차항이예요. 이 오차항이 구조방정식을 중요하게 만드는 요소죠.

오차항(작은 비어있는 동그라미)를 더블 클릭해서 하나하나 이름을 넣어주셔도 돼요. 하지만 더 쉬운 방법이 있다면 그 방법으로 해야죠?

Plugins 탭에 가시면 Name Unobserved Variables 가 있어요. 클릭하면 비어 있는 곳에 오차항을 넣어줘요. 만약 오차항 외에도 비어 있는 곳이 있다면 다 오차항 이름으로 채워버릴꺼예요. 그러니깐 반드시 앞에 모든 과정을 빈틈없이 한 후에 눌러주세요.

자 여기까지 하셨다면 다음과 같이 동그라미 네모가 전부 채워질 거예요.

오차항의 의미가 뭐든지 간에 화살표를 받는 녀석들은 반드시 오차항을 필요로해요! 위 그림을 보시면 네모(측정문항)들이 다 화살표를 받고 있죠? 그래서 오차항들이 각각 연결되어 있어요. 화살표를 받으면 오차항을 필요로 한다. 이걸 기억해두시면 나중에 구조방정식 할 때, 좀 더 쉬워요

확인적 요인분석 모델 만들기

자 이제 소위 말하는 확인적 요인분석을 해볼게요. 이 분석은 영어로 Confirmatory Factor Analysis 혹은 CFA 라고 하고, 측정 모형(Measurement model) 분석이라고도 해요. 일단 위의 모형을 저장 먼저 해주세요. 이 기본 모형을 토대로 CFA모형을 만들고 나중에는 구조방정식 모형을 만들거예요.

CFA를 하기 위해서는 모든 잠재변수를 양방향 화살표로 연결해줘야 해요.

양방향 화살표를 클릭하고 모든 잠재변수(큰 동그라미)를 하나하나 빠짐없이 연결해주셔도 되고요, 아니면 역시나 간단한 방법이 있어요.

이 손가락을 클릭하시고,

이렇게 모든 잠재변수가 파란색이 되도록 클릭해주세요. 그리고 나서

Plugins 탭에서 Draw Covariances 를 클릭해주세요. 클릭하시면

자동으로 다 연결해줘요! 쉽죠?

파란색은 거슬리니깐 없애줄게요.

저 주먹 비스무리한 아이콘 눌러주시면 모든 클릭되어 있는 도형들이 클릭 해제되요. 여기서 다시 다른이름으로 한 번 더 저장해주세요. 화살표를 연결하기 전 기본 모형은 따로 저장해두면 나중에 편해요.

확인적 요인분석 결과

이제는 돌리기 전에 어떠한 결과를 볼 것인가를 설정해야 해요.

저 아이콘을 누르시면

이런 창이 떠요. 아직은 기초 과정이니 다른건 건들지 마시고 바로 Output 탭으로 가세요. 만약 결측치가 있다면 Estimate means and intercepts를 체크해주세요.

Output으로 가면 위와 같이 나와요. 처음에는 왼쪽 맨 위의 Minimization history에만 체크가 되어 있을 거예요.

Standardized estimates는 표준화된 값을 뽑아줘요. 여기에 체크를 안하면 Unstandardized 값 만을 보여줘요.

그리고 Squared multiple correlations는 설명력이예요. 상관계수의 제곱은 설명력인거 아시죠? 만약 AVE값을 계산하신다면 이 값을 보는게 편해요. 그 외에는 별로 필요한 것 같지는 않아요. 나중에 익숙해지시면 하나 하나 클릭해서 결과치를 봐보세요.

체크 하셨으면 이제 피아노를 눌러요!

요거요! 누르시면 오른쪽 하단에 뭐라뭐라해요. 만약 경고창이 뜨면 뭔가 문제가 있다는 거예요! 다시 한 번 전체적으로 확인해보세요. 오른쪽 하단에 블라블라가 사라졌다면,

이걸 누르세요. 그럼 결과창이 떠요.

가장 먼저 확인해야 할 건 model fit이겠죠? 논문 결과 보시면 항상 모델 핏이 먼저 나올거예요. 모델 핏이 적합하지 않으면 뭐가 유의하든 안하든 상관이 없어지니깐요.

Model fit을 클릭해주시면 위와 같이 나오는데, 어떠한 값을 어떠한 기준으로 쓸 것인지는 선행연구를 참고해가시면서 해야 할 것 같아요. 일단 상황에 따라서 필요로 하는 특정한 적합도가 있을 수도 있고, 때론 적합도 수치가 낮거나 높아서 무시해야 할 경우도 있어요. 처음에는 지도교수님께서 주로 쓰시는 적합도가 있을거예요. 그걸 위주로 쓰세요. 각각의 적합도 의미는 전에 간단하게 살펴봤었어요.

[통계 이야기/SEM 기초 및 AMOS] - 구조방정식 적합도

보통 보는 값은 일단 CMIN값이예요. CMIN = 카이스퀘어 = χ2 (엑스 아닙니다!), df = Degree of Freedom = 자유도 이고요. 맨 위에 있는 P 는 카이스퀘어에 대한 유의확률인데요, 사실 이 값은 .05보다 ‘커야’ 좋은 값입니다. 귀무가설 이런걸로 말씀드리면 어려우니, 그냥 카이스퀘어에 대한 유의확률이 .05보다 클 때 모형이 데이터에 적합하다 이 정도로 알아두시면 될 것 같아요. 하지만 자유도가 높아질수록, 변수의 수가 많아질수록, 등등에 의해 영향을 많이 받아서 대부분 .05보다 낮게 나와요. 그래서 학자들이 대안 값을 만들었어요. 카이스퀘어를 자유도로 나눈 값 (CMIN/df)을 카이스퀘어 값 대신 사용하곤 해요. 이 값이 2 혹은 3보다 낮을 때 적합하다고 해요. 만약 논문에서 “카이스퀘어의 유의 확률이 .05보다 작기 때문에 본 모형은 적합한 것으로 보여진다.” 이런 식의 기술이 나오면 잘못 된거예요. “카이스퀘어의 유의 확률은 .05보다 작아 모형이 적합하지 않은 것으로 나타났으나, 카이스퀘어는 자유도에 의해 영향을 많이 받는 것으로 알려져 있다. 따라서 카이스퀘어를 자유도로 나눈 값을 기준으로 본 모형의 적합도를 판단하였으며, 이 값은 3보다 낮으므로(CITATION) 적합한 모형으로 판단된다.” 이런 식으로 적혀있으면 맞는 거예요!

그리고 아래로 내려보시면 RMSEA값이 있는데, 이 값은 거의 항상 적어줘야 하고, 중요해요! 0.05 혹은 0.08보다 낮아야 한다는 것 기억해두세요! 낮으면 낮을수록 좋아요.

만약 모델 핏이 안나온다면 아래 포스팅 참고해주세요.

[통계 이야기/SEM 기초 및 AMOS] - SEM 적합도 올리기

적합도가 만족스럽다면 이제 요인적재량을 확인해보세요.

Estimates-Scalars-Standardized Regression Weights 에 가시면 볼 수 있어요.

참고로 AVE값이 중요하다면 요인적재량이 평균 0.7이상이 되어야해요.

AVE와 CR에 대해서 궁금하시다면 아래 포스팅 구경해보세요.

[통계 이야기/SEM 기초 및 AMOS] - AVE 이해하기

[통계 이야기/SEM 기초 및 AMOS] - CR (Composite/Construct Reliability) 이해하기

다음편은 구조방정정식이예요. 부디 확인적 요인분석에서 좋은 결과 있기를 바랄게요!

도움이 됐다면 커피 한 잔 사주시면 감사하겠습니다^^

EPIK is 어려운 지식을 가능한 한 쉽게 공유하는 곳이예요 :)

Hey I just created a page here. You can now buy me a coffee!

www.buymeacoffee.com

Amos 실전 기초 2 (확인적 요인분석 준비)

EPIK. — Thu, 21 May 2020 07:16:52 +0900

[통계 이야기/SEM 기초 및 AMOS] - AMOS 실전 기초 소개

[통계 이야기/SEM 기초 및 AMOS] - Amos 실전 기초 1 그림 그리기

[통계 이야기/SEM 기초 및 AMOS] - Amos 실전 기초 2 (확인적 요인분석 준비) ◁ 현재 포스팅

[통계 이야기/SEM 기초 및 AMOS] - Amos 실전 기초 3 (확인적 요인분석, CFA)

[통계 이야기/SEM 기초 및 AMOS] - Amos 실전 기초 4 (구조 모형 분석)

모형 정리

이 전 포스팅에서 잠재 변수를 그리고 거기에 측정 문항과 오차항을 연결해줬지요? 저번에 마구잡이로 그린 모형들은 오늘은 말끔히 정리해볼게요.

왼쪽에 아이콘 창을 보시면,

이 두 개가 클릭되어있죠? 위 빨간 아이콘이 차예요(일껄요?). 이동시키는 아이콘이예요.

아래의 아이콘은 화살표로 연결되어 있는 녀석들을 한꺼번에 움직이도록 하는거예요.

잘 모르시겠으면 테스트 해보시면 돼요!

저 두 아이콘을 클릭하고, 잠재 변수를 누른 상태에서 이동시켜서 나란히 나란히 정리해줬어요. 그나마 좀 낫죠? 그래도 뭔가 이상하지 않나요? 논문에서 주로 보던 그런 모양이 아닌 것 같아요!

오 이제 좀 모양이 잡혔네요.

이 아이콘을 클릭하시고, 잠재 변수 위에서 클릭 클릭 해주시면 오른쪽으로 90도씩 움직여요. (뭐, 모양은 입 맛에 맞게 그리시면 되는데, 위 그림 처럼 해야 그나마 덜 헷갈려요. 만약 잠재 변수가 적다면 한 줄로 쭉 나열하는게 보기 편해요.)

잠재변수 이름 넣기

자, 이제 기본적인 그림을 다 그렸어요. 이제 잠재 변수의 이름을 정해줄거예요.

잠재 변수는 앞서 말씀드린 바와 같이, 값이 없어요. 따라서 이름만 넣어주면 돼요. 하지만 네모인 측정 문항(참고로 indicator라고도 합니다)은 말 그대로 측정이 된 문항을 말해요! 따라서 값이 필요해요.

자, 먼저 회전 아이콘을 한 번 더 클릭 하셔서 해제해주시고요, 잠재 변수(큰 동그라미) 하나를 더블 클릭 해주세요.

그러면 다음과 같이 나와요.

자, font size, style 뭐 이런건 마음껏 입 맛에 맞춰서 하시면 돼요. 저는 그냥 안 건들어요 귀찮아서 ㅋㅋㅋ 다만 Variable name 에 잠재 변수의 이름을 넣어줘야 해요. 되도록 영어로 하는게 좋아요. SPSS도 그렇고 한글로 하면 버그인지 가끔 오류가 생겨요. 예를 들어서, 고객 만족은 보통 CS 혹은 SA 라고 이름을 붙이더군요!

저기에 이름을 넣고 다른 잠재 변수를 한 번 클릭하시면 다른 창이 떠요. 힘들게 엑스 눌렀다가 다시 더블 클릭 하고 그럴 필요 없어요!

짜잔, 하나하나 다 넣었어요.

측정문항 데이터 넣기

자 이제 측정 문항(네모) 차례네요.

Amos에 들어오는 여러가지 방법이 있는데, 한 가지는 SPSS를 통해서 들어오는 거예요. Amos를 설치하시면 분석(analysis) 탭 가장 아래 Amos가 생기거든요. 그러면 SPSS상에 떠 있던 데이터가 자동으로 Amos에 연동이 돼요. 하지만 다른 방법으로 들어 오셨다면, 여기서 데이터 파일을 불러와야해요.

파일을 불러오는 아이콘은 저기 빨갛게 열심히 동그라미 친 아이콘이예요! 저걸 누르면 위와 같은 창이 뜨고, File Name을 누르셔서 데이터를 불러오시면 됩니다(뒤에 보이는 어지러운 화살표와 모형은 일단 무시해주세요 ㅠㅠ).

파일을 불러오고 나서,

사진 왼쪽에 선택되어 있는 아이콘 보이시죠? 저 아이콘을 누르면 불러온 파일 안에 있는 데이터 리스트가 나와요. 저 데이터들을 하나씩 네모 안에 넣어주시면 돼요.

예를 들어, 고객 만족을 CS라고 정했으면, 먼저 큰 동그라미에 CS라고 적어주시고 그 다음 고객 만족을 측정한 문항들을 그 옆 네모에 넣어주는 거죠. 위에 스크린 샷에 보시면 ID, gender, .... 있는데, AT1 AT2 AT3 AT4 보이시나요? 그리고 잠재 변수 왼쪽 세번째 보시면 AT라는 변수가 있어요. 즉, 태도(AT)라는 잠재 변수가 있고, AT1, 2, 3, 4, ...로 측정을 해준거죠. 따라서 AT에 연결된 네모칸에 AT1, AT2, .... 를 드래그해서 넣어줘요. AT옆에 네모를 더 넣어야겠네요. 스샷에 보이는 것만 해도 AT 측정 문항이 4개니깐요. 이해 되셨나요?

보너스

팁입니다! 빨간 화살표가 가르키는 1 보이시나요? 만약 코딩 시 저처럼 측정문항을 1, 2, 3 이렇게 저장하셨다면, 측정문항들을 넣을 때 1이 있는 곳에 1번 문항을 넣으면 나중에 좋아요. 예를 들어, 왼쪽에 SN1은 가장 아래 들어가있어요. 가장 밑의 화살표에 1이 있으니깐요. 오른쪽에는 1이 있는 화살표가 가장 위에 있어서 위에서부터 차례대로 넣었어요. 사실 어떻게 넣든지 크게 관계는 없지만 나중에 값 볼때 편해요.

그리고 1의 의미는 뭐랄까요... 기준점 같은 거예요. 만약 저 기준점이 없으면 분석이 안돼요! Amos에서는 꼭 있어야 한다는 것만 아시면 돼요.

다음엔 작은 동그라미(오차항) 채우고, 본격적인 확인적 요인 분석에 들어갈게요!

도움이 됐다면 커피 한 잔 사주시면 감사하겠습니다^^

EPIK is 어려운 지식을 가능한 한 쉽게 공유하는 곳이예요 :)

Hey I just created a page here. You can now buy me a coffee!