하루는 이렇게 묻는 학생이 있다. “두 개의 요인이 종속변수에 영향을 준다면, 그냥 각각의 효과만 보면 되는 거 아닌가요?” 표면적으로는 맞는 말처럼 들린다. 하지만 통계학은 언제나 질문한다. “그 각각의 효과는 서로 영향을 주고받지 않는가?” 이 질문에서 출발하는 개념이 바로 상호작용 효과이다.
상호작용 효과란 무엇인가
분산분석(ANOVA)은 하나 또는 그 이상의 독립변수가 종속변수에 미치는 영향을 비교하기 위한 분석 방법이다. 그중에서도 상호작용 효과(interaction effect)란 한 독립변수의 효과가 다른 독립변수의 수준에 따라 달라지는 현상을 의미한다. 즉, 두 요인이 각각 종속변수에 영향을 미칠 뿐 아니라 결합되었을 때의 효과가 단순한 합 이상이거나 예기치 못한 방향으로 나타나는 경우를 말한다.
이러한 상호작용은 현실의 복잡성을 통계적으로 반영하는 데 있어 핵심적인 개념이다. 단일 요인의 주효과만을 살피는 분석은 종종 현실을 단순화시키고, 결과적으로 중요한 정보의 왜곡이나 누락을 초래할 수 있다.
예시로 살펴보는 상호작용 효과
상호작용 개념을 가장 쉽게 이해할 수 있는 방법은 사례를 통해 살펴보는 것이다. 예컨대 한 교육기관이 학생들의 학업 성취도를 높이기 위해 ‘수업 방식’(온라인 수업 vs 오프라인 수업)과 ‘과외 여부’(과외 있음 vs 과외 없음)라는 두 가지 요인을 조사했다고 하자.
분산분석 결과 온라인 수업이 전반적으로 오프라인 수업보다 성취도가 높고, 과외를 받은 학생이 과외를 받지 않은 학생보다 성적이 좋다면 이는 각 요인의 주효과(main effect)를 의미한다.
그런데 분석을 더 들여다보면 오프라인 수업을 받은 학생은 과외 여부에 따라 성적 차이가 크게 나지만 온라인 수업을 받은 학생은 과외의 효과가 거의 없었다고 하자. 이러한 결과는 단순한 주효과로 설명할 수 없다. 수업 방식과 과외 여부 사이에 상호작용 효과가 존재한다는 증거이다.
상호작용은 왜 시각적으로 해석해야 하는가
분산분석에서 상호작용 효과는 종종 수치로만 제시되면 직관적으로 이해하기 어렵다. 이때 평균값의 선 그래프를 통해 시각화하면 상호작용의 존재 여부와 방향성을 훨씬 명확하게 파악할 수 있다.
상호작용이 없는 경우 두 선은 대체로 평행하게 나타난다. 그러나 상호작용이 존재할 경우 선들이 벌어지거나 좁혀지며, 심지어는 서로 교차하는 형태로 나타나기도 한다. 이러한 교차 상호작용(crossover interaction)은 두 독립변수가 결합될 때 각 요인의 효과 방향이 정반대로 바뀔 수 있음을 의미하며, 해석상 매우 중요한 시사점을 가진다.
즉, 단순한 평균 비교만으로는 놓치기 쉬운 관계를 시각화는 명확하게 드러내는 도구가 될 수 있다.
상호작용 해석 시 유의할 점
상호작용 효과가 통계적으로 유의하게 나타났다고 해서 그 자체로 모든 의미를 단정할 수 있는 것은 아니다. 다음의 사항을 고려하여 신중히 해석해야 한다.
첫째, 주효과와 상호작용 효과는 독립적이지 않다. 상호작용이 있는 경우, 주효과는 전체 평균만을 반영하므로 조건별 차이를 왜곡할 수 있다. 이럴 때는 조건별 단순효과(simple effect)를 별도로 검토할 필요가 있다.
둘째, 표본 크기와 집단 간 균형이 중요하다. 집단 간 샘플 수가 극단적으로 불균형한 경우 상호작용 효과의 해석은 편향될 수 있다. 사전에 실험 설계를 균형 있게 구성하는 것이 매우 중요하다.
셋째, 상호작용이 있다고 해서 반드시 의미 있는 결과라고 볼 수는 없다. 상호작용 항이 통계적으로 유의해도 그 차이가 실질적으로 의미가 있는 수준인지를 판단하기 위해 효과크기나 실질적 차이의 방향을 함께 해석해야 한다.
📋 주효과(Main Effect)와 상호작용 효과(Interaction Effect)의 비교
| 구분 | 주효과 (Main Effect) | 상호작용 효과 (Interaction Effect) |
|---|---|---|
| 기본 개념 | 한 독립변수가 다른 변수의 영향을 받지 않고 종속변수에 미치는 효과 | 한 독립변수의 효과가 다른 독립변수의 수준에 따라 달라지는 효과 |
| 분석 목적 | 각 독립변수가 종속변수에 개별적으로 미치는 영향 평가 | 독립변수들이 함께 작용할 때의 결합적 영향 탐색 |
| 해석 방식 | 요인 A 또는 B 각각의 조건별 평균 차이를 비교 | A의 효과가 B의 수준에 따라 어떻게 변하는지를 확인 |
| 그래프 형태 | 조건별 선 그래프에서 선들이 대체로 평행하게 나타남 | 선들이 교차하거나 벌어지며, 비평행적인 형태로 나타남 |
| 사례 예시 | ‘수업 방식(온라인 vs 오프라인)’이 학업성취도에 미치는 전반적 영향 | 온라인 수업은 과외 시 효과가 높고, 오프라인은 과외 여부와 무관할 경우 |
| 해석 난이도 | 비교적 단순하고 직관적인 해석 가능 | 해석이 복잡하며, 조건별 단순효과 분석이 필요할 수 있음 |
| 출력 위치 | 분산분석(ANOVA) 표에서 각 요인의 주효과 항목(F, p값) | ANOVA 표에서 interaction(A×B) 항목으로 별도 표기됨 |
| 유의하지 않을 때 | 요인이 종속변수에 전반적으로 영향 없음을 의미 | 두 변수 간 상호작용이 없고, 독립적으로 작용함을 의미 |
| 통계적 위험 | 주효과만 해석하면 조건별 차이를 놓칠 수 있음 | 주효과 해석이 오해를 불러올 수 있어 반드시 병행 고려 필요 |
| 활용 상 | 독립변수가 단순한 범주이고, 조건 간 교차 효과가 예상되지 않을 때 | 정책, 교육, 치료 등 맥락에 따라 효과가 달라질 가능성이 있을 때 필수 |
마무리하며
상호작용 효과는 분산분석의 핵심적이면서도 자주 간과되는 요소이다. 현실에서 독립변수들은 서로 영향을 주고받는 경우가 많으며, 그로 인해 단순한 주효과 해석만으로는 현상을 온전히 설명할 수 없는 경우가 빈번하다.
분산분석을 통해 상호작용을 탐색한다는 것은 변수들이 결합되어 만들어내는 복합적 구조를 이해하려는 노력이다. 이런 노력이 없다면 우리는 중요한 통계적 단서를 그저 단일 평균값 속에 묻어버리는 셈이다.
통계학이 단순한 수치 비교를 넘어 현상을 설명하고 예측하는 학문이 되기 위해서는 상호작용 효과를 읽어내는 감각이 반드시 필요하다.
