측도와 척도

반응형

사회복지조사론이나 자료분석론 등을 배우다보면 측도라는 표현과 척도라는 표현이 함께 등장한다.

또한 그 활용되는 것도 유사해 헷갈리곤 하는데, 이에 대해 정리해보면 다음과 같다.

 

1. 측도(measure): 변수를 측정한 값(정보)의 특성

예) 평균, 최빈값, 중앙값 등

 

2. 척도(scale): 변수의 특성 및 이를 측정하는 기준

예) 명목, 서열, 등간, 비율

 

즉, 각 변수는 척도를 통해 측정되고, 이를 통해 획득한 정보의 특성을 측도라 부른다.

반응형

리커트(Likert) 척도는 등간척도로 다룰 수 있는가?

반응형

사회복지조사논문을 쓰다보면 리커트 척도를 등간척도로 다루어 상관분석과 회귀분석을 해 놓은 것을 많이 볼 수 있다. 하지만 뭔가 이상하지 않은가? 분명 배운대로라면 리커트 척도는 서열척도가 맞다.

이에 대한 논쟁은 과거부터 꾸준히 있어왔던 듯하다. 이에 대해 잘 정리한 논문이 있어 한편 소개한다.

바로 후이핑 우(Huiping Wu)와 싱온 렁(Shing-On Leung)이 2017년 Journal of Social Service Research에 기고한 "Can Likert Scales be Treated as Interval Scales? - A Simulation Study"이다.

이 연구의 Introduction을 보면, Jamieson(제이미슨, 2004)을 비롯한 인용해 엄밀히 말해 서열척도인건 분명하다고 본다. 한편 척도를 만들어낸 Stevens(스티븐스, 1946) 또한 서열척도를 등간척도로 다루었을 때의 유용성에 동의했다며, 리커트 척도의 개수를 늘려간다면 연속적인 척도로 보아 산술연산을 하는 것도 가능하다는 입장도 소개한다. 또한 Borgatta(보가타) & Bohrnstedt(보른스테드)는 리커트 척도를 불완전한 등간척도라 부르기도 한다.

서열척도를 등간척도로 다루는 것은 기본 가정을 위반한다는 문제점에도 불구하고 그 실효성이 높다는 딜레마를 안고 있다.

이 논문의 저자들은 그렇다면 얼마나 리커트 척도를 늘려가야 등간척도와 유사한 결과를 얻을 수 있는지에 대해 실험하고 그 결과 0~10까지 11점 척도가 된다면 등간척도로 보아도 무방한 결과를 도출한다고 결론내리고 있다.

 

반응형

need와 needs 그리고 want(s)

반응형

need와 needs 그리고 want(s)!!

사회복지사로서 참 많이 사용하는 표현이지만 미묘한 차이가 있는 것 또한 사실인지라, 이번에 정리를 해보고자 한다.

<명사>
need: 필요
needs: 요구

<동사>
need: 필요하다, 어떤 사람의 needs(요구)에 따라 필요한 것, 필요불가결한 것
want: (욕구) 원하는 것, 즉 선택의 개념

개인적 관점에서
want(s)는 클라이언트가 원하는 것
needs는 클라이언트에게 필요한 것

클라이언트에게 필요한 것(자기결정)을 지원해야한다는 즉 needs에 기반해야한다고 기술된다. 
한편 want(s)는 그냥 원하는 것, 달라고 말하는 모든 것이 된다. 

반면 실천적 관점에서의 
필요성과 욕구 또한 엄밀히 구분된다. 
사회복지는 욕구에 기반하지만 필요성이 있다고 판단될 때 개입 또는 지원을 한다. 
즉 클라이언트가 원한다고 다 들어주는 것은 아니다.
그리고 그 필요성은 우리 사회의 전반적인 인식에 기반한 전문가의 판단에 의한다 

이처럼 needs는 개인적 측면에 욕구가 아닌 필요성이고,
need는 사회전반에서 공감하고 공유하는 필요성에 대한 인식이 된다. 

일상적인 표현에서는 굳이 이런 엄밀한 구분이 필요하지는 않을 것이다. 
하지만 사회복지학을 전공하는 사람으로서는 혼란과 오해를 막기 위해 엄밀히 구분하고 있어야 하지 않나 한다.

정리하자면,
사회복지는 클라이언트의 want(s)가 아닌 needs가 사회적 인식인 need에 부합할 때 개입한다.

반응형

[사회복지자료분석론] 상관관계 분석

반응형

상관관계 분석

 

1) 상관관계의 성격
① 상관관계는 인과관계가 아닐 수도 있다. → 회귀분석 필요
② 상관관계는 대체로 음의 방향 또는 음의 방향과 같은 관계의 방향이 있다.

 

2) 상관관계 분석

① 등간/비율 척도의 경우는 피어슨 적률상관을 실시합니다.

② 서열 척도의 경우는 스피어만 로 또는 캔달타우b를 실시합니다.

 

3) 상관관계 계수에 따른 해석

± 0.2 미만       : 상관관계가 거의 없다

± 0.2~0.4 미만 : 상관관계가 있으나 낮다

± 0.4~0.7 미만 : 상관관계가 다소 높다

± 0.7~0.9 미만 : 상관관계가 높다

± 0.9 이상       : 상관관계가 아주 높다

 

4) 예제 해석 

※ 참고 : 심리적 이웃관계는 역문항으로 "① 매우 친하다 ~ ⑤ 전혀 친하지 않다" 입니다. 한편 이 척도는 서열척도이나 여기서는 해석을 위해 등간척도라고 가정합니다.

 

(해석)
연령과 심리적 이웃관계에 대한 상관분석 결과 p<0.01에서 Pearson's r이 -.230으로 음의 낮은 상관관계를 보이고 있음을 알 수 있습니다. 즉 연령이 높아질수록 심리적 이웃관계가 친해지는 경향이 있다고 해석할 수 있습니다.
덧붙여 사례의 수(N)이 커지면 커질수록 유의도는 높아지지만, 그것이 상관관계를 높게 하지는 않습니다.

 

 

상관관계.hwp

 

 


 

반응형

[사회복지자료분석론] 카이제곱(χ²)

반응형

분포의 차이 : 카이제곱 (χ²)

 

■ 확인사항
1. 자유도가 1인 경우
전체사례수가 30보다 크면서 각 셀(cell)의 빈도가 5 이상일 때 적용 가능

 

2. 자유도가 1보다 큰 경우
사례수가 30보다 크면서 5미만의 기대빈도의 셀이 전체의 모든 칸의 20%보다 적고, 모든 셀에 1.00이상의 기대빈도가 있다면 척도에 관계없이 사용 가능

 

카이제곱 분포표를 토대로 자유도와 비교하여 분포차이의 여부를 봅니다.
해당 자유도와 유의수준에서의 카이제곱 값보다 크다면 분포차이가 있다고 봅니다.
이때 p값을 표시해주는 것은 기본입니다.

 

 

(해석)
위 예제에서 우리는 Pearson Chi-Square(χ², 이하 카이제곱)의 값만 읽는 것으로 합니다.
우선 아래에서 N이 604로 30보다 크면서, a에서 언급한 것처럼 기대빈도가 5보다 작은 셀이 1개 이며 이는 전체 셀의 10%에 해당하여 20%보다 적기 때문에 확인사항에서 언급했던 기본적인 활용의 조건은 충족합니다.
이에 카이제곱의 값은 21.591이면서, 자유도(df)가 4이고, 양방향 검정(양측 검정)에 따른 유의도는 0.000으로 바꿔 표현하면 p<0.001이기 때문에 두 변수 간에는 분포의 관련성이 있다고 볼 수 있습니다.
이때 자유도와 양측검정의 유의도에 대한 카이제곱분포표를 살펴보면, 18.47이 나옵니다. 따라서 카이제곱 값(21.591)이 분포표의 값(18.47)보다 크기 때문에 분포에 있어 관계가 있다고 해석할 수 있습니다.

 

 

카이제곱.hwp

 

한편, 자유도와 양측검정의 유의도만 가지고 분포의 관련성 여부를 파악하려면, 카이제곱 분포표나 엑셀의 CHIINV 함수를 사용하시면 됩니다. 위 예제의 경우, 분포값은 20.00(단측검정의 경우는 18.47)이 나옵니다. 따라서 카이제곱 값(21.591)이 분포표의 값(20.00)보다 크기 때문에 분포에 있어 관계가 있다고 해석할 수도 있습니다.

첨부한 엑셀을 참조하세요~

 

단, 단측검정과 양측검정에 대한 해석은 제가 참조한 교재에서는 설명이 제대로 되어 있지 않았습니다.

때문에 틀린 점이 있을 수도 있음을 미리 밝혀둡니다.

 

카이제곱 교차분포표.xls

반응형