SEM 분석, lavaan 결과 해석: 수정지수, 적합도, p값 완전 정복 (2026년 기준)
구조방정식 모델링(SEM)은 복잡한 변수 간의 관계를 탐색하는 강력한 통계 기법입니다. 특히 R 패키지인 ‘lavaan’은 SEM 분석을 위한 뛰어난 도구로 널리 활용되고 있죠. 하지만 분석 결과를 제대로 이해하고 해석하는 것이 SEM의 핵심인 만큼, 오늘은 lavaan 분석 결과의 주요 요소인 수정지수, 적합도 지수, 그리고 p값을 깊이 있게 파헤쳐 보겠습니다. 2026년 현재, 연구자라면 반드시 알아야 할 최신 해석 방법과 함께, 분석 결과의 문제점을 진단하고 개선하는 실질적인 방법까지 제시해 드립니다.
lavaan 분석 결과, 무엇을 봐야 할까?
1. 모델 적합도 지수: 모델이 데이터를 얼마나 잘 설명하는가
모델 적합도 지수는 구축한 모델이 관찰된 데이터를 얼마나 잘 설명하는지를 나타내는 핵심 지표입니다. lavaan에서는 다양한 적합도 지수를 제공하며, 이들을 종합적으로 고려하여 모델의 전반적인 적합성을 판단해야 합니다. 2026년 기준으로, 단순히 하나의 지표에만 의존하기보다는 여러 지표를 함께 보는 것이 일반적입니다.
- 카이제곱 검정 (χ²): 모델 적합성에 대한 직접적인 통계적 검정입니다. p값이 크면(보통 0.05 이상) 모델이 데이터를 잘 설명한다고 해석하지만, 표본 크기가 클 경우 유의하게 나오는 경향이 있어 절대적인 기준으로 삼기 어렵습니다.
- RMSEA (Root Mean Square Error of Approximation): 모델의 불완전성을 측정합니다. 일반적으로 0.05 이하이면 우수, 0.08 이하이면 양호, 0.10 이상이면 부적합으로 간주됩니다.
- CFI (Comparative Fit Index) / TLI (Tucker-Lewis Index): 비교 적합 지수로, 0.90 이상이면 수용 가능, 0.95 이상이면 우수하다고 봅니다.
- SRMR (Standardized Root Mean Square Residual): 잔차의 표준화된 평균 제곱근으로, 0.08 이하이면 좋은 적합도를 의미합니다.
이러한 적합도 지수들이 전반적으로 양호한 수준을 보인다면, 모델이 데이터를 잘 설명하고 있다고 판단할 수 있습니다. 하지만 만약 적합도가 낮게 나온다면, 모델 자체에 문제가 있거나 특정 부분의 개선이 필요하다는 신호로 받아들여야 합니다.
수정지수(Modification Indices, MI)와 p값: 개선점 찾기
2. 수정지수: 모델 개선을 위한 단서
수정지수는 현재 모델에서 특정 경로를 추가하거나 제거했을 때 모델의 적합도가 얼마나 개선될지를 예측하는 지표입니다. lavaan에서는 `modindices` 명령어를 통해 이를 확인할 수 있습니다. 수정지수가 큰 값일수록 해당 경로를 모델에 포함시켰을 때 적합도가 크게 향상될 가능성이 높습니다.
예시: 만약 ‘외생변수 A’와 ‘내생변수 C’ 사이에 직접적인 경로가 없는데, 이 둘 사이에 공분산(covariance)을 추가했을 때 수정지수가 높게 나왔다면, 이는 A가 C에 직접적으로 영향을 미치거나, 혹은 A와 C를 공통으로 설명하는 제3의 변수가 존재할 수 있음을 시사합니다. 이러한 수정지수는 ‘무턱대고’ 모델을 수정하는 것이 아니라, 이론적 근거를 바탕으로 신중하게 접근해야 합니다.
3. p값: 개별 경로의 통계적 유의성
lavaan 결과에서는 각 추정치(경로 계수, 공분산 등)에 대한 표준오차(Std.Err.)와 z값(또는 t값), 그리고 p값을 제공합니다. p값은 일반적으로 0.05 또는 0.01을 기준으로 해당 경로가 통계적으로 유의한지를 판단하는 데 사용됩니다. p값이 작으면(유의수준 이하) 해당 경로의 영향력이 통계적으로 유의미하다고 해석할 수 있습니다.
주의할 점: p값만으로 결과를 맹신해서는 안 됩니다. 특히 표본 크기가 매우 크거나 작을 때 p값은 왜곡될 수 있습니다. 또한, 이론적으로 중요하지 않은 경로가 p값이 작다고 해서 무조건 포함시키는 것은 모델의 해석을 복잡하게 만들 수 있습니다. 따라서 p값과 함께 경로 계수의 크기(effect size)와 방향, 그리고 연구의 이론적 맥락을 종합적으로 고려해야 합니다.
문제 해결: 적합도 낮은 모델, 어떻게 개선할까?
1. 이론적 재고와 경로 수정
가장 먼저 해야 할 일은 연구의 이론적 배경을 다시 검토하는 것입니다. 수정지수가 높게 나온 경로가 있다면, 해당 경로가 이론적으로 타당한지, 혹은 선행 연구에서 그러한 관계가 보고된 바 있는지 심도 있게 논의해야 합니다. 이론적 근거가 있다면, 해당 경로를 모델에 추가하거나 기존 경로의 방향을 수정할 수 있습니다.
예시: 만약 ‘학습 동기’가 ‘학업 성취도’에 직접적인 영향을 미친다고 가정한 모델의 적합도가 낮고, ‘학습 동기’와 ‘학습 전략’ 간의 공분산 수정지수가 높게 나왔다면, ‘학습 동기’가 ‘학습 전략’을 매개하여 ‘학업 성취도’에 영향을 미치는 간접 경로를 설정하거나, ‘학습 동기’와 ‘학습 전략’이 공통의 원인을 공유한다고 가정해 볼 수 있습니다.
2. 측정 변수 검토 및 수정
모델 적합도가 낮은 원인이 측정 변수에 있을 수도 있습니다. 특정 측정 변수가 잠재 변수를 잘 대표하지 못하면(즉, 요인부하량이 낮거나 내적일관성이 떨어지면), 모델의 전반적인 적합도에 악영향을 미칠 수 있습니다.
- 요인부하량(Factor Loading) 확인: 개별 측정 변수가 잠재 변수를 얼마나 잘 설명하는지 나타냅니다. 일반적으로 0.5 이상, 혹은 0.7 이상의 요인부하량을 가진 변수들을 유의미하다고 봅니다.
- 내적 일관성(Cronbach’s Alpha): 같은 잠재 변수를 측정하는 항목들 간의 내적 일관성을 보여줍니다. 0.7 이상을 일반적으로 수용 가능한 수준으로 봅니다.
만약 특정 측정 변수의 요인부하량이 낮거나 내적 일관성을 저해한다면, 해당 변수를 제거하거나 다른 측정 도구로 교체하는 것을 고려할 수 있습니다. 이 역시 이론적 근거가 중요합니다.
3. 잠재 변수 간의 관계 재설정
모델의 적합도가 낮을 때, 잠재 변수들 간의 예상했던 경로가 잘못되었을 가능성도 있습니다. 수정지수를 참고하여 새로운 경로를 추가하거나, 기존의 유의하지 않은 경로를 제거하는 방식으로 모델을 간결하게 만들 수 있습니다. 때로는 직접적인 관계 대신 간접적인 관계(매개 효과)가 더 중요할 수도 있습니다.
lavaan 분석 결과 요약 테이블 (예시)
| 적합도 지수 | 값 | 해석 |
|---|---|---|
| χ² (df=50, p=0.001) | 120.55 | 통계적으로 유의하지만, 표본 크기에 민감 |
| RMSEA | 0.075 | 양호한 수준 |
| CFI | 0.94 | 우수한 수준 |
| SRMR | 0.060 | 양호한 수준 |
위 예시는 전반적으로 모델 적합도가 양호함을 시사합니다. 하지만 χ²의 p값이 낮게 나왔으므로, 추가적인 검토가 필요할 수 있습니다.
결론: SEM 분석, 지속적인 개선의 과정
lavaan을 활용한 SEM 분석은 단순히 숫자를 뽑아내는 과정이 아니라, 이론과 데이터를 끊임없이 연결하고 검증하는 탐구의 과정입니다. 수정지수는 모델 개선을 위한 귀중한 힌트를 제공하지만, 이 힌트를 어떻게 활용할지는 연구자의 이론적 통찰력과 비판적 사고에 달려 있습니다.
2026년 현재, SEM 분석은 더욱 정교해지고 있으며, 단일 지표에만 의존하는 해석은 지양해야 합니다. 모델 적합도, 수정지수, p값을 종합적으로 고려하고, 무엇보다 연구의 본질적인 질문과 이론적 배경에 충실한 해석과 모델 개선이 이루어져야 합니다. 이러한 과정을 통해 우리는 변수들 간의 복잡한 관계를 더욱 깊이 이해하고, 의미 있는 연구 결과를 도출할 수 있을 것입니다.
