“심사평에 ‘표본 크기가 적절한지 근거를 제시하라’는 코멘트를 받았는데, 막막하네요.” SSCI 저널에 투고해 본 경험이 있다면 한 번쯤 겪는 일입니다. 표본 수를 적당히 늘리는 걸로 넘어갈 문제가 아니죠. 연구 설계부터 가설, 검정 방법까지 고려해서 수치 하나하나를 논리적으로 설명해야 합니다. 그 중심에 G*Power가 자리합니다.
사실 통계 패키지에 익숙하지 않더라도, G*Power의 기본 흐름만 파악하면 생각보다 어렵지 않게 표본 크기를 산출할 수 있어요. 중요한 건 계산 결과를 어떻게 ‘리뷰어 설득력’으로 변환하느냐입니다. 이 글에서는 G*Power 설치부터 실제 논문에 적용하는 방법, 심사위원을 납득시키는 서술 전략까지 촘촘하게 다룹니다.
여러분이 이미 데이터를 수집한 상태라도, 리뷰어가 표본 크기 정당화를 요구하면 당황하지 말고 G*Power로 사후 검정력을 계산해 제시하면 됩니다. 이런 노하우를 알면 SSCI 투고의 벽이 조금 낮아질 거예요.
핵심 요약
- G*Power는 무료로 제공되는 표본 크기·검정력 분석 프로그램으로, SSCI 논문 심사에서 요구하는 근거를 마련하는 데 가장 널리 쓰입니다.
- 연구 설계에 맞춰 Test family와 Statistical test를 선택하고 효과크기, α, 검정력(1-β), 예측 변수 수 등을 입력하면 총 표본 크기가 계산됩니다.
- 산출된 표본 수에 중도 탈락률(보통 10~20%)을 보정하여 최종 모집 인원을 결정합니다. 보정 공식은 최종 표본 수 ÷ (1 – 탈락률)입니다.
- 리뷰어 설득을 위해서는 효과크기 선택 근거, α·β 수준, 탈락률 가정의 타당성을 구체적으로 서술해야 합니다.
글 순서
G*Power란 무엇인가?
G*Power는 독일 하인리히 하이네 대학교(Heinrich-Heine-Universität Düsseldorf)의 심리학 연구팀이 개발한 통계적 검정력 분석 도구입니다. 2007년 Faul 등이 발표한 논문을 기반으로 꾸준히 업데이트되어 현재 3.1.9.7 버전까지 나와 있어요. 윈도우와 맥OS를 모두 지원하며, 별도의 라이선스 비용 없이 누구나 사용할 수 있습니다. 공식 웹사이트에서 손쉽게 내려받을 수 있죠.
이 프로그램은 단순히 표본 수만 알려주는 것이 아니라, 연구자가 설정한 효과크기와 허용 오차를 바탕으로 ‘얼마나 많은 피험자가 있어야 통계적으로 의미 있는 결과를 얻을 수 있을지’를 계산해 줍니다. 즉, 연구 설계 단계에서 검정력(power)을 확보하기 위한 필수 도구인 셈이에요. 많은 연구자들이 IRB 승인이나 논문 proposal 제출 시 G*Power 산출 결과를 첨부하는 이유이기도 합니다.
여기서 흔히 하는 질문: “나는 이미 데이터가 있는데, 뒤늦게 표본 수를 계산해야 하나요?” 걱정하지 않으셔도 됩니다. G*Power는 사후 검정력(post-hoc power) 계산도 지원하므로, 수집된 표본으로 어느 정도의 검정력이 확보되었는지 역산해 리뷰어에게 제시할 수 있어요. 다만 선험적(a priori) 접근이 더 투명하기 때문에, 앞으로의 연구에서는 미리 표본 크기를 정해두는 습관을 들이는 게 좋습니다.
G*Power 다운로드와 첫 화면 구성
G*Power 공식 사이트에 접속하면 최신 버전을 바로 내려받을 수 있습니다. 설치 파일은 용량이 작고, 특별한 설정 없이 실행됩니다. 프로그램을 처음 열면 다소 낯선 인터페이스가 나타날 텐데, 크게 네 가지 영역으로 나뉩니다.
- Test family: t 검정, F 검정, χ² 검정 등 연구에서 사용할 통계 기법의 큰 갈래를 선택합니다.
- Statistical test: 세부 검정 방법을 고릅니다. 예를 들어 F 검정군 안에서 ‘Linear multiple regression: Fixed model, R² deviation from zero’ 같은 옵션이 준비되어 있어요.
- Type of power analysis: ‘A priori’(사전 표본 크기 계산), ‘Post hoc’(사후 검정력 계산) 등 분석 목적을 정합니다.
- Input Parameters: 효과크기, 유의수준 α, 검정력, 그룹 비율, 예측 변수 개수 등을 입력하는 공간입니다.
처음에는 어떤 항목을 골라야 할지 헷갈릴 수 있지만, 몇 번 따라 하다 보면 패턴이 눈에 들어옵니다. 아래에서 대표적인 연구 설계별로 선택 방법을 자세히 짚어 드릴게요.
연구 설계별 표본 크기 계산 단계
SSCI 논문에서 가장 자주 쓰이는 설계는 t-test, ANOVA, 다중 회귀분석, 로지스틱 회귀분석 등입니다. 각 분석마다 G*Power에서 선택해야 하는 옵션과 입력 파라미터가 달라집니다. 아래 비교표를 참고하면 훨씬 수월하게 접근할 수 있어요.
| 연구 설계 | Test family | Statistical test | 주요 입력 파라미터 |
|---|---|---|---|
| 독립표본 t-검정 | t tests | Means: Difference between two independent means (two groups) | Effect size d (보통 0.5 중간), α=0.05, Power=0.80, Allocation ratio N2/N1=1 |
| 일원분산분석 (One-way ANOVA) | F tests | ANOVA: Fixed effects, omnibus, one-way | Effect size f (중간 0.25), α=0.05, Power=0.80, 그룹 수, 전체 표본 크기 |
| 다중 회귀분석 | F tests | Linear multiple regression: Fixed model, R² deviation from zero | Effect size f² (중간 0.15), α=0.05, Power=0.80, 예측 변수 수 |
| 로지스틱 회귀분석 | z tests | Logistic regression | Pr(Y=1|X=1) H0 확률, R² other X, X distribution, α, Power |
표에 나온 예시대로 입력한 뒤 ‘Calculate’ 버튼을 누르면 Total sample size가 산출됩니다. 예를 들어 예측 변수 3개인 다중 회귀분석에서 중간 효과크기(f²=0.15)를 가정하면, α=0.05, Power=0.80 기준으로 약 77명 정도가 필요하다는 결과가 나와요. 하지만 이 숫자가 절대적인 기준은 아닙니다. 효과크기와 검정력 수준에 따라 필요한 표본 수는 크게 변하니까요.
한 가지 실무 팁: 선행 연구에서 보고된 R² 값을 알고 있다면, G*Power의 ‘Determine’ 버튼을 눌러 효과크기 f²를 직접 계산할 수 있습니다. 예를 들어 R²=0.30이면 f²는 약 0.43으로 계산되며, 이 값을 입력하면 더 정밀한 표본 크기를 얻을 수 있어요.
효과크기 설정의 핵심 — 리뷰어가 납득하는 근거
리뷰어는 흔히 “왜 이 효과크기를 선택했는가?”라고 묻습니다. ‘Cohen의 중간 기준을 따랐다’는 답변만으로는 부족할 때가 많아요. 더 설득력 있는 근거를 마련하려면 다음 세 가지 접근을 고려해 보세요.
1. 선행 연구 메타분석 활용
동일 분야의 유사한 연구들의 효과크기를 모은 메타분석이 있다면, 거기서 제시된 평균 d나 f²를 그대로 차용합니다. “Smith & Lee (2021)의 메타분석 결과, 중간 효과크기 f²=0.20을 보고하였기에 본 연구에서도 이를 적용하였다”라고 서술하면 논리적 비약이 없어요.
2. 파일럿 연구 결과 인용
소규모 예비 조사를 진행했다면, 그 데이터에서 산출한 효과크기를 사용하는 게 가장 강력한 근거입니다. 다만 예비 조사의 표본이 작을 경우 추정치가 불안정할 수 있으니, 신뢰 구간을 함께 제시하는 편이 좋습니다.
3. 분야별 관습적 기준과 민감도 분석 결합
사회과학에서는 Cohen의 기준(작음 0.02, 중간 0.15, 큼 0.35)을 관습적으로 받아들이는 경우가 많습니다. 그러나 “중간 효과크기를 가정하였지만, 작은 효과크기까지 탐지하려면 표본이 200명 이상 필요하였으므로, 본 연구의 자원 한계를 고려해 중간 수준을 선택하였다”와 같은 논리를 추가하면 훨씬 현실적이면서도 투명한 인상을 줍니다. 실제 표본이 효과크기 변화에 따라 어떻게 달라지는지 표로 보여주는 것도 좋은 전략이에요.
⚠️ 주의사항
효과크기를 과도하게 낙관해서는 안 됩니다. 예를 들어 큰 효과크기를 가정해 표본을 너무 적게 설정하면, 실제 연구에서 유의한 결과가 나오지 않을 가능성이 커집니다. IRB 심의나 논문 심사에서 ‘표본 부족’으로 지적받는 주된 원인이 바로 이 부분입니다. 반대로, 지나치게 보수적으로 작은 효과크기를 잡으면 현실적으로 모집 불가능한 표본 수가 제시될 수 있으므로 균형이 중요합니다.
탈락률 보정과 최종 표본 수 결정
G*Power는 직관적인 입력 창을 통해 표본 크기를 산출합니다.
G*Power가 계산한 표본 크기는 ‘완전한 데이터’를 전제로 합니다. 하지만 실제 조사에서는 불성실 응답, 중도 포기, 이상치 제거 등으로 유효 표본이 줄어들기 마련이죠. 따라서 예상 탈락률을 반영하여 사전에 여유분을 확보해야 합니다. 공식은 매우 간단합니다.
최종 모집 인원 = G*Power 산출 표본 크기 ÷ (1 – 탈락률)
예를 들어 회귀분석 결과 98명이 필요하고, 비슷한 조사 환경에서의 평균 탈락률이 20%라면, 98 ÷ 0.8 = 122.5 → 약 123명을 모집하는 식이죠. 여기서 탈락률을 30%로 가정했다면 98 ÷ 0.7 = 140명이 필요합니다.
탈락률 추정은 이전 연구나 기관의 경험 데이터를 참고하는 것이 합리적이지만, 자료가 없다면 10~15%의 보수적 수치를 적용하는 게 일반적입니다. SSCI 심사 과정에서는 “선행 연구에서 보고된 평균 탈락률 15%를 반영해 표본을 15% 추가 모집하였다”와 같이 명시하면 신뢰를 얻을 수 있어요.
중요한 것은, 이 과정을 투명하게 논문에 기술하는 일입니다. 단순히 “총 100명을 모집하였다”보다 “G*Power로 85명이 요구되어 탈락률 18%를 고려해 104명을 모집하였다. 그중 불완전 응답 12건을 제외하고 92명의 데이터를 최종 분석에 사용하였다”처럼 흐름을 보여주면 리뷰어의 의문을 사전에 차단할 수 있습니다.
리뷰어를 설득하는 표본 크기 서술 공식
아무리 정확하게 계산했더라도, 논문에 어떻게 쓰느냐에 따라 심사 결과가 달라집니다. 리뷰어에게 ‘충분히 고민한 연구자’라는 인상을 주려면 다음과 같은 템플릿을 참고해 보세요.
- 분석 목적과 도구 명시: “본 연구는 다중 회귀분석을 통해 독립 변수가 종속 변수에 미치는 영향을 검증하고자 하였으며, 표본 크기는 G*Power 3.1.9.7(Faul et al., 2007)을 이용하여 산출하였다.”
- 효과크기 근거 제시: “선행 연구(Kim & Park, 2022)에서 보고된 R²=0.25에 기초하여 f²=0.33을 산출하였다. 이는 Cohen(1988)의 중간~큰 효과크기에 해당한다.”
- 입력 파라미터와 결과 기술: “α=0.05, 검정력=0.80, 예측 변수 4개를 투입한 결과, 최소 85명의 표본이 필요하였다. 예상 탈락률 20%를 반영하여 최종 106명을 모집하였다.”
- 실제 검정력 보고(선택): 수집된 데이터로 실제 검정력을 계산했다면, “최종 분석에 포함된 98명의 데이터를 바탕으로 사후 검정력을 확인한 결과 83%로 나타나, 충분한 검정력이 확보되었음을 확인하였다”라고 덧붙여도 좋습니다.
이 구조를 따라 쓰면 리뷰어가 요구하는 거의 모든 요소를 충족합니다. 특히 효과크기 근거가 빈약해 보이지 않도록, 되도록 선행 연구의 구체적인 통계치(예: 평균, 표준편차, 상관계수)에서 파생된 값임을 강조하세요.
G*Power 사용 시 자주 하는 실수와 주의사항
초보 연구자뿐 아니라 통계에 능숙한 분들도 G*Power에서 예상치 못한 실수를 저지르곤 합니다. 미리 체크리스트를 살펴보면 시행착오를 줄일 수 있어요.
- Effect size 입력 단위 혼동: t-test에는 Cohen’s d, ANOVA에는 f, 회귀분석에는 f²를 쓰는데, 다른 척도를 잘못 입력하면 엉뚱한 결과가 나옵니다. 반드시 해당 검정에 맞는 효과크기 공식을 확인하세요.
- 예측 변수 수 과소 또는 과대 입력: 다중 회귀분석에서 연구 모형에 포함되지 않는 변수까지 모두 넣거나, 반대로 주요 통제 변수를 빼먹으면 안 됩니다. 실제 분석에 투입할 변수만 헤아려야 합니다.
- Power 과신: 일반적으로 0.80을 많이 쓰지만, 분야에 따라 0.90 이상을 요구하는 저널도 있습니다. 투고 전에 해당 저널의 편집 규정이나 최근 게재 논문을 살피는 것이 좋습니다.
- 탈락률 산식 오류: “N ÷ (1+탈락률)”로 잘못 알고 있는 경우가 의외로 많습니다. 반드시 N ÷ (1 – 탈락률)이 맞습니다.
- 복합 설계 무시: 반복 측정, 다층 모형, 공변량이 포함된 설계는 G*Power만으로 세밀한 계산이 어려울 수 있습니다. 이때는 전문 통계 패키지의 시뮬레이션 기능이나 별도의 패키지(예: R의 simr)를 고려하세요.
설치 중 문제가 발생한다면 공식 웹사이트의 FAQ를 참고하거나, 대학 도서관의 통계 상담 서비스를 이용하는 방법도 있습니다.
SSCI 논문 투고 비용과 예산 계획
G*Power 자체는 무료지만, SSCI 논문을 투고하고 출판하는 과정에는 다양한 비용이 발생할 수 있어서 미리 예산을 챙겨두는 편이 안전합니다. 저널마다 차이가 크기 때문에 반드시 최신 가이드라인을 확인해야 합니다.
일반적으로 심사료(submission fee)는 50,000원~70,000원 사이가 많고, 오픈액세스 저널이 아닌 경우 게재료(article processing charge)는 120,000원~200,000원 선에서 형성되어 있습니다. 다만 하이브리드 저널이나 완전 오픈액세스 저널에서는 APC가 수십만 원에서 수백만 원까지 올라갈 수 있어요. 연구비 지원을 받는 경우라면 예산 계획서에 이 항목을 포함시켜야 하고, 자비 부담 시에는 사전에 정확한 금액을 문의하는 것이 좋습니다.
또한 표본 조사 자체의 비용도 생각해야 합니다. 설문지 인쇄, 참가자 사례비, 온라인 조사 플랫폼 이용료 등이 대표적이죠. G*Power로 추정한 표본 수에 탈락률 보정까지 더한 인원을 모집하는 예산을 잡되, 예상치 못한 추가 수집이나 재조사 가능성까지 고려해 5~10%의 예비비를 두는 편이 실무에서 권장됩니다.
일부 저널은 표본 크기 산출 과정을 상세히 기술한 supplementary material을 요구하기도 하는데, 통계 컨설팅 업체에 의뢰할 경우 시간당 15만 원~25만 원의 비용이 발생할 수 있습니다. 표본 크기 계산만 따로 의뢰하면 20만 원~50만 원 범위에서 처리되므로 예산에 반영해두면 예기치 못한 지출을 막을 수 있어요.
표본 크기와 G*Power에 관한 자주 묻는 질문
Q1. 효과크기를 정하기 어려운데, 기본값을 그대로 써도 되나요?
G*Power 중간값(회귀분석 f²=0.15, t-test d=0.5)은 Cohen의 보편적 기준이지만, 그대로 사용하는 것은 최후의 수단입니다. 가능하다면 선행 연구의 효과크기나 파일럿 데이터를 활용하시고, 부득이한 경우에는 “보수적인 중간 효과크기를 가정하였다”라고 논문에 명시하세요. 아무런 근거 없이 기본값을 적용했다는 인상을 주지 않는 게 핵심입니다.
Q2. 이미 수집한 데이터가 있는데, 리뷰어가 표본 크기 계산을 요구합니다. 어떻게 대응하나요?
사후 검정력(post hoc power) 분석을 실시하면 됩니다. G*Power에서 ‘Post hoc: Compute achieved power – given α, sample size, and effect size’를 선택한 뒤, 연구에서 사용한 효과크기와 표본 수를 입력하면 현재 검정력을 계산할 수 있어요. 그 값이 80% 이상이면 “표본 크기가 충분했다”고 주장할 수 있습니다. 다만 사후 검정력은 논란이 있으므로, 가능한 한 선험적 계산을 우선시하는 문화가 정착되고 있어요.
Q3. 반복 측정 ANOVA나 혼합 모형은 G*Power로 어떻게 하나요?
반복 측정 ANOVA는 F tests – ANOVA: Repeated measures, within-between interaction을 선택하면 됩니다. 혼합 모형은 G*Power가 직접 지원하지 않기 때문에 다소 복잡합니다. 주 효과나 상호작용 효과를 근사치로 대체하거나, 시뮬레이션 기반 방법(R의 pwr, simr)을 사용하는 편이 정확합니다.
Q4. 상관관계 분석만 하는 연구인데, G*Power 설정이 다른가요?
상관분석은 t tests – Correlation: Point biserial model 또는 Exact – Correlation: Bivariate normal model을 선택합니다. 효과크기는 상관계수 r 자체를 입력하며, 양측 검정인지 단측 검정인지에 따라 Tail(s) 옵션을 조정해야 합니다.
Q5. 예측 변수 수가 10개인데, 표본 크기는 얼마나 필요할까요?
일반적인 경험 법칙으로 ‘예측 변수 × 10 = 최소 표본 수’라는 이야기가 있지만, 이는 통계적 검정력을 전혀 반영하지 못한 원시적인 기준입니다. 반드시 G*Power를 돌려 효과크기와 Power 수준에 맞는 값을 확인하세요. 중간 효과크기(f²=0.15)를 가정하면 약 118명이 계산되지만, 예측 변수와 함께 상호작용 항이 있다면 더 많은 표본이 필요할 수 있습니다.
Q6. G*Power에서 계산된 표본 수가 현실적으로 너무 많습니다. 표본을 줄일 수 있는 방법이 있나요?
효과크기를 높이거나(더 큰 효과를 기대), 유의수준 α를 0.10으로 완화하거나, 단측 검정을 채택하면 필요한 표본 크기가 감소합니다. 하지만 이런 선택은 모두 통계적 엄격성을 떨어뜨리므로, 연구 질문과 분야의 관행에 비추어 정당화될 수 있어야 합니다. 대부분의 SSCI 저널은 양측 검정과 α=0.05, Power=0.80을 요구하므로 신중해야 합니다.
Q7. G*Power 대신 다른 소프트웨어를 써도 괜찮을까요?
물론입니다. PASS, nQuery, R 패키지 등도 훌륭한 대안입니다. 중요한 것은 리뷰어가 신뢰할 수 있는 소프트웨어인지, 그리고 연구자가 그 결과를 정확히 해석하고 서술하는지입니다. 다만 G*Power는 무료에 논문 인용이 잘 되어 있어 심사자들에게 익숙하다는 장점이 있습니다.
Q8. G*Power 출력 화면을 논문에 그대로 첨부해도 되나요?
저널에 따라 다릅니다. 보통 지면 본문에 스크린샷을 싣기보다는 표로 요약하는 것을 선호합니다. “G*Power analysis results”라는 표를 만들어 입력 파라미터와 산출된 표본 크기, 실제 검정력 등을 정리하면 깔끔합니다. 부록이나 supplementary file에 스크린샷을 추가하는 것은 괜찮습니다.
이 글에서 제공한 표본 크기 계산 방법과 비용 정보는 일반적인 사례를 바탕으로 하며, 실제 저널의 정책, 연구 분야, 데이터 특성에 따라 달라질 수 있습니다. 투고 전 반드시 해당 저널의 최신 가이드라인을 확인하시고, 필요하면 통계 전문가의 조언을 구하시길 권장합니다. 또한 본문에 언급된 비용은 2026년 상반기를 기준으로 하며, 환율이나 기관 정책에 따라 변동될 수 있음을 알려드립니다.
