본 실험을 통해 얻어진 자료를 가지고 가설검증에 필요한 통계분석은 AMOS 18.0 프로그램을 통해 실시하였다. AMOS 프로그램은 가설검증을 통해 적합모형을 판단해주는 프로그램으로써 이와 유사한 LISREL 프로그램보다 그래픽 인터페이스 를 제공해준다는 특징을 가지고 있다. 또한 LISREL이 추정치와 함께 t값을 제시해 주는 것에 비해서 AMOS는 표준화된 구조계수를 보여준다.
구조방정식 모형(Structural Equation Modeling; SEM)은 공변량분석(Analysis of Covariance Structure)이라는 협의의 의미를 가지며 여러 변인들 간의 인과관 계를 밝히기 위한 통계적 방법의 하나로서 변인간의 인과 관계를 합리적으로 제공 하는 방법이다. 이러한 분석 방법은 회귀분석이나 요인분석방법과 유사하지만 구조 방정식을 이용할 때 전형적으로 사용자가 미리 모형이나 이론을 세우고 그것을 검 증한다는 점에 차이를 두고 있다. 구조방정식의 특징은 모형 내에 존재하는 모든 관 찰변수(observed variable)와 모든 잠재변수(latent variables)에서 오차의 크기가 무시되지 않고 실제적으로 고려된다(황용석, 1998). 또한 잠재변수들 간의 인과관계, 잠재변수와 관찰 변수 간의 인과관계, 관찰변수들 간의 인과관계를 모두 고려할 수 있다.
구조방정식 모형에서 고려하는 자료의 변수형태로서 관찰변수 즉 실제 측정치 (measure), 지표(indicator) 등으로 직접 눈으로 볼 수 있는 관찰된 자료와 잠재변
수 즉 불측정 요인으로 인간의 지능이나 감정상태 혹은 태도 등 직접 눈으로 볼 수 없는 일차적 개념 그리고 오차변수로 나뉠 수 있으며 구조모수치(parameter)는 변 수들 간의 인과관계를 나타내는 변함없는 불변상수(invariant constant)이다. 이것 은 잠재변수와 잠재변수, 잠재변수와 관찰변수, 관찰변수와 관찰변수사이의 영향력 의 크기를 나타낸다.
측정 자료의 기술적 통계 처리에 있어서 본 연구에서는 미지수를 계산하는 최소 자승법(unweighted least square method or generalized least square method) 과 최대우소법(maximum likelihood method) 중 최대우도법을 사용하는데 이를 위하여 분석 자료는 원자료나 상관자료 및 공변량 자료 중 어느 것이라도 상관없기 때문에 본 연구에서는 원 자료를 사용하여 구조방정식모형의 검증을 위한 적합도를 평가하게 된다. 이후 자료와 제안한 이론적 모형의 가정이 얼마나 적합한가에 대한 정보를 평가하였다. 이때 수용 가능한 추정치를 제시하고 적합도를 여러 가지 기준 으로 평가하였다. 그러나 적합도 평가를 통해 최초 설정한 모형이 적합하지 않다는 것으로 판단되면 모형 수정을 하게 되는데 이후 적절한 모형이 발견될 때까지 ‘모형 수정, 적합도 평가, 모형의 적절성 결정’의 과정을 거치게 된다(이정훈, 1996). 본 연구에서도 최초 설정한 모형이 적정하지 않다고 판단되었을 시 모형을 수정하고 적합도를 평가한 뒤 수정된 모형의 적절성을 평가하는 단계를 거쳐 최종 모형을 도 출해내었다.
구조방정식 모형은 단순히 통계적 검증만을 하는 것이 아니며 예측모형의 강도에 대한 가장 적절한 설명을 해준다는데 있다(황용석, 1998). 적합도 검증을 실시하는 데에는 적 합도 지수(fit index)를 토대로 모형의 적합성을 판단하는데 적합도 지수는 절대적합 도지수(absolute fit indices), 증분적합도지수(incremental fit indices), 간결적합 도지수(parsimony fit indices)로 분류한다. 절대적합도지수(absolute fit indices) 는 연구모형이 자료를 얼마나 잘 반영하는 지를 나타내주는 지수이다(이학식과 임지 훈,2009). 이에는 χ2 통계량과 GFI(Goodness of-Fit Index), AGFI(Adjusted Goodness of-Fit Index), RMR(Root Mean Square Residual), RMSEA(Root Mean Square Error of Approximation), NC(Normed Chi-square)가 포함되어 있다. χ2 통계량은 모형을 자료에 적용시킬 때 모형이 자료에 잘 부합하는지를 나타 내는 것으로 입력공분산행렬과 추정공분산행렬의 차이와 표본의 크기로 결정되는데
χ2값과 같이 산출되는 자유도(df)와 p-value 중 p-value가 클수록 귀무가설을 기각 하지 못하여 적합도가 높다는 결론을 내릴 수 있게 된다. χ2값이 작을수록 p-value 는 커지게 되며 p-value가 .05보다 크면 일반적으로 적합도가 높다고 판단한다. 그 러나 χ2 통계량은 표본의 크기와 변수들 수에 민감하게 반응하므로 유의한 수준 (p-value<.05)이 아니더라도 다른 지표들과 함께 적합도를 판단하게 된다.
GFI(Goodness of-Fit Index)와 AGFI(Adjusted Goodness of-Fit Index)는 입력 공분산행렬내의 분산·공분산이 추정 공분산행렬에 의해 설명되는 정도를 나타내는 지수로서 0과 1사이의 값을 갖는다. 1에 가까울수록 적합도가 좋은 것으로 간주하 며 일반적으로 .90보다 크면 적합도가 높은 것으로 판단한다. AGFI(Adjusted Goodness of-Fit Index)는 GFI를 자유도에 의해 조정한 지수로서 모형의 복잡성을 고려하여 산출되어지는 값이다. 이 지수 또한 GFI(Goodness of-Fit Index)와 마찬 가지로 0과 1사이의 값을 갖는다. 일반적으로 .90보다 크면 적합도가 높은 것으로 판단하게 된다. RMR(Root Mean Square Residual)은 분석 자료의 매트릭스와 미 지수들에 의해 재생산된 매트릭스간의 원소들이 얼마나 차이가 있는지를 보여주는 데 잘 맞는 모형일수록 RMR 값은 0에 가깝고 잘 맞지 않는 모형일수록 양의 값 (positive number)을 갖는다. RMR(Root Mean Square Residual)은 입력 분산·공 분산 값들과 추정 분산·공분산 값들 간의 차이를 제곱한 값들의 평균의 제곱근으로 산출되며 이 지수값은 낮을수록 적합도가 높다는 것을 의미한다. 일반적으로 .05이 하 수준에서 바람직하고 .10이하의 경우, 수용 가능한 것으로 판단하고 있다.
RMSEA(Root Mean Square Error of Approximation)는 χ2 값에 기초하며 연구 집단을 모형이 얼마나 잘 접근해있는지에 대한 정보를 나타낸다. 이는 χ2 값을 자유 도와 표본크기로 조정하여 산출되어지며 이는 표본의 크기가 크거나 측정변수들의 수가 많으면 모형의 적합도가 대체로 낮다는 χ2 통계량의 한계점을 보완하기 위함 이다. 이 값은 0과 1사이로 대체로 .10보다 낮으면 적합도가 비교적 높다고 판단하 게 된다. NC(Normed Chi-square)는 χ2 값을 자유도로 나눈 값인데 이 값이 작을 수록 적합도가 높다고 할 수 있으며 3.0이하일 경우 수용가능한 것으로 보고 있다.
본 연구에서는 위에서 언급한 절대적합도 지수(absolute fit indices) 모두를 가지고 모형을 판단하고 있으며 각 절대적합도 지수(absolute fit indices)들은 <표Ⅳ-1>과 같은 기준으로 판단하였다.
다음으로 증분적합도지수(incremental fit indices)는 연구모형이 null 모형에 비해 얼마나 적합도가 높은가를 평가하는 지수이다(이학식과 임지훈,2009). 이에는 NFI(Normed Fit Index), CFI(Comparative Fit Index), TLI(Tucker & Lewis Index), RFI(Relative Fit Index), IFI(Incremental Fit Index)가 포함되어 있다.
NFI(Normed Fit Index)는 연구모형의 χ2 값과 null 모형의 χ2 값 간의 차이를 null모형의 χ2 값으로 나눈 비율로서 값이 클수록 연구모형의 적합도가 높으며 일반 적으로 .90이상일 경우 적합도가 높다고 판단한다. CFI(Comparative Fit Index)는 NFI(Normed Fit Index)를 발전시킨 지수로 0과 1 사이값을 가지며 .90이상이면 적 합도를 수용한다. TLI(Tucker & Lewis Index)는 CFI(Comparative Fit Index)와 마찬가지로 NFI(Normed Fit Index)를 발전시킨 지수로서 .90이상이면 적합도를 수 용한다. RFI(Relative Fit Index), IFI(Incremental Fit Index) 모두 NFI(Normed Fit Index)를 발전시킨 지수로서 .90이상을 적합모형으로 보인다고 판단한다.
RFI(Relative Fit Index)와 IFI(Incremental Fit Index)는 CFI(Comparative Fit Index)와 함께 적합정도를 판단하는데 있어 선호되는 지수이다(김계수, 2010). 본 연구에서는 증분적합도지수(incremental fit indices) 즉 NFI(Normed Fit Index), CFI(Comparative Fit Index), TLI(Tucker & Lewis Index), RFI(Relative Fit Index), IFI(Incremental Fit Index) 모두를 가지고 모형적합도를 판단하고 있으며 각 적합 기준은 <표Ⅳ-1>과 같다.
간결적합도지수(parsimony fit indices)는 모형 평가 기준 중 적합도와 간결성 을 고려하여 더 나은 모형을 결정하는데 사용되는 지수로서 PGFI(Parsimony Goodness of-Fit Index), PNFI(Parsimony Normed Fit Index), PCFI((Parsimony Comparative Fit Index), AIC(Akaike Information Criterion) 이 있다. 이 모두는 단독 모형으로는 의미 있는 지수들이 아니며 두개 이상의 경쟁 모형이 있을 경우 사용되는 지수이다. 이에 본 연구에서는 간결 적합도 지수 (parsimony fit indices)를 밝히고 있지 않다.
본 연구에서 사용되는 지수와 각 지수별 기준을 정리하면 다음 <표Ⅳ-1>과 같 다.
<표Ⅲ-13> 본 연구에서 사용되는 모형적합도 지수와 각 지수별 기준
지수명 하위 지수명 적합 기준
절대적합도 지수 (absolute fit indices)
χ2 p-valu e> .05
N C (N orm ed C h i-squ are) .90이상 G F I(G oodn ess of-F it In dex) .90이상 A G F I(A dju sted G oodn ess of-F it In dex) .90이상 R M R (R oot M ean S qu are R esidu al)
.05이 하 :바 람 직 .10이 하 : 수 용 가 능 R M S E A (R oot M ean S qu are E rror of
A pproxim ation ) .10 이하
증분적합도 지수 (incrementa
l fit indices)
N F I(N orm ed F it In dex) .90이상 R F I(R elative F it In dex) .90이상 IF I(In crem en tal F it In dex) .90이상 T L I(T u cker & Lew is In dex) .90이상 C F I(C om parative F it In dex) .90이상
본 연구에서는 χ2 통계량과 GFI, AGFI, RMR, RMSEA, NC, NFI, RFI, IFI, TLI, CFI, 총 11개의 적합도 지수에 기초하여 모형적합도를 판단하였다. 이러한 모 형 지수를 바탕으로 해서 모형의 적합도를 판단하고 가장 합당한 적합모형을 도출 하였다.