구조방정식 모델링을 공부하는 대학원생이나 연구자라면 누구나 한 번쯤 겪는 딜레마가 있어요. AMOS로 확인적 요인분석(CFA)을 돌렸더니 RMSEA, CFI, TLI 같은 모델 적합도 지수는 대부분 기준을 충족하는데, 막상 집중타당도를 평가하는 AVE(Average Variance Extracted) 값이 0.5를 밑도는 상황이에요. “적합도가 좋으니까 괜찮은 거 아닌가?” 싶다가도, AVE가 낮으면 측정모형의 수렴 타당성이 부족하다는 신호라서 논문 심사에서 지적받기 십상이죠.
실제로 여러 통계 커뮤니티나 지도교수님의 피드백을 보면, 모델 적합도가 만족스러워도 AVE가 낮으면 반드시 점검해야 할 포인트가 몇 가지 있어요. 이 글에서는 AMOS CFA 결과에서 적합도는 좋은데 AVE가 낮게 나왔을 때 무엇부터 확인하고, 어떤 순서로 문제를 해결해야 하는지 구체적으로 정리해 드릴게요. 연구실에서 바로 적용할 수 있는 실전 팁이니까 끝까지 읽어보시면 도움이 될 거예요.
✔️ 모델 적합도가 양호해도 AVE가 0.5 미만이면 집중타당도에 문제가 있는 상태입니다.
✔️ 가장 먼저 표준화된 요인적재량(Standardized Regression Weights)을 확인하고, 평균 0.7 이상을 목표로 낮은 문항을 찾아내야 합니다.
✔️ 요인적재량이 확보되면 복합신뢰도(CR) 0.7 이상, AVE 0.5 이상을 동시에 만족하는지 재계산합니다.
✔️ 마지막으로 AVE의 제곱근이 요인 간 상관계수보다 큰지 판별타당도까지 점검하면 측정모형의 타당성을 완성할 수 있습니다.
글 순서
모델 적합도와 AVE, 무엇이 다른가?
많은 분들이 모델 적합도가 좋으면 측정모형 전체가 문제없다고 생각하기 쉬워요. 하지만 모델 적합도는 연구자가 설정한 요인구조가 데이터의 공분산 행렬을 얼마나 잘 재현하는지를 보는 ‘전체적인 틀’에 대한 평가예요. 반면 AVE는 각 잠재변수가 측정변수들의 분산을 얼마나 잘 설명하는지를 나타내는 ‘집중타당도’ 지표라서, 모델 적합도와는 평가하는 층위가 다릅니다.
예를 들어, RMSEA가 0.06, CFI가 0.95, TLI가 0.93으로 나와서 적합도 기준을 넉넉히 통과했더라도, 특정 요인에 묶인 측정문항들의 요인적재량이 전반적으로 낮다면 AVE는 0.5를 넘기 어려워요. 즉, 모델의 구조 자체는 데이터와 얼추 맞지만, 각 요인이 해당 문항들을 충분히 ‘설명’하지 못하는 상태인 거죠. 따라서 적합도가 좋다고 해서 AVE까지 자동으로 확보되는 것은 아니라는 점을 꼭 기억해야 합니다.
AVE가 낮을 때 가장 먼저 확인할 것: 요인적재량
AMOS에서 AVE가 낮게 나왔다면, 가장 먼저 살펴볼 것은 표준화된 요인적재량(Standardized Regression Weights)이에요. 여러 통계 전문가들의 조언을 종합해 보면, AVE가 0.5 이상이 되려면 각 요인에 속한 문항들의 표준화 적재량 평균이 0.7 정도는 되어야 한다고 해요. 물론 개별 문항의 적재량이 0.5 이상이면 최소 기준을 충족했다고 볼 수 있지만, 평균이 0.7에 못 미치면 AVE가 0.5를 넘기 어려운 경우가 많습니다.
AMOS 출력 결과에서 ‘Estimates’ → ‘Scalars’ → ‘Standardized Regression Weights’ 항목을 열어보면 각 측정변수와 잠재변수 사이의 표준화된 경로계수를 확인할 수 있어요. 이 값이 0.5 미만인 문항이 있다면 해당 문항이 잠재변수를 제대로 반영하지 못하고 있다는 뜻이므로, 삭제하거나 다른 문항으로 교체하는 것을 우선 고려해야 합니다. 특히 0.3~0.4 수준의 낮은 적재량을 보이는 문항은 AVE를 크게 깎아먹는 주범이 될 수 있어요.
실제로 ResearchGate나 국내 통계 블로그의 사례를 보면, 적재량이 낮은 문항 하나만 제거해도 AVE가 0.4에서 0.55로 올라간 경우도 드물지 않아요. 그러니 무턱대고 모델 전체를 수정하기보다는, 각 문항의 적재량을 꼼꼼히 살펴보고 문제가 되는 문항부터 정리하는 게 가장 빠른 해결책이에요.
요인적재량 점검 후에도 AVE가 낮다면? 복합신뢰도(CR) 확인
요인적재량을 확인하고 낮은 문항을 제거했는데도 AVE가 여전히 0.5에 못 미친다면, 복합신뢰도(Composite Reliability, CR)를 함께 점검해 볼 필요가 있어요. CR은 내적 일관성 신뢰도의 일종으로, 0.7 이상이면 해당 잠재변수의 신뢰도가 확보된 것으로 봅니다. 그런데 CR이 0.7을 넘더라도 AVE가 낮을 수 있는 이유는, AVE 계산식이 표준화 적재량의 제곱합을 표준화 적재량의 제곱합과 오차분산의 합으로 나누기 때문이에요. 즉, 오차분산이 상대적으로 크면 CR은 높아도 AVE는 낮게 나올 수 있어요.
AMOS는 AVE와 CR을 자동으로 계산해 주지 않기 때문에, 표준화 적재량과 오차분산(1 – 표준화 적재량의 제곱)을 이용해 직접 계산해야 합니다. 계산식은 다음과 같아요.
- CR = (Σ 표준화적재량)² / [ (Σ 표준화적재량)² + Σ 오차분산 ]
- AVE = Σ (표준화적재량²) / [ Σ (표준화적재량²) + Σ 오차분산 ]
만약 CR은 0.8 이상으로 높은데 AVE만 0.45 정도라면, 오차분산이 큰 문항이 하나쯤 섞여 있을 가능성이 높아요. 이럴 땐 오차분산이 유독 큰 문항을 찾아서 제거하거나, 문항의 내용을 검토해 측정오차를 줄일 수 있는 방향으로 설문 문항을 수정하는 것도 방법이에요.
판별타당도까지 함께 살펴야 하는 이유
집중타당도(AVE)만 확보했다고 해서 측정모형의 타당도 검증이 끝난 것은 아니에요. 판별타당도는 서로 다른 잠재변수들이 실제로 구별되는 개념인지를 확인하는 절차인데, AVE가 낮으면 판별타당도에도 문제가 생길 가능성이 커요. Fornell과 Larcker(1981)가 제안한 기준에 따르면, 각 잠재변수의 AVE 제곱근이 해당 변수와 다른 변수들 간의 상관계수보다 커야 판별타당도가 있다고 판단합니다.
예를 들어, AVE가 0.5라면 제곱근은 약 0.707이에요. 그런데 두 요인 간 상관계수가 0.75로 나왔다면, AVE 제곱근보다 상관계수가 더 크기 때문에 판별타당도가 확보되지 않은 상태예요. 이런 경우에는 두 요인이 사실상 같은 개념을 측정하고 있을 가능성이 있으므로, 요인을 합치거나 문항을 재배치하는 등의 모델 수정이 필요할 수 있어요.
AMOS에서는 ‘Correlations’ 또는 ‘Implied Correlations’ 출력값을 통해 요인 간 상관계수를 확인할 수 있고, 앞서 계산한 AVE의 제곱근과 직접 비교하면 됩니다. 판별타당도가 확보되지 않으면 아무리 모델 적합도가 좋아도 측정모형으로서의 의미가 떨어지기 때문에, AVE를 개선하는 과정에서 반드시 함께 점검해야 하는 포인트예요.
| 점검 항목 | 기준값 | AMOS 확인 방법 |
|---|---|---|
| 표준화 요인적재량 | 개별 0.5 이상, 평균 0.7 이상 권장 | Estimates → Scalars → Standardized Regression Weights |
| AVE | 0.5 이상 | 수동 계산 (표준화적재량² 합 / (표준화적재량² 합 + 오차분산 합)) |
| CR | 0.7 이상 | 수동 계산 (표준화적재량 합)² / ((표준화적재량 합)² + 오차분산 합) |
| 판별타당도 | AVE 제곱근 > 요인 간 상관계수 | Correlations 출력값과 AVE 제곱근 비교 |
• 요인적재량이 낮은 문항을 무조건 삭제하기 전에, 해당 문항이 이론적으로 꼭 필요한 핵심 문항인지 검토하세요. 내용 타당도를 해치지 않는 선에서 결정해야 합니다.
• AVE와 CR은 AMOS가 자동 산출하지 않으므로, 엑셀이나 별도 계산기를 이용해 정확히 계산해야 합니다. 소수점 둘째 자리에서 반올림하는 과정에서 기준을 간신히 넘기거나 못 미치는 일이 없도록 주의하세요.
• 표본 크기가 작으면 요인적재량과 AVE가 불안정하게 추정될 수 있어요. 일반적으로 최소 200~300개 이상의 표본을 확보하는 것이 안정적인 CFA 결과를 얻는 데 유리합니다.
• 한 번에 여러 문항을 삭제하기보다는, 가장 낮은 적재량을 보이는 문항부터 하나씩 제거하면서 AVE 변화 추이를 지켜보는 것이 안전합니다.
실제 AMOS 출력값에서 AVE 계산하는 방법
AMOS 결과 창에서 AVE를 바로 확인할 수 없기 때문에, 많은 연구자들이 당황해요. 하지만 계산 자체는 생각보다 간단합니다. 먼저 ‘Standardized Regression Weights’에서 각 측정변수의 표준화된 요인적재량(λ)을 확인합니다. 그다음 각 λ의 제곱을 구하고, 오차분산은 ‘1 – λ²’로 계산할 수 있어요. 이 값을 이용해 앞서 소개한 AVE 공식에 대입하면 됩니다.
예를 들어, 한 요인에 4개의 측정문항이 있고 표준화 적재량이 각각 0.75, 0.80, 0.65, 0.70이라면, λ²는 0.5625, 0.64, 0.4225, 0.49가 돼요. 이 합은 2.115이고, 오차분산의 합은 (1-0.5625)+(1-0.64)+(1-0.4225)+(1-0.49) = 0.4375+0.36+0.5775+0.51 = 1.885예요. 따라서 AVE = 2.115 / (2.115 + 1.885) = 2.115 / 4.0 = 0.52875로, 0.5를 넘게 됩니다. 이처럼 엑셀에 수식을 걸어두면 여러 모델을 빠르게 비교할 수 있어요.
AMOS의 ‘Squared Multiple Correlations’ 값은 각 측정변수의 설명력(R²)을 나타내는데, 이 값이 곧 λ²와 같아요. 따라서 이 값을 그대로 AVE 계산에 활용할 수도 있어요. 다만, 이 값은 표준화된 해(solution)가 아닌 경우도 있으므로, 반드시 표준화 계수를 사용하고 있는지 확인해야 합니다.
AVE 개선을 위한 실전 전략: 문항 제거와 모델 수정
AVE를 높이기 위한 가장 직접적인 방법은 낮은 요인적재량을 보이는 문항을 제거하는 거예요. 하지만 무턱대고 삭제하다 보면 내용 타당도가 훼손될 수 있으니, 다음과 같은 순서로 접근하는 것이 좋습니다.
- 문항 내용 재검토: 적재량이 낮은 문항이 연구 개념을 제대로 반영하고 있는지, 응답자들이 이해하기 어려운 표현은 없었는지 설문지를 다시 살펴보세요.
- 오차항 간 공분산 허용: 이론적으로 타당하다면, 유사한 문항끼리 오차항 간 공분산을 설정해 모델 적합도를 개선하고 AVE를 소폭 높일 수 있어요. 단, 무분별한 공분산 설정은 오히려 모델을 왜곡할 수 있으니 주의해야 합니다.
- 요인 구조 재검토: 탐색적 요인분석(EFA) 결과와 비교해, 해당 문항이 다른 요인에 더 높게 적재되는 크로스로딩 현상이 있는지 확인하세요. 필요하다면 요인 수를 조정하거나 문항을 재할당할 수 있어요.
- 표본 특성 점검: 표본이 특정 집단에 치우쳐 있거나 불성실 응답이 많다면, 데이터 클리닝을 다시 한번 진행해 보세요. 이상치나 무작위 응답이 AVE에 영향을 줄 수 있습니다.
이러한 과정을 거치면서도 AVE가 크게 개선되지 않는다면, 해당 잠재변수의 측정도구 자체를 재개발하는 것을 고려해야 할 수도 있어요. 하지만 대부분의 경우, 위의 점검만으로도 AVE를 기준치 이상으로 끌어올릴 수 있어요.
자주 묻는 질문 (FAQ)
Q1. 모델 적합도가 완벽한데 AVE만 낮으면 논문에 그대로 제출해도 될까요?
대부분의 리뷰어는 AVE 0.5 미만을 집중타당도 부족으로 지적합니다. 적합도가 아무리 좋아도 AVE가 기준을 충족하지 못하면 측정모형의 타당성을 인정받기 어려워요. 따라서 반드시 개선 후 제출하는 것이 안전합니다.
Q2. 요인적재량이 0.5 이상인데도 AVE가 0.5가 안 나와요. 왜 그런가요?
개별 적재량이 0.5를 넘더라도 평균이 0.7에 못 미치면 AVE가 낮을 수 있어요. 또한 적재량이 높은 문항이 있더라도 오차분산이 큰 문항이 섞여 있으면 AVE가 깎입니다. 모든 문항의 적재량을 고르게 높이는 것이 중요합니다.
Q3. AVE 계산할 때 비표준화 계수를 써도 되나요?
안 됩니다. AVE는 표준화된 적재량을 기준으로 계산해야 해요. 비표준화 계수는 측정 단위에 따라 달라지기 때문에 절대적인 비교가 어렵습니다. AMOS에서 반드시 ‘Standardized Regression Weights’를 사용하세요.
Q4. CR은 0.7을 넘는데 AVE가 낮으면 어떤 의미인가요?
CR은 내적 일관성에 더 민감하고, AVE는 오차분산의 크기에 더 민감해요. 따라서 문항들이 서로 비슷한 방향으로 움직이지만(높은 CR), 각 문항의 오차가 크면 AVE가 낮게 나올 수 있습니다. 오차분산이 큰 문항을 찾아 제거하는 것이 해결책이에요.
Q5. 문항을 삭제하면 모델 적합도가 나빠지지 않을까요?
일반적으로 문항 수가 줄어들면 모델 적합도는 오히려 개선되는 경향이 있어요. 다만, 요인당 문항 수가 3개 미만이 되면 모델 식별에 문제가 생길 수 있으므로 최소 3개 이상의 문항을 유지하는 것이 좋습니다.
Q6. AVE 제곱근이 상관계수보다 약간만 작아도 문제인가요?
Fornell-Larcker 기준은 엄격하게 적용하는 것이 일반적이에요. 하지만 일부 연구에서는 AVE 제곱근이 상관계수보다 근소하게 작더라도 다른 판별타당도 검증 방법(예: HTMT)을 추가로 제시하여 보완하기도 합니다. 그래도 기본적으로는 AVE 제곱근이 더 크도록 모델을 수정하는 편이 안전합니다.
Q7. AMOS 외에 AVE를 자동으로 계산해 주는 프로그램이 있나요?
AMOS 자체는 AVE를 산출하지 않지만, SmartPLS나 R의 lavaan 패키지 등은 AVE와 CR을 자동으로 계산해 주는 기능을 제공해요. 다만, 동일한 데이터라도 추정 방식(ML, PLS 등)에 따라 값이 다를 수 있으니 해석에 주의해야 합니다.
Q8. AVE가 0.5를 살짝 넘었는데, 이 정도면 충분한가요?
기준치를 충족했으므로 통계적으로는 문제가 없어요. 하지만 가능하다면 0.6 이상을 확보하는 것이 보다 안정적인 집중타당도를 의미하므로, 시간이 허락된다면 문항을 다듬어 AVE를 조금 더 높이는 것도 좋은 전략입니다.
면책 안내
이 글은 AMOS를 활용한 확인적 요인분석의 일반적인 점검 절차와 경험적 노하우를 안내하기 위해 작성되었습니다. 통계적 기준은 학문 분야나 심사위원의 성향에 따라 다르게 적용될 수 있으며, 실제 분석 결과의 해석은 지도교수 또는 통계 전문가와 상의하시길 권장합니다. 또한 AMOS 버전이나 표본 특성에 따라 출력 결과의 소수점 처리 방식이 다를 수 있으므로, 계산 시 유의하시기 바랍니다.
