III. 연구 방법
5. 자료 분석
이 연구에서 자료 분석을 위해 IBM SPSS Statistics 23과 Mplus 6 통계 프로그 램을 사용하였다. 모든 분석에 있어 통계적 유의수준은 .05로 설정하였으며, 연구에 적 용한 분석방법을 제시하면 <표 Ⅲ-12>와 같다.
연구문제 분석방법
응답자의 일반적 특성 빈도, 백분율,
평균, 표준편차 가설 1. 대학생의 진로적응자원, 진로과업 실행의지, 진로탐색행동,
진로경험성찰 및 진로선택몰입 간 구조모형의 적합도는 변인 간 인과적 관계를 예측하기에 적합할 것이다.
구조방정식 모형 적합도 분석
가설 2. 대학생의 진로적응자원, 진로과업 실행의지, 진로탐색행동, 진로경험성찰 및 진로선택몰입은 서로 간 유의한 영향관계가 있을 것이다.
구조방정식 모형 최대우도법
가설 3. 대학생의 진로적응자원과 진로선택몰입의 관계에서 진로과업 실행의지와 진로탐색행동, 진로경험성찰은 유의한 매개효과를 가질 것이다.
부트스트래핑 (bootstrapping)
<표 Ⅲ-12> 분석 방법
이 연구에서는 연구모형의 구조 관계를 분석하기 위하여 구조방정식 모형 분석을 적용하고자 한다. 구조방정식 모형 분석은 이론적 모형을 검증하고 개발하고자 할 때 적합한 방법으로, 구조방정식 모형 분석에서는 모형 적합도가 제시되며, 변수들 사이의 직접효과뿐만 아니라 간접효과, 총효과를 분해하여 제시하므로 복잡한 변수 간의 관계 를 통합적으로 살펴볼 수 있기 때문에 이 연구의 목적에 적합할 것으로 판단하였다.
이 연구에서는 Anderson과 Gerbing(1988)이 제안한 2단계 접근법(two-step approach)을 활용하였다. 2단계 접근법은 먼저 측정모형을 검토하여 개념측정의 적절 성을 먼저 검토한 후, 구조회귀모형을 검토하여 변인 간의 인과관계를 확인하는 방법 이다. 이 연구에서 설정한 가설적 구조방정식 모형검증을 위해서 다음과 같은 절차를 따랐다.
먼저, 입력자료를 준비하였다. 이상치를 제거하기 위하여 표준화잔차(standardized residuals) 값 |3|이상인 케이스를 제거하였으며, Mahalanobis 통계치를 활용하여
Tabachnick & Fidell(1996)의 제안에 따라 유의수준을 .001로 설정하여 이상치를 제 거하였다. 구조방정식 모형에서 사용되는 측정치는 다변량 정규성(multivariate normality)과 단변량 정규성(univariate normality)을 가정한다. 일반적으로 다변량 정규성은 만족시키기 어렵고 경험적으로 단변량 정규성을 확보한 상태에서 충분한 사 례수가 확보되면 분석에 큰 문제가 없다고 판단하기에 단변량 정규성을 기준으로 판 단하였다. 단변량 정규성 기준은 Curran, West, & Finch(1996)가 제시한 왜도지표
｜3.0｜이내, 첨도지표 ｜8.0-20.0｜ 이내를 기준으로 하였다.
다음으로, 측정모형에 대한 확인적 요인분석(Confirmative factor analysis: CFA) 을 통해 관찰변인이 잠재변인을 타당하게 측정하는지 평가하였다. 확인적 요인분석 결 과를 바탕으로 측정모형의 적합도를 확인하여 적합성을 판단하고, 요인계수와 잠재변 인간의 상관, 개념신뢰도(CR) 및 평균분산추출(AVE)을 확인하여 측정모형의 수렴타당 도, 변별타당도, 신뢰도를 파악하였다. 또한, 이 연구에서는 자기보고자료로 데이터를 수집하였기에 동일방법편의 문제가 발생할 수 있어 Harman(1976)의 단일요인 검증 방법(Harman's single factor test)을 활용하여 동일방법편의를 진단하였다.
연구모형의 적합성, 잠재변인들 간의 구조관계를 분석하기 위해서 구조모형을 분석 하였으며, 매개효과를 검정하기 위해서 부트스트레핑(bootstrapping) 방법을 실시하고 통계적 유의성을 검증하였다. 구조방정식 모형의 적합도 지수로는 절대 적합도 지수, 증분 적합도 지수, 간명성 조정 지수 등이 있다. 절대 적합도 지수(absolute fit indexes)는 표본 공분산행렬의 분산 중 예측 공분산행렬에 의해 설명되는 비율을 추정 하여 산출된다. 증분 적합도 지수(incremental fit indexes)는 연구 모형이 관찰변수 사이의 모집단 공분산이 모두 0이라고 가정하는 독립 모형에 비해 적합도가 상대적으 로 증가되었는지를 평가한다. 간명성 조정 지수(parsimony-adjusted index)는 동일 한 데이터에 대해 설명력이 유사한 2개의 모형이 있을 때 더 단순한 모형에 유리한 값 이 산출된다(Kline, 2010). 배병렬(2017)은 적합도지수는 1) 표본 크기에 따라 값이 크게 변하지 않아야 하며, 2) 모델 간명도를 반영하고, 3) 추정법에 따라 값이 크게 변 하지 않는 것이 좋은 적합도지수라고 설명한다. 이러한 측면에서 Hair 외(2006)는 χ2, CFI, TLI, SRMR, RMSEA 등을, Hoyle & Panter(1995)는 χ2, GFI, TLI, CFI를, 그 리고 Kline(2016)은 χ2, RMSEA, CFI, SRMR 등을 추천한다. 이 연구에서는 Mplus 6.0에서 제공하는 χ2, RMSEA, SRMR, CFI, TLI의 5가지의 적합도 지수를 활용하여 모형의 적합도를 판단하였다(<표 Ⅲ-13> 참조)
구분 특징 판단 기준
Ÿ Standardized Root Mean square Residual Ÿ 표본자료에 의해 모델이 설명할 수 없는