R lavaan SEM: 수정지수·모델수정·적합도 완벽 해부

구조방정식 모델링(Structural Equation Modeling, SEM)은 연구자가 복잡한 이론적 관계를 통계적으로 검증할 수 있도록 돕는 강력한 분석 기법입니다. 특히 R의 lavaan 패키지는 SEM 분석을 위한 대표적인 도구로, 그 기능성과 유연성으로 많은 연구자들에게 사랑받고 있습니다. 하지만 SEM 분석은 단순히 모델을 설정하고 코드를 실행하는 것에서 끝나지 않습니다. 모델의 적합도를 평가하고, 개선이 필요한 부분을 찾아 수정하는 과정이 필수적입니다. 이번 글에서는 R lavaan을 활용한 SEM 분석에서 중요한 역할을 하는 수정지수(Modification Indices)와 모델 수정(Model Modification), 그리고 모델 적합도(Model Fit)에 대해 깊이 있게 탐구하고, 실제 문제 해결에 적용하는 방법을 상세히 다루겠습니다.

구조방정식 모델링(SEM)의 기본 이해

SEM이란 무엇일까요?

SEM은 관찰되지 않는 잠재 변수(latent variables)와 이들 간의 인과 관계를 이론적으로 설정한 후, 관찰되는 변수(observed variables)들의 공분산 구조를 통해 모델의 적합도를 평가하는 통계 기법입니다. 사회과학, 심리학, 교육학 등 다양한 분야에서 복잡한 현상을 설명하는 데 널리 사용됩니다. lavaan 패키지는 이러한 SEM 분석을 R 환경에서 효율적으로 수행할 수 있도록 지원합니다.

모델 적합도: 얼마나 잘 맞을까요?

SEM 분석의 핵심은 설정한 모델이 실제 데이터와 얼마나 잘 부합하는지 평가하는 것입니다. 이를 위해 다양한 적합도 지수(fit indices)를 활용합니다. 주요 적합도 지수로는 카이제곱 검정(Chi-square test), 비교적합도 지수(Comparative Fit Index, CFI), 타우-비(Tucker-Lewis Index, TLI), 근사오차평균제곱근(Root Mean Square Error of Approximation, RMSEA), 표준화된 잔차의 평균 제곱근(Standardized Root Mean Square Residual, SRMR) 등이 있습니다. 이러한 지수들은 모델이 데이터에 얼마나 잘 부합하는지에 대한 다양한 정보를 제공합니다.

수정지수(Modification Indices)의 이해와 활용

수정지수, 무엇을 의미하나요?

모델 적합도가 만족스럽지 않을 때, 우리는 모델을 개선할 방법을 모색해야 합니다. 이때 수정지수는 모델의 특정 매개변수(parameter)를 자유롭게 설정(즉, 0이 아닌 값으로 추정)하거나 제거했을 때, 모델 적합도가 얼마나 향상될지를 나타내는 지표입니다. lavaan 패키지의 `fitMeasures()` 함수나 `modIndices()` 함수를 통해 확인할 수 있습니다. 수정지수가 높다는 것은 해당 매개변수가 모델에 추가되거나 수정되었을 때 모델 적합도가 크게 향상될 가능성이 높음을 의미합니다.

수정지수 해석의 함정

수정지수는 모델 개선의 유용한 도구이지만, 맹신해서는 안 됩니다. 수정지수가 높은 매개변수를 무분별하게 모델에 추가하는 것은 과적합(overfitting)을 유발할 수 있으며, 이는 모델의 일반화 능력을 떨어뜨립니다. 또한, 수정지수는 통계적인 제안일 뿐, 연구자의 이론적 배경과 일치하는지 반드시 검토해야 합니다. 이론적 근거 없이 통계적 제안만을 따르는 수정은 해석력을 해칠 수 있습니다.

모델 수정: 이론과 통계의 조화

어떤 매개변수를 수정해야 할까요?

수정지수가 높은 매개변수 중에서도, 연구자의 이론적 배경과 잘 부합하는 것을 우선적으로 고려해야 합니다. 예를 들어, 이론적으로 두 변수가 연관성이 있다고 예상되었으나 모델에서는 그렇지 않게 나타났다면, 해당 관계를 모델에 추가하는 것을 고려해볼 수 있습니다. 또한, 모델의 잔차(residuals)가 큰 부분을 살펴보면서 특정 변수들 간에 예상치 못한 관계가 있을지 탐색하는 것도 좋은 방법입니다.

실제 모델 수정 과정

1. **초기 모델 실행 및 적합도 평가:** 먼저 이론에 기반한 초기 모델을 설정하고 lavaan으로 분석합니다. 주요 적합도 지수를 확인합니다.

2. **수정지수 확인:** 적합도가 만족스럽지 않다면 `modIndices(fit)` 함수를 사용하여 수정지수를 확인합니다.

3. **이론적 타당성 검토:** 수정지수가 높은 매개변수들을 대상으로, 연구자의 이론적 배경과 부합하는지 검토합니다.

4. **모델 수정 및 재실행:** 이론적으로 타당하다고 판단되는 매개변수들을 모델에 추가하거나 수정하고, 다시 분석을 실행합니다.

5. **반복:** 수정된 모델의 적합도를 재평가하고, 여전히 문제가 있다면 2~4 단계를 반복합니다. 단, 과도한 수정은 지양해야 합니다.

적합도 지수 상세 이해 및 해석

주요 적합도 지수 다시 보기

각 적합도 지수는 모델의 다른 측면을 평가합니다. 예를 들어, 카이제곱 검정은 표본 크기에 민감하여 표본이 클 경우 작은 차이에도 유의미한 결과가 나올 수 있습니다. CFI와 TLI는 독립 모델(independence model)과의 비교를 통해 모델의 개선 정도를 보여주며, 일반적으로 0.95 이상이면 좋은 적합도로 간주됩니다. RMSEA는 모델의 근사 오차를 측정하며, 0.06 이하를 우수한 적합도로, 0.08 이하면 수용 가능한 적합도로 봅니다. SRMR은 표준화된 잔차의 제곱근 평균으로, 0.08 이하를 좋은 적합도로 평가합니다.

어떤 지표를 종합적으로 봐야 할까요?

하나의 적합도 지수에만 의존하기보다는 여러 지표를 종합적으로 고려하는 것이 중요합니다. 일반적으로 CFI, TLI, RMSEA, SRMR을 함께 살펴보며 모델의 적합성을 판단합니다. 만약 특정 지표가 좋지 않더라도 다른 지표들이 양호하다면 모델이 부분적으로는 데이터를 잘 설명하고 있다고 볼 수 있습니다. 반대로, 여러 지표가 모두 좋지 않다면 모델 자체에 심각한 문제가 있음을 시사합니다.

실제 문제 해결: lavaan과 함께하는 모델 개선

예시 시나리오: 과부하된 모델 개선

연구자가 복잡한 인과 관계를 모델링했으나, 초기 분석 결과 적합도가 낮게 나왔다고 가정해봅시다. 수정지수를 확인해보니, 두 개의 잠재 변수 사이에 직접적인 경로를 추가하면 적합도가 크게 향상될 것으로 나타났습니다. 또한, 이론적으로도 이 두 변수 사이에 간접적인 경로 외에 직접적인 영향이 있을 수 있다고 판단했습니다. 이 경우, 해당 직접 경로를 모델에 추가하고 다시 분석을 수행합니다. 재분석 결과, CFI, TLI는 0.96으로 상승했고 RMSEA는 0.05로 낮아졌다면, 모델이 더욱 개선되었다고 판단할 수 있습니다.

표: 주요 적합도 지수 및 일반적인 수용 기준 (2026년 기준)

적합도 지수	의미	일반적인 수용 기준
카이제곱 (χ²)	모델이 모집단에 얼마나 잘 부합하는지	p > 0.05 (단, 표본 크기에 민감)
CFI	비교적합도 지수	≥ 0.95
TLI	타우-비 (NNFI)	≥ 0.95
RMSEA	근사 오차 평균 제곱근	≤ 0.06 (우수), ≤ 0.08 (수용 가능)
SRMR	표준화된 잔차 평균 제곱근	≤ 0.08

이 표는 일반적인 가이드라인이며, 연구 분야나 특정 상황에 따라 기준이 달라질 수 있음을 유념해야 합니다.

최종 요약 및 제언

R lavaan 패키지를 활용한 SEM 분석에서 수정지수, 모델 수정, 그리고 적합도 평가는 상호 연관된 중요한 과정입니다. 수정지수는 모델 개선의 방향을 제시하는 나침반 역할을 하지만, 절대적인 기준이 될 수는 없습니다. 가장 중요한 것은 연구자의 깊이 있는 이론적 이해와 통계적 지식을 바탕으로, 데이터가 보여주는 패턴과 이론적 가설 사이의 균형을 맞추는 것입니다. 모델을 신중하게 수정하고 적합도를 반복적으로 평가하는 과정을 통해, 우리는 더욱 정교하고 설명력 있는 연구 모델을 구축할 수 있습니다. 2026년 현재에도 이러한 원칙들은 SEM 분석의 기본이며, 복잡한 연구 문제를 이해하는 데 강력한 도구가 될 것입니다.