자료분석

이 연구에서는 소프트웨어 개발자의 전문성 발달 수준과 교육훈련, 자격 및 직무경력 의 관계를 구명하기 위해 SPSS for Windows 21.0, AMOS 21.0 프로그램을 사용할 예정이다. 모든 분석에 있어 통계적 유의수준은 사회과학연구에서 일반적으로 설정하는 0.05로 설정하여 처리하였으며, 경우에 따라 0.01수준에서도 유의도를 판단하여 제시하 였다. 연구문제에 따른 연구 방법을 보면 다음과 같다.

연구문제 분석방법

연구문제 1 소프트웨어 개발자의 전문성 발달 수준은 어떠한가? ·확인적 요인분석

·주성분 분석 연구문제 2 소프트웨어 개발자의 전문성 발달 수준에 따른 전문성 등급은

어떻게 구분될 수 있는가? 등급별 특성은 어떠한가?

·군집분석

·빈도분석 연구문제 3 소프트웨어 개발자의 전문성 발달 수준과 교육훈련, 자격 및

직무경력의 관계는 어떠한가? ·중다회귀분석

연구문제 4 소프트웨어 개발자의 전문성 등급 집단을 구분하는 교육훈련,

자격 및 직무경력의 판별력은 어떠한가? ·판별분석

<표 Ⅲ-12> 통계분석방법

가. 주성분 분석

이 연구에서는 소프트웨어 개발자의 전문성을 기술영역, 비즈니스 영역으로 구인화 하 였으며, 이들 영역에 대한 가중치를 산정하기 위해 주성분 분석을 활용하였다. 주성분 분 석(principal component analysis)은 다차원의 데이터의 변량을 최대한으로 유지하며 차원축소를 행하는 방법이다. 다차원 변인의 변량을 주성분이라는 적은 수의 변인으로 축소하는 기법이라 할 수 있겠다. 이 때 주성분 벡서틑 함수로 나타낼 수 있다. 이 함수 식에서 벡터값을 찾는 것이 가중치로 활용된다. 가중치를 구하는 방법으로 AHP와 함께 주로 활용되고 있다.

일반적으로 주성분 분석은 탐색적 요인분석의 결과값 중 초기 고유값의 분산값을 가중 치값으로 사용하고 있다. 따라서 이 연구에서도 전문성 발달 수준 4가지 구인의 가중치 를 확인하기 위에 초기 고유값의 분산%을 가중치 값으로 사용하였다.

나. 군집분석

이 연구에서는 소프트웨어 개발자의 전문성 발달 수준을 등급화 하기 위해 군집분석을 활용하였다. 군집분석은 변인이 많거나 명확한 분류기준이 없는 경우에 다양한 특성을 지닌 연구대상들의 유사성을 중심으로 분류된다. 이 때 군집분석의 결과는 동일한 집단 에 속한 개체들의 특성이 유사(similarity)하며, 서로 다른 집단에 속한 개체들 간의 특 성은 이질적(dissimilarity)이 되도록 각 개체를 분류하는 탐색적 통계적 자료 분석 방법 이다(Lance & Williams, 1966, 1967).

군집분석은 계층적 군집분석과 k-mean 군집분석이 있다. 일반적으로 표본이 100개 이하일 경우 계층적 군집분석을 활용하며, 표본이 100개 이상일 경우 k-mean 군집분석 을 실시한다(Aldenderfer & Blashfield, 1984). 다만 계층적 군집분석의 경우 군집의 수를 연구자가 정하지 않고 가장 타당한 군집의 개수로 구분되는 반면, k-mean 군집분 석은 연구자가 임의로 군집의 수를 정해야 하기 때문에 별도로 군집 개수에 대한 타당도 검사를 실시해야 한다.

특히 이 연구에서 활용할 계층적 군집분석(hierarchical cluster analysis)는 관찰값들 간의 거리행렬을 기준으로 가까운 관찰값들을 서로 묶어나가는 병합(agglomeration)방 법과 거리가 먼 값들을 나눠가는 분할(division)방법이 있는데, 주로 병합방법이 활용되 며 절차는 다음과 같다(배화수 외, 2008). N개의 자료를 각각 하나의 집단으로 가정하 여, N × N 형태의 자료에 대한 거리행렬 d를 만든다. 이후 N개의 집단 중 가장 거리 가 가까운 두 개의 집단을 병합하여 n-1개의 집단으로 군집을 축소한 후, 새롭게 생성 된 집단과 나머지 집단들 간의 거리를 계산하여 새로운 d를 만든다. 이후 집단 간의 거 리척도에 따라 각 단계에서의 병합과정을 총 n-1번 반복하여 모든 관찰값들이 하나의 잡단에 포함되도록 한다. 끝으로 가장 적절한 집단의 수를 정한다.

다. 판별분석

종속변인이 이항 또는 다항으로 된 범주형일 때 적용할 수 있는 분석방법으로 다변량 기 법인 다중판별분석(multiple discriminant analysis: MDA)이다. 판별분석은 일반적으로 집단들 간의 차이를 판별하는데 매우 유용한 도구로, 계량적 자료로 측정된 독립변인을 이 용한다. 판별함수를 통해 집단분류의 기준을 보여주며 이러한 예측력의 적정성을 평가하는 동시에 집단을 구분하는데 가장 기여하는 독립변인들을 파악해 준다(Hair 외, 2006).

판별분석울 활용하기 위해서는 첫째, 최소 사례수는 독립변인의 수보다 많아야 하며, 둘째, 표본평균 분포가 다변량 정규분포를 이루고 있어야 한다. 셋째, 공분산 행렬의 동 질성을 가정하고, 넷째, 다중공선성 가정이 가능한 작아야 하며, 마지막으로 독립변인들 은 선형적인 관계를 가져야 한다(여운승, 2006). 이 연구의 목적인 소프트웨어 개발자의 전문성 등급과 교육훈련, 자격증, 직무경력에 대한 결정요인의 관계를 고찰하기 위해 다 음과 같이 판별분석을 위한 여러 연구모형을 구안하였다.

모형 판별 함수

노임단가 기준 변인 전문성 등급(G) = f (최종학력, 보유 자격증의 최고 수준, 종사년수)

교육훈련, 자격 및

직무경력 변인 전문성 등급(G) = f (학교교육, 평생교육, 자격증 소지 자격, 프로젝트 수행 자격, 직무경력)

<표 Ⅲ-13> 전문성 등급을 구분하는 판별모형

이 연구에서 수행할 판별분석의 절차는 다음과 같다.

첫째, 판별모형의 적합도를 확인한다. 각 집단 간 혹은 집단내의 공분산 행렬의 동일성 을 확인하기 위해 Box’M 값의 유의도를 토대로 적합도를 확인한다. 또한 독립변인들에 걸쳐 집단 간에 차이가 있는지를 검증하기 위해 윌크스람다(Wilk’s Lamda)값의 유의 도를 확인하여 등급분류 집단 간 판별점수의 차이를 살펴본다.

둘째, 판별분석 및 효력지수를 확인한다. 모형의 적합도가 검증되었다면 이를 기준으로 판별적재값인 구조행렬값으로 각 모형별 판별력의 중요도 순서를 파악한다. 다시말해, 전 문성 등급을 구분함에 있어 가장 판별력이 큰 변인을 파악할 수 있다. 이는 판별함수에 대한 독립변인들의 상대적 기여도를 종합적으로 표현하는 효력지수는 각 함수별 효력지 수의 합으로 표현된다(여운승, 2006).

효력지수 = ∑(판별적재값² x 상대적고유값)

*상대적고유값 =각 함수의 고유값 /∑ 고유값

셋째, 분류정확률(hit ratio)을 확인한다. 분류정확률이란 분류기준이 된 변인을 활용하 여 등급을 분류한 것에 대한 정확도를 의미한다. 이를 통해 어떤 변인을 활용한 경우 분 류의 정확도가 높아지는지 확인할 수 있다.