구조 모델 분석

1) 구조 모델의 수정 및 최종 모델 적합도 분석

측정 모델의 확인적 요인 분석을 통해 각 관측 변수들이 잠재 변수를 측정하 는데 적합도 기준을 충족시켰음이 이론적으로 확인하였다. 이에 따라 연구 모델 이 관측 자료를 측정하는 적합도를 확인하기 위해 ^, TLI, CFI, RMSEA 지수 를 평가하였고, 내용은 표 Ⅳ-5에 제시하였다.

표 Ⅳ-5. 연구 모델의 적합도 지수

구분 ^ DF CMIN/DF TLI CFI RMSEA

연구 모형 316.774 74 4.281 .880 .896 .089

연구 모델의 적합도를 바탕으로 모델의 적합도를 향상시키고자 수정 지수 (Modification Index : M.I.)의 결과를 이용하여 간명한 연구 모델에 어긋나지 않 는 범위 내에서 모델을 수정하고 분석을 실시하였다. 수정 지수는 변수 간 존재 하지 않는 관계를 상관관계나 인과 관계로 설정함으로써 줄어든 ^ 수치를 제공 한다(우종필, 2012). 따라서 낮은 ^가 좋은 적합도를 의미하기 때문에 연구 모델 의 수정 지수가 큰 측정 오차를 순서대로 확인하고, 공분산으로 연결하였다. 일 반적으로 수정 지수는 DF=1 변할 때 3.841 (  ) 이상이어야 유의성을 갖기 때문에(Bentler & Bonett, 1980) 수정 지수 수치가 4이상일 경우 수정 모델 분석 을 진행하지만, 구조 모델을 심각하게 위반하지 않기 위해 보수적으로 10이상으 로 설정하였다(허준, 2013).

동일한 잠재 변수 내의 측정 오차 간 상관을 통한 공분산을 설정한다는 원칙 에 어긋나지 않았으며, 결과에 따른 수정 지수와 모수의 변화 (par change) 및 모델 적합도 지수를 표 Ⅳ-6에 제시하였다. 표 Ⅳ-6을 확인하면 초기 연구 모델 에서 31 ↔ 32, 37 ↔ 38, 35 ↔ 37에 3개의 공분산을 수정 지수에 따라 하나씩 순

서대로 설정하였고, 수정 모형 Ⅲ을 최종 모형으로 선택하였다. 수정 모형 Ⅲ의 적합도 지수들은 ^=204.353(DF=71,   ), CMIN/DF=2.878, TLI=.920, CFI=.938, RMSEA=.069로 적합도가 최종적으로 확인되었다. 따라서 최종 모델은 연구 구조를 설명하기에 적합한 모델로 제작되었다고 할 수 있다.

표 Ⅳ-6. 수정 지수 (M.I.)와 모수 변화 (par change) 및 모델 적합도 지수

구분 공분산 M.I. par change ^{ DF CMIN/DF TLI CFI RMSEA} 연구 모형 - - - 316.774 74 4.281 .880 .896 .089 수정 모델 Ⅰ 31 ↔ 32 72.944 -.035 236.746 73 3.243 .905 .923 .075 수정 모델 Ⅱ 37 ↔ 38 15.146 .031 220.893 72 3.068 .912 .930 .072 수정 모델 Ⅲ 35 ↔ 37 15.951 .032 204.353 71 2.878 .920 .938 .069

2) 구조 모델 분석

연구의 구조 모델에서 잠재 변수 간 3개의 경로를 설정하였고, 경로 분석에 대 한 결과는 표 Ⅳ-7과 그림 Ⅳ-2에 제시하였다. 각각의 변인 간의 영향력을 알아 보기 위한 구조 모델의 분석 결과 모든 경로에 있어서 통계적으로 유의함이 확 인되었고, 전체적으로 살펴보면 다음과 같다.

첫째, 관계적 공격성에 대한 공감 능력의 경로를 살펴본 결과 공감 능력 (  ,   )은 관계적 공격성에 통계적으로 유의미한 부적 영향을 미치 고 있다는 것으로 나타났다. 이는 중학생이 가지고 있는 공감 능력이 높을수록 관계적 공격성이 낮아진다는 것을 의미한다.

둘째, Cyberbullying 경향성에 대한 관계적 공격성 및 공감 능력의 경로를 살 펴본 결과 관계적 공격성 (  ,   )은 Cyberbullying 경향성에 유의미한 정적 영향을 미치고, 공감 능력 (  ,   )은 Cyberbullying 경향성에 유 의미한 부적 영향을 미치고 있는 것으로 나타났다. 이는 중학생이 가지고 있는 관계적 공격성이 높을수록, 공감 능력이 낮을수록 Cyberbullying 경향성이 높게

나타난다는 것을 의미한다.

표 Ⅳ-7. 구조 모델의 분석 결과

경로 B  S.E.  C.R.

관계적 공격성 → 공감 능력 -.476 -.282 .094 *** -5.046 공감 능력 → CyberBullying -.063 -.166 .023 .007 -2.699 관계적 공격성 → CyberBullying .237 .369 .044 *** 5.336

  ,   

그림 Ⅳ-2. 구조 모델의 분석 결과

3) 구조 모델의 효과 분해

구조 방정식 모델의 효과분해 (effect decomposition)는 총 효과 (Total effect) 를 한 변수가 다른 변수에 대해 직접적으로 영향을 미치는 직접 효과 (direct effect)와 두 변수들 간 효과가 다른 변수에 매개되는 간접 효과 (indirect effect) 로 분해하는 것을 의미 한다 (배병렬, 2009). 또한, 부트스트래핑 (bootstrapping) 은 모집단으로부터 무작위로 추출한 표본 데이터를 대상으로 재표본추출을 통해 표준오차를 추정하는 방법이다(우종필, 2012). 구조 모델의 유의한 구조적 관계를 정확하게 측정하기 위해 표준화경로계수를 통해 변수들 간의 효과 분해를 하였 고, 간접 효과의 유의성 검증을 위해 부트스트래핑 방법을 사용하였다. 그 결과 는 표 Ⅳ-8에 제시하였다.

표 Ⅳ-8. 구조 모델의 효과 분해

경로 직접 효과 간접 효과 총 효과

관계적 공격성 → 공감 능력 -.282** -.282**

공감 능력 → CyberBullying -.166** -.166**

관계적 공격성 → CyberBullying .369** .047** .415**

  

연구 모델에서는 공감 능력을 매개 변수로 설정하였으며, 관계적 공격성과 Cyberbullying 경향성 사이에서 공감 능력이 매개 변수의 역할을 하여 매개 효과 를 가지도록 경로를 설정하였다. 표 Ⅳ-8의 각 경로 효과를 분해한 결과는 관계 적 공격성은 Cyberbullying 경향성에 대한 직접 효과(  ,   )와 공감 능력을 매개 변수로 한 간접 효과(  ,   ), 총 효과(  ,   )에 서 모두 통계적으로 유의하다고 나타났다. 이는 관계적 공격성과 Cyberbullying 경향성 사이에서 공감 능력이 부분 매개하며, 관계적 공격성이 Cyberbullying 경 향성에 직접적으로 영향을 미치며, 동시에 공감 능력을 매개로 해 간접적으로 영 향을 미치는 것을 의미한다.