사회과학에서의 인과적 영향: 매개변수와 조절변수의 역할 (헤이즈 PROCESS Macro 활용)

사회과학에서는 독립변수(X)가 종속변수(Y)에 미치는 영향을 찾아낸 후, 그 영향이 왜 나타나는지, 그리고 언제 나타나는지를 알아내고자 한다.  예를 들어, "소셜미디어 사용이 삶의 만족도를 낮춘다"는 패턴이  확인되었다고 가정해 보자.  사회과학자는 여기에서 나아가, "왜" 소셜미디어 사용이 만족도를 낮추는지, 그리고 그 영향이 어떤 경우에 나타나는지를 알고 싶어한다.  즉 독립변수의 영향을  매개(mediate)하고  조절(moderate)하는 변수를 찾아내어  영향의 흐름을  규명하는 것이다.  이러한 분석은 회귀분석을 이용할 수 있으나,   SPSS, JASP 등에서 제공하는 Andrew Hayes의 PROCESS Macro를 통해 수행할 수 있다.

 중개(매개)  효과  분석

중개변수는 독립변수(X)가 종속변수(Y)에 영향을 미치는 경로에 있는 변수로, 독립변수의 영향을 설명하는 역할을 한다.

예를 들어, "보수 인상(X)이 근무 만족도(Y)를 높인다"는 관계를 생각해 보자. 보수 인상이 근무만족도를 높이는 이유를 분석해 보니, 조직 내에서 인정받고 있다는 느낌(Z)을 주기 때문이라는 것이다. 즉, 보수 인상은 인정감(Z)을 증가시키고, 그로 인해 만족도가 상승한 것이다. 소득 → 인정감 → 만족도라는 흐름이 성립하는 것이다. 만약 인정감이 높아지지 않는다면, 보수가 인상되더라도 만족도는 오르지 않는다. 중개변수를 찾는 과정은 바로 이러한 인과적 흐름을 설명하는 것이다.

직접 효과와 간접 효과

이러한 중개변수의 효과는 독립변수의 영향을 중개변수를 통한 간접효과와 독립변수에서 종속변수에 바로 가는 직접효과로 구분하여 분석한다.  중개변수를 통해 가는 간접효과가 유의미하면 중개변수의 존재가 확인되는 것이고, 그렇지 않고 직접 효과만 있다면 중개변수가 없는 것이다.  아래 그림에서 b2와 b3가 간접효과이고 b1은 직접효과가 된다.  Z의 중개효과를 b2와 b3가 유의미한가를 통해 검증한다. 

 

 

 

이러한 직접, 간접효과는  PROCESS Macro 를 통해 추정한다.

---

 조절 효과 

조절변수는 독립변수(X)가 종속변수(Y)에 미치는 효과를 조절하는 변수이다. 즉, 조절변수에 따라 X가 Y에 미치는 영향이 달라지게 된다. 예를 들어, 월급 인상(X)이  근무 만족도(Y)에 미치는 효과가 성별(W)에 따라 다음과 같이 달라졌다고 가정해 보자.

     

• 남성: 월급인상과 만족도는 r=0.6의 높은 상관을 보인다.
• 여성: 월급 인상과 만족도는 r=0.1로 관계가 미약하다.

이 경우, 성별(W)은 조절변수가 되어 월급 인상이 만족도에 미치는 영향을 다르게 만든다.

 상호작용 항 

조절 효과는 두 변수의 곱  (X* W)으로 구하는 상호작용 항(Interaction Term)을 회귀모형에 포함시켜 추정할 수 있다. 아래 식에서 b3가 유의미하게 나타나면  W의 조절효과가 있는 것이다. 

 

Y=b0+b1*X+b2*W+b3*(X*W)+e

 

 

이러한 조절변수와 중개변수는 동시에 존재할 수 있으며,  그 수도 하나 이상일 수도 있다.  이러한 영향력 과정을 효과적으로 표현하기 보통 아래와 같이 그림을 이용하여 표시한다. 중개변수는 경로상에 위치시키고 조절변수는 화살표로 조절하는 관계를 나타낸다.  

 

 

 

 PROCESS Macro 활용

 

중개변수나 매개변수가 한 개 정도인 간단한 모델은 직접 회귀분석을 통해 그 효과를 검증할 수 있다. 그러나  숫자와 종류가 많아지면 SPSS 및 JASP에서  PROCESS Macro에서 분석하는 것이 필요하다.   마크로 프로세스는 다양한 형태의  영향력 과정을 분석해서 직접영향과 간접영향을 분리해서 구해준다. 

 

***

독립변수의 인과적 영향을 밝혀내기 위해 중개변수와 조절변수를 찾는 것은 사회현상의 이해에 매우 중요하다. 중개변수와 조절변수를 찾아 인과적 관계를 설명함으로써, 더 높은 설명력을 가진 이론을 발전시킬 수 있다. 이러한 과정을 통해 효과적인 정책 설계가 가능하게 된다.  

 

이번 글에서는 우리가 직접 관찰한 독립변수의 영향력 과정을 분석했다. 그러나 만약 직접 관찰한 변수가 아니라 잠재변수(latent variable)가 포함되거나, 헤이즈 모델에서 제공하지 않는 더 복잡한 영향 과정을 다뤄야 한다면, 구조방정식 모델(SEM)을 통해 이를 추정하고 검증할 수 있다. 이러한 고급 분석 기법은 별도의 글에서 자세히 다룰 예정이다."