자료분석

이 연구에서는 수집된 자료 분석을 위해 SPSS 18.0 for Windows와 AMOS 18.0 통계 프로그램을 이용하여 기술통계 분석(평균, 표준편차, 빈도, 백분율)과 구조방정식모형분석 을 실시하였다. 또한 모든 결과는 5%의 유의수준을 기준으로 처리하였다. 이 연구에서 사 용된 통계방법을 연구 가설별로 제시하면 다음 <표 Ⅲ-10>과 같다.

구분 연구가설 통계방법

- 자료의 일반적 특성 빈도, 백분율,

평균, 표준편차

가설 1

대학생의 진로적응성과 사회적 지지, 자아존중감 및 자기주도학습 간의 구조방정식 모형의 적합도는 변인 간의 인과적 관계를 예측하기에 적합할 것이다.

구조방정식 가설 2 대학생의 사회적 지지는 진로적응성에 정적 영향을 미칠 것이다. 모형분석

가설 3 대학생의 자아존중감은 진로적응성에 정적 영향을 미칠 것이다.

가설 4 대학생의 자기주도학습은 진로적응성에 정적 영향을 미칠 것이다

<표 Ⅲ-10> 연구 가설별 분석방법

대상자의 일반적 특성 및 관찰변인의 수준을 구명하기 위해서는 빈도, 백분율, 평균, 표 준편차 등의 기술적 통계 방법을 사용하였으며, 변인간의 관계를 분석하기 위해서는 구조 방정식모형 분석을 실시하였다. 구조방정식 모형은 이론적 모형을 검증하고 개발하고자 할 때, 매우 적합한 방법으로 알려져 있다(Anderson & Gerbing, 1988). 특히 구조방정식 모 형 분석에서는 전반적인 적합도가 제시되며, 변수들 사이의 직접효과뿐만 아니라 간접효과, 총효과를 분해하여 제시하므로 복잡한 변수간의 관계를 통합적으로 제시하기 때문에, 이 연구의 목적에 적합할 것으로 판단하였다. 따라서 이 연구에서 설정한 가설적 구조방정식

모형검증을 위해서 다음과 같은 절차를 따랐다.

가. 구조방정식 모형 분석 입력자료 점검

1) 이상치 제거

이상치란 반응의 극단적인 값(extreme value)을 말하며, 어떤 경우이든 분석을 수행하 기 이전에 이상치는 분석에서 제외시켜야만 결과를 신뢰하고 일반화할 수 있다(양병화, 2006). 이상치를 제거하는 방법으로는 이상치를 포함한 사례를 제외하거나, 이상치를 포함 한 변수를 제외하거나, 점수분포가 정상성을 이루도록 자료를 적절히 변환시켜 주는 방법 이 있다. 본 연구에서는 이상치를 독립변수와 종속변수의 산포도(scatterplot)를 통해 제거 하는 그래픽적 방법과 평균에서의 표준화잔차(standardized residuals)값 |3|이상을 기준 으로 이상치를 제거하는 방법을 사용하였다. 이러한 과정을 통해 유효응답 자료 중 총 21 개의 케이스가 제거되었다.

2) 결측치 처리

결측치는 입력 자료의 행렬을 계산하는 데 영향을 줄뿐만 아니라 추정에도 영향을 주기 때문에, 이를 반드시 처리한 다음 분석해야한다(배병렬, 2011). 본 자료의 결측치는 기대-최대화(Expectation-Maximization:EM)방식에 의해 처리하였다. EM은 결측자료의 분포 의 모양을 가정하고, 그 분포 하에서 결측치에 대한 우도값을 추정하는 접근법으로 실제자 료에 가장 근접하게 추정되는 결측치 대체법 중 하나이다(Littele & Rubin, 1987; 박경 숙, 1998). EM방식 처리 결과 77개의 결측치가 대체되었다.

3) 다변량 정규성 분석

구조방정식 모형에서 사용되는 측정치들은 다변량 정규성(multivariate normality)을 가정하고 있다. 다변량 정규성은 모든 단변량 분포가 정규분포를 따르고, 2개의 변수들이 동시에 이루는 결합분포가 이변량 정규성을 만족해야 하며, 모든 이변량 산포도가 선형성 과 등분산성을 만족해야 함을 뜻한다. 그러나 현실적으로 모든 결합 빈도 분포를 살펴보는 것이 어렵기 때문에, 각 변수의 단변량 분포를 살펴봄으로써 확인하는 경우가 많다. 따라서 이 연구에서 각 측정변수의 정규성을 살펴볼 수 있는 왜도(skew)와 첨도(kurtosis)를 살펴

봄으로써 단변량 정규성을 확인하였고, 단변량 정규성 기준은 Curran, West, &

Finch(1996)가 제시한 왜도지표 ｜3.0｜이내, 첨도지표 ｜8.0-20.0｜ 이내로 설정하였 다.

나. 측정모형과 구조모형 분석

본 연구는 Anderson과 Gerbing(1988)이 제안한 2단계 접근법(two-step approach)을 활용하였다. 2단계 접근법은 측정모형과 구조모형을 동시에 검토하는 1단계 접근법과 달 리, 일단 먼저 측정모형을 검토하여 개념측정의 적절성을 먼저 검토한 후, 구조회귀모형을 검토하여 변인 간의 인과관계를 확인하는 방법이다. 1단계 접근법을 사용할 경우, 측정의 오류가 있는 경우 이것이 인과관계의 오류와 구분되지 않아 해석적 혼동이 발생할 가능성 이 높아진다는 단점을 가지고 있다. 따라서 측정의 적합도를 먼저 검토하고, 후에 측정모형 이 포함된 구조모형의 적합도를 평가하는 2단계 접근법을 활용하였다.

1) 측정모형 분석

측정모형에 대한 확인적 요인분석(Confirmative factor analysis: CFA)을 통해 연구모 형의 잠재변인과 관찰변인에 대한 단일차원성을 평가하였다. 확인적 요인분석(CFA) 모형은 주로 측정도구의 구인타당도에 대한 경험적 증거를 얻기 위해 사용되는 측정모형 중의 하 나이다. 확인적 요인분석 결과를 바탕으로 측정모형의 적합도와 모수를 확인하여 측정모형 의 안정성을 판단하며, 요인적재량 및 잠재변인 간 추정된 상관을 통해 관찰변인들의 수렴 타당도 및 변별타당도를 확인하였다. 또한 관찰변인들의 다중상관자승(^)을 확인함으로써 관찰변인들의 신뢰도를 분석하였다.

2) 구조모형 분석

구조모형 분석은 잠재변인 사이의 영향 관계에 대해 설정한 가설적 모형을 검증하기 위 해 실시하였다. 우선, 가설적 구조회귀모형의 적합도 및 경로계수 분석을 통해 이론적으로 구성된 모형이 경험적 자료에 얼마나 잘 부합하는지와 변수 간 인과관계를 확인하였다. 구 조회모형의 적합도를 확인하기 위해서 적합지수를 기준으로 하였으나, 모델 적합도의 유일 한 지수로 받아들여지고 있는 것은 없으므로(Tanaka, 1987), 여러 가지의 적합지수를 이 용하여 모델의 적합도를 판단하였다. 모형 특성에 따라 적합도에 대해 일관된 기준을 적용

하기는 어려우나, 일반적인 모형의 적합도는 <표 Ⅲ-11>과 같다.

구분 적합도 판단 기준

절대적합기준

GFI(Goodness of Fit Index) ≥ .90 AGFI(Adjusted Goodness of Fit Index) ≥ .85

S-RMR ≤ .08

증분적합지수

NFI(Normed Fit Index) ≥ .90

IFI(Incremental Fit Index) ≥ .90

TLI(Tucker & Lewis Index) ≥ .90

CFI(Comparative Fit Index) ≥ .90

간명접합지수

PRATIO(Parsimony Ratio) ≥ .50, .60

PNFI(Parsimony NFI) ≥ .50, .60

PCFI(Parsimony CFI) ≥ .50, .60

기타지수

RMSEA(Root Mean Square Error of Approximation)

≤ .05: 매우 좋음

≤ .08: 좋은 편임

≤ .10: 적합

<표 Ⅲ-11> 적합지수 해석 기준

이어서 경로계수를 확인하여 모형 내 변수 간의 인과관계를 확인하였으며, 모형 내 내생 잠재변인에 대해 다중상관자승(^)을 산출하여 변인들이 모형을 통해 얼마나 잘 설명되고 있지는 함께 살펴보았다. 다중상관자승 값은 0부터 1까지의 범위를 가지며, 1에 가까울수 록 타 변인들에 의해 설명되는 부분이 많다고 판단한다.

이와 함께 효과의 분해를 통해 최종 구조방정모형의 변인 간 영향관계를 분석하였다. 이 는 구조방정식 모형에 포함된 잠재변인의 직접효과와 간접효과의 크기를 파악하는 것으로, 이때 직접효과란 한 변인이 다른 변수에 대해 직접적인 영향을 미치는 것을 말하며, 간접 효과란 두 변인들 간의 효과가 다른 변인에 의해 매개되는 것을 말한다. 직접효과와 간점 효과의 합을 한 변인이 다른 변인에 미치는 총효과라고하며, 총효과를 간접효과와 직접효 과로 분해하는 것을 효과분해라고 한다. 효과 분해를 통해 변인 사이의 영향관계를 파악하 였으며, 매개효과의 유의성검증을 위해서는 부트스트래핑(Bootstrapping)방법을 활용하였 다.