Fisher 정확 검정을 올바르게 보고해야 하는 이유
Fisher 정확 검정은 생의학, 행동과학, 사회과학 연구에서 가장 널리 사용되는 통계 절차 중 하나입니다. 소표본, 희귀 사건, 불균형한 셀 빈도를 가진 분할표에서 범주형 데이터를 분석할 때마다 등장합니다. 제한된 등록 규모의 임상시험, 파일럿 연구, 드문 노출을 다루는 환자-대조군 설계, 소규모 집단의 실험 연구가 모두 이 검정에 의존합니다.
이처럼 널리 사용됨에도 불구하고 Fisher 정확 검정은 자주 잘못 보고됩니다. 흔한 오류로는 검정이 산출하지 않는 카이제곱 통계량을 보고하거나, 효과크기를 누락하거나, 단측 대 양측 검정을 명시하지 않거나, 신뢰구간을 빠뜨리는 것이 있습니다. 이러한 오류 각각은 연구 결과의 해석 가능성을 약화시키고 동료 심사 중 원고 반려로 이어질 수 있습니다.
이 가이드는 Fisher 정확 검정의 완전한 APA 7판 보고에 필요한 모든 구성 요소를 다룹니다. Fisher 정확 검정과 카이제곱 간의 선택, 모든 관련 효과크기 측정치(오즈비, 상대위험도, phi 계수, Cramer의 V), 대규모 분할표를 위한 Freeman-Halton 확장, mid-p 조정이 포함된 단측 대 양측 검정, 가장 흔한 보고 실수를 안내합니다.
Fisher 정확 검정을 사용하는 경우
Fisher 정확 검정은 분할표를 사용하는 분석에서 표본이 너무 작아 카이제곱 근사가 신뢰할 수 없을 때 사용하는 분석법입니다. 구체적으로 다음 조건 중 하나에 해당하면 카이제곱 대신 Fisher 정확 검정을 선택해야 합니다:
- 기대빈도가 5 미만인 셀이 전체 셀의 20% 이상인 경우
- 총 표본 크기가 20 미만인 경우
- 기대빈도가 0인 셀이 있는 경우
- 적어도 하나의 기대빈도가 작은 2x2 분할표
카이제곱 검정은 카이제곱 분포에 대한 대표본 근사에 의존합니다. 기대빈도가 낮으면 이 근사가 무너지고 산출되는 p값이 부정확해집니다. Fisher 정확 검정은 점근적 근사에 의존하지 않고 귀무가설 하에서 데이터를 관찰할 정확한 확률을 계산하므로 이 문제를 완전히 피합니다.
흔한 오해는 Fisher 정확 검정이 극히 작은 데이터셋에만 해당된다는 것입니다. 실제로는 어떤 표본 크기에서도 유효한 결과를 산출합니다. 연구자들이 대규모 표본에서 카이제곱을 기본으로 사용하는 이유는 통계적 우월성이 아니라 계산상의 편의성 때문입니다. 많은 현대 통계 소프트웨어는 대규모 분할표에서도 Fisher 정확 검정을 효율적으로 계산할 수 있습니다.
APA 보고 템플릿
카이제곱과 달리 Fisher 정확 검정은 검정통계량을 산출하지 않습니다. 보고할 카이제곱 값이 없습니다. 보고는 정확한 p값과 오즈비와 같은 효과크기 측정치를 중심으로 합니다.
2x2 분할표에 대한 APA 템플릿:
Fisher 정확 검정 결과, [변수 1]과 [변수 2] 간에 유의한 연관이 나타났다, p = .XXX, OR = X.XX, 95% CI [X.XX, X.XX].
결과가 유의하지 않은 경우의 APA 템플릿:
Fisher 정확 검정 결과, [변수 1]과 [변수 2] 간에 유의한 연관이 나타나지 않았다, p = .XXX, OR = X.XX, 95% CI [X.XX, X.XX].
카이제곱 보고와의 주요 차이점:
| 요소 | 카이제곱 | Fisher 정확 검정 | |------|---------|-----------------| | 검정통계량 | chi-square(df, N = n) = X.XX | 없음 | | p값 | p = .XXX | p = .XXX | | 효과크기 (2x2) | Phi | 오즈비(OR) | | 효과크기 (대규모) | Cramer의 V | Cramer의 V | | 신뢰구간 | 선택 사항 | OR에 대해 권장 |
2x2 분할표에서의 오즈비 이해
오즈비(OR)는 2x2 분할표에서 Fisher 정확 검정의 자연스러운 효과크기 측정치입니다. 한 집단에서 결과가 다른 집단에 비해 얼마나 더 가능성이 있는지를 기술합니다.
오즈비 해석:
| OR 값 | 해석 | |-------|------| | OR = 1.00 | 연관 없음; 두 집단에서 동일한 오즈 | | OR > 1.00 | 첫 번째 집단에서 결과가 더 가능성 높음 | | OR < 1.00 | 두 번째 집단에서 결과가 더 가능성 높음 | | OR = 2.50 | 첫 번째 집단의 오즈가 두 번째 집단의 2.5배 | | OR = 0.40 | 첫 번째 집단의 오즈가 두 번째 집단보다 60% 낮음 |
새로운 치료법이 스포츠 부상 회복을 개선하는지 조사하는 연구를 고려해 봅시다. 10명의 환자가 치료를 받고 10명이 표준 치료를 받았습니다. 치료군에서 10명 중 8명이 완전히 회복된 반면 대조군에서는 10명 중 3명이 회복되었다면, 치료군의 회복 오즈는 8/2 = 4.0이고 대조군은 3/7 = 0.43입니다. 오즈비는 4.0 / 0.43 = 9.33으로, 치료군이 완전 회복의 오즈가 9배 이상임을 의미합니다.
상대위험도와 달리 오즈비는 대칭적입니다: 비교를 뒤집으면 OR도 뒤집힙니다(1/9.33 = 0.11). 이 특성은 어느 집단도 자연스럽게 "기준"이 되지 않는 분할표 분석에 적합합니다.
단계별 보고 예시
시나리오: 연구자가 간단한 마음챙김 중재가 소규모 학급에서 시험 불안을 줄이는지 조사합니다. 12명의 학생이 중재를 받고 8명이 대조군으로 참여합니다. 1주일 후, 각 학생이 "불안" 또는 "불안하지 않음"으로 분류됩니다.
관찰 빈도:
| | 불안 | 불안하지 않음 | 합계 | |--|------|-------------|------| | 중재군 | 3 | 9 | 12 | | 대조군 | 6 | 2 | 8 | | 합계 | 9 | 11 | 20 |
총 표본이 20이고 여러 기대빈도가 5 미만이므로 카이제곱은 부적절합니다. Fisher 정확 검정이 올바른 선택입니다.
결과: p = .035 (양측검정), OR = 0.11, 95% CI [0.01, 0.85].
완전한 APA 문단:
중재 조건(마음챙김 vs. 대조)과 불안 상태(불안 vs. 불안하지 않음) 간의 관계를 검토하기 위해 2x2 분할표를 구성하였다. 두 셀의 기대빈도가 5 미만이었으므로 카이제곱 검정 대신 Fisher 정확 검정을 사용하였다. 분석 결과, 중재 조건과 불안 상태 간에 유의한 연관이 나타났다, p = .035, OR = 0.11, 95% CI [0.01, 0.85]. 마음챙김군의 학생들이 대조군에 비해 불안을 보고할 오즈가 실질적으로 낮았다.
이 보고가 Fisher 정확 검정의 선택 근거를 제시하고, 양측 p값을 보고하며, 신뢰구간과 함께 오즈비를 포함하고, 효과의 방향에 대한 평이한 해석을 제공하는 것에 주목하십시오.
신뢰구간을 포함한 보고
오즈비의 신뢰구간은 p값만으로는 전달할 수 없는 정보를 담고 있습니다. p값은 연관이 통계적으로 유의한지 알려주지만, 신뢰구간은 효과가 얼마나 정밀하게 추정되었는지와 타당한 효과크기의 범위를 알려줍니다.
OR 신뢰구간의 해석 규칙:
- 95% CI가 1.00을 포함하면, 연관이 .05 수준에서 유의하지 않음
- 95% CI가 1.00을 제외하면, 연관이 .05 수준에서 유의함
- 좁은 CI는 정밀한 추정을 나타냄
- 넓은 CI는 상당한 불확실성을 나타냄(소표본에서 흔함)
예를 들어, OR = 3.20, 95% CI [0.75, 13.60]은 구간이 1.00을 포함하므로 유의하지 않습니다. 반면, OR = 3.20, 95% CI [1.10, 9.30]은 전체 구간이 1.00 위에 있으므로 유의합니다.
Fisher 정확 검정에서는 일반적으로 소표본에서 사용되기 때문에 신뢰구간이 넓은 경우가 많습니다. 이는 검정 자체의 약점이 아니라 소표본이 제공하는 제한된 정밀도의 정직한 반영입니다. CI를 보고하면 독자가 효과가 의미 있을 가능성이 있는지 스스로 판단할 수 있습니다.
CI를 강조한 APA 표현:
Fisher 정확 검정 결과, 유의한 연관이 나타났다, p = .041, OR = 4.20, 95% CI [1.05, 16.80]. 오즈비는 실질적인 효과를 시사하지만, 넓은 신뢰구간은 제한된 표본 크기를 반영하며 하한이 1.00에 근접해 있다.
Fisher 정확 검정 vs 카이제곱: 선택 시점
Fisher 정확 검정과 카이제곱 검정 간의 선택은 카이제곱의 기반인 대표본 근사가 데이터에 적절한지에 달려 있습니다. 이는 단순한 기술적 세부사항이 아닙니다. 잘못된 선택은 오해의 소지가 있는 p값을 생성하고 동료 심사를 위태롭게 할 수 있습니다.
기대빈도 규칙. Cochran(1954)이 정립한 고전적 지침에 따르면, 기대빈도가 5 미만인 셀이 20%를 초과하지 않고 기대빈도가 1 미만인 셀이 없을 때 카이제곱 근사가 허용됩니다. 이 조건이 위반되면 카이제곱 p값이 상당히 자유적(귀무가설을 너무 자주 기각)이거나 보수적(효과가 실재할 때 기각하지 못함)일 수 있습니다.
표본 크기 기준. 실용적 경험 법칙으로, 2x2 분할표에서 총 표본 크기 N이 20 미만이거나 행 또는 열 주변합이 매우 작을 때(5 미만) Fisher 정확 검정을 기본으로 사용해야 합니다. 20에서 40 사이의 표본에서는 기대빈도의 분포에 따라 두 검정 모두 적절할 수 있습니다. 균형 잡힌 주변합으로 N > 40이면 카이제곱이 일반적으로 신뢰할 수 있습니다.
APA 형식으로 선택을 정당화하는 방법:
셀의 50%(4개 중 2개)에서 기대빈도가 5 미만이었으므로, Pearson 카이제곱 검정 대신 Fisher 정확 검정을 사용하였다(Agresti, 2007).
표본 크기(N = 18)가 카이제곱 근사에 불충분하였다. 따라서 Fisher 정확 검정을 사용하였다.
모든 기대빈도가 5를 초과하였고 총 표본 크기가 120이었다. Pearson 카이제곱 검정을 사용하였다.
두 검정의 결과가 일치할 때. 둘 다 실시하여 p값이 유사하면, 대부분의 독자에게 더 친숙하고 검정통계량(chi-square(df) = X.XX)이라는 추가 정보를 포함하는 카이제곱을 보고하십시오. p값이 의미 있게 다르면 분포 근사에 의존하지 않는 Fisher 정확 검정을 신뢰하십시오.
보수적 검정 논증. 일부 방법론자, 특히 임상 연구에서는 표본 크기에 관계없이 모든 2x2 분할표에 Fisher 정확 검정을 사용할 것을 옹호합니다. 현대 컴퓨팅이 정확 계산을 사소하게 만들었고, 정확한 p값은 근사적인 p값보다 부정확할 수 없다는 논리입니다. 이 입장은 방어 가능하며 의학 저널에서 점점 보편화되고 있습니다. 이를 채택한다면 방법 섹션에 명시적으로 기술하십시오.
| 기준 | 카이제곱 | Fisher 정확 검정 | |------|---------|-----------------| | 기대빈도 | 모든 셀이 5 이상 | 어떤 셀이 5 미만 | | 표본 크기 | 일반적으로 N > 40 | 모든 표본 크기 | | 분할표 크기 | 모든 차원 | 모든 차원(2x2가 가장 흔함) | | 보고하는 검정통계량 | chi-square(df) = X.XX | 없음(정확한 p만) | | 효과크기 (2x2) | Phi | 오즈비 | | 효과크기 (대규모) | Cramer의 V | Cramer의 V | | 계산 | 빠름 | 대규모 분할표에서 느림 | | 정확도 | 근사적 | 정확 |
Fisher 정확 검정의 효과크기
APA 7판은 모든 추론 검정에 효과크기를 요구하지만, 많은 Fisher 정확 검정 보고는 p값만 포함합니다. 이 섹션에서는 분할표 분석에 관련된 네 가지 효과크기 측정치, 각각의 적절한 사용 시점, APA 형식의 보고 방법을 다룹니다.
오즈비(OR)
오즈비는 Fisher 정확 검정으로 분석한 2x2 분할표의 주요 효과크기입니다. 두 집단 간 오즈의 승법적 변화를 정량화합니다. Cohen의 d나 r과 달리, OR은 결과의 기저율에 따라 해석이 달라지므로 간단한 "소/중/대" 기준이 없습니다.
대략적 기준 (Chen et al., 2010 적용):
| OR | 해석 | |----|------| | 1.0 | 효과 없음 | | 1.5 | 소 | | 2.5 | 중 | | 4.3 | 대 |
항상 OR과 함께 95% 신뢰구간을 보고하십시오. Fisher 정확 검정에서는 CI 계산 방법이 여러 가지(정확 조건부, mid-p, Cornfield)입니다. 정확 조건부 방법이 대부분의 소프트웨어에서 기본값이며 소표본 분석에 권장됩니다.
APA 형식:
OR = 3.47, 95% CI [1.12, 10.74]
상대위험도(RR)
상대위험도(위험비라고도 함)는 한 집단의 결과 발생 확률을 다른 집단의 확률과 비교합니다. 오즈비와 달리 RR은 직접적인 확률적 해석이 가능합니다: RR = 2.0은 노출군에서 결과가 2배 더 가능성이 높다는 것을 의미합니다.
RR은 발생률이 의미 있는 전향적 연구(코호트, RCT)에서 선호됩니다. 환자-대조군 설계에서는 적절하지 않으며, 대신 오즈비를 사용해야 합니다.
APA 형식:
이상반응의 상대위험도는 2.40, 95% CI [1.15, 5.01]이었으며, 실험군 참여자가 결과를 경험할 가능성이 2.4배 높았음을 나타낸다.
OR과의 핵심 차이: 결과가 희귀할 때(두 집단 모두 10% 미만), OR은 RR에 근접합니다. 결과가 흔하면 OR이 RR에 비해 효과를 과장합니다. 결과가 흔한데 OR만 보고하면 독자가 실질적 영향을 과대평가할 수 있습니다.
Phi 계수
Phi 계수(phi)는 2x2 분할표에서 Pearson의 r과 동등하며, 0에서 1(또는 방향을 부여하면 -1에서 +1) 범위입니다. 친숙한 상관 유사 척도로 연관의 강도를 측정합니다.
기준 (Cohen, 1988):
| Phi | 해석 | |-----|------| | .10 | 소 | | .30 | 중 | | .50 | 대 |
Phi는 다른 분할표 구조를 사용하는 연구 간 효과크기를 비교하거나 메타분석을 위해 표준화된 지표가 필요할 때 유용합니다. 카이제곱을 N으로 나눈 것의 제곱근으로 계산됩니다.
APA 형식:
Fisher 정확 검정 결과, 유의한 연관이 나타났다, p = .023, phi = .38.
Cramer의 V
Cramer의 V는 phi 계수를 2x2보다 큰 분할표로 일반화합니다. 2x2 분할표에서는 Cramer의 V가 phi와 같습니다. 더 큰 분할표에서는 V가 0에서 1 범위이며, 해석 기준은 자유도(df = min(행 - 1, 열 - 1))에 따라 달라집니다.
| df | 소 | 중 | 대 | |----|-----|-----|-----| | 1 | .10 | .30 | .50 | | 2 | .07 | .21 | .35 | | 3 | .06 | .17 | .29 |
R x C 분할표에 대한 APA 형식:
Fisher 정확 검정(Freeman-Halton 확장) 결과, 치료군과 증상 범주 간에 유의한 연관이 나타났다, p = .018, V = .31.
올바른 효과크기 선택
| 상황 | 권장 효과크기 | |------|-------------| | 2x2, 환자-대조군 설계 | 오즈비 + 95% CI | | 2x2, 전향적 연구(RCT, 코호트) | 상대위험도 + 95% CI; OR도 병기 | | 2x2, 메타분석 또는 연구 간 비교 | Phi 계수 | | R x C 분할표(모든 설계) | Cramer의 V |
신뢰구간과 함께 최소 하나의 효과크기 측정치를 보고하십시오. 2x2 분할표에서 확신이 없으면, 보편적으로 수용되고 Fisher 정확 검정에 직접 연결되는 오즈비와 95% CI가 가장 안전한 기본 선택입니다.
대규모 분할표(R x C)에 대한 Fisher 정확 검정
Fisher 정확 검정은 2x2 분할표에 국한되지 않습니다. Freeman-Halton 확장은 이 절차를 모든 R x C 분할표로 일반화합니다. 이 확장은 고정된 행 및 열 주변합에 조건부로, 독립성의 귀무가설 하에서 주어진 분할표(및 더 극단적인 모든 분할표)를 관찰할 정확한 확률을 계산합니다.
Freeman-Halton 확장을 사용하는 경우
다음 경우에 Freeman-Halton 확장을 사용하십시오:
- 분할표가 2x2보다 큰 경우(예: 2x3, 3x3, 3x4)
- 기대빈도가 Cochran 지침을 위반하는 경우(20% 이상이 5 미만)
- 셀 수 대비 총 표본 크기가 작은 경우
9개 셀이 있는 3x3 분할표에서 적절한 기대빈도를 유지하려면 4개 셀의 2x2 분할표보다 상당히 큰 표본이 필요합니다. 총 N = 45는 2x2 분할표에는 적절할 수 있지만 3x3 분할표에는 불충분할 수 있습니다.
계산 고려사항
분할표가 커질수록 정확 계산은 기하급수적으로 더 많은 자원을 요구합니다. 대략 6x6을 초과하거나 주변합이 큰 분할표에서는 대부분의 소프트웨어가 몬테카를로 시뮬레이션을 사용하여 정확 p값을 근사합니다. 시뮬레이션된 p를 보고할 때는 반복 횟수를 명시하십시오.
몬테카를로에 대한 APA 형식:
몬테카를로 시뮬레이션(10,000회 반복)으로 계산한 Fisher 정확 검정의 Freeman-Halton 확장 결과, 진단과 치료 반응 간에 유의한 연관이 나타났다, p = .008, 99% CI [.005, .011], V = .29.
R x C 분할표에 대한 APA 보고 템플릿
변수 1과 변수 2 간의 연관을 검토하기 위해 3x4 분할표를 구성하였다. 셀의 58%에서 기대빈도가 5 미만이었으므로 Fisher 정확 검정의 Freeman-Halton 확장을 사용하였다. 검정 결과, 유의한 연관이 나타났다, p = .014, V = .28(중간 효과). Bonferroni 교정을 적용한 사후 쌍별 Fisher 정확 검정에서 수준 A와 수준 C(p = .003) 및 수준 B와 수준 C(p = .011) 간에 유의한 차이가 확인되었다.
R x C 분할표의 사후 비교
R x C 분할표에 대한 유의한 총괄 Fisher 정확 검정은 연관이 존재한다는 것을 알려주지만 어디에 있는지는 식별하지 않습니다. 쌍별 2x2 Fisher 정확 검정으로 후속 분석하고, 다중 비교에 대한 교정(Bonferroni가 가장 간단하며, Benjamini-Hochberg FDR 교정이 더 강력한 대안)을 적용하십시오.
단측 vs 양측 Fisher 정확 검정
Fisher 정확 검정은 단측 또는 양측으로 실시할 수 있습니다. 가설이 방향을 지정하는지에 따라 선택이 달라집니다.
양측검정(기본값)
방향에 관계없이 연관이 존재하는지를 검정할 때 사용합니다. 이는 대부분의 연구에서 표준이며, 방향적 가설에 대한 강력한 사전 근거가 없는 한 기본값이어야 합니다.
단측검정
데이터 수집 전에 연관의 특정 방향을 예측하는 가설이 있을 때 사용합니다. 예를 들어, "치료군이 대조군보다 더 높은 회복률을 보일 것이다."
구분을 보고하는 방법:
Fisher 정확 검정(양측) 결과, 치료와 회복 간에 유의한 연관이 나타났다, p = .035.
가설이 치료군에서 더 높은 회복을 예측했으므로 단측 Fisher 정확 검정을 사용하였다. 결과는 유의하였다, p = .018.
단측검정을 사용할 경우 방법 섹션에서 이 선택을 반드시 정당화해야 합니다. 양측 결과가 유의하지 않아서(p = .07) p = .035를 얻기 위해 단측으로 전환하는 것은 p-해킹의 일종이며 허용되지 않습니다.
Mid-p 조정
Fisher 정확 검정은 관찰된 주변합에 조건부이기 때문에 과도하게 보수적이라는 비판을 받기도 합니다. Mid-p 조정은 관찰된 분할표의 확률의 절반에 더 극단적인 모든 분할표의 확률을 더하여 p값을 계산함으로써 이 문제를 해결합니다.
Mid-p값은 항상 표준 정확 p값보다 작거나 같아 약간 더 자유적입니다. 여러 통계학자(Lancaster, 1961; Agresti, 2002)가 보수적인 정확 검정과 자유적인 카이제곱 근사 사이의 절충안으로 권장합니다.
Mid-p를 포함한 APA 형식:
Mid-p 조정을 적용한 Fisher 정확 검정 결과, 접종 상태와 감염 간에 유의한 연관이 나타났다, mid-p = .032, OR = 3.15, 95% CI [1.08, 9.17].
Mid-p를 사용하는 시점: 표준 정확 p가 유의 수준에 근접할 때(예: p = .06) 덜 보수적인 분석을 원하면 mid-p 조정을 고려하십시오. 항상 어떤 방법을 사용했는지 보고하십시오. 결과를 본 후 방법을 전환하지 마십시오.
방향적 가설: APA 정당화
단측검정을 보고할 때 APA는 명시적 정당화를 요구합니다. 가설 섹션에 방향적 예측을 포함하고 결과에서 이를 참조하십시오:
인지행동 중재의 효능을 보여주는 선행연구(Smith et al., 2023)에 기반하여, 치료군이 더 높은 관해율을 보일 것으로 가설을 설정하였다. 따라서 이 방향적 예측을 검정하기 위해 단측 Fisher 정확 검정을 사용하였다. 결과는 유의하였다, p = .021, OR = 4.80, 95% CI [1.25, 18.40].
Fisher 정확 검정 보고 시 흔한 실수
실수 1: 기대빈도가 너무 낮을 때 카이제곱을 사용하는 것
가장 빈번한 오류입니다. 분할표에 기대빈도가 5 미만인 셀이 있으면 카이제곱 p값이 부정확할 수 있습니다. 어떤 검정을 사용할지 결정하기 전에 항상 기대빈도를 확인하십시오. 많은 소프트웨어 패키지(SPSS, R, Python)가 기대빈도를 자동으로 보고합니다. "1개 셀(25.0%)의 기대빈도가 5 미만"이라는 경고가 나타나면 Fisher 정확 검정으로 전환하십시오.
실수 2: Fisher 검정에 대해 카이제곱 통계량을 보고하는 것
Fisher 정확 검정은 카이제곱 값을 산출하지 않습니다. "chi-square(1) = 4.52, Fisher 정확 p = .038"이라고 쓰는 것은 두 가지 다른 검정을 혼동하는 것입니다. 이는 어떤 통계 절차도 실제로 산출하지 않는 혼합물입니다. Fisher 정확 p값만 단독으로 보고하십시오:
오류: chi-square(1, N = 24) = 4.52, Fisher 정확 p = .038
올바름: Fisher 정확 검정, p = .038, OR = 3.75, 95% CI [1.05, 13.40]
실수 3: 효과크기를 누락하는 것
p값만으로는 연관의 강도나 방향을 전달하지 않습니다. 오즈비는 2x2 Fisher 정확 검정 결과를 해석하는 데 필수적입니다. 이것이 없으면 독자는 통계적으로 유의한 연관이 실질적으로도 의미 있는지 판단할 수 없습니다. OR = 1.05의 유의한 p와 OR = 8.50의 유의한 p는 매우 다른 의미를 가집니다.
실수 4: 신뢰구간을 누락하는 것
신뢰구간 없이는 독자가 오즈비 추정의 정밀도를 판단할 수 없습니다. 이는 점 추정치가 불안정할 수 있는 소표본 연구에서 특히 중요합니다. OR = 6.00, 95% CI [0.80, 45.00]과 OR = 6.00, 95% CI [2.10, 17.10]은 매우 다른 이야기를 합니다.
실수 5: 결과를 본 후 단측으로 전환하는 것
사전등록한 가설이 비방향적이었다면 양측 p값을 보고해야 합니다. 사후적으로 단측으로 전환하면 제1종 오류율이 팽창합니다. 이는 심사자가 발견할 수 있는 잘 알려진 p-해킹의 형태입니다. 방향적 가설이 있다면 데이터 수집 전에 기술하고 사전등록하십시오.
실수 6: 분할표를 무시하는 것
APA 양식은 관찰 빈도와 백분율이 포함된 분할표를 제시할 것을 권장합니다. 표는 요약 통계만으로는 전달할 수 없는 맥락을 제공합니다. 독자는 보고된 분석을 확인하고 연관의 패턴을 이해하기 위해 셀 빈도를 볼 필요가 있습니다.
실수 7: 오즈비의 부정확한 해석
오즈비는 확률이 아닌 오즈를 비교합니다. OR = 3.0일 때 "치료군 환자가 회복할 가능성이 3배 더 높았다"라고 말하는 것은 엄밀히 부정확합니다. 올바른 진술은 "치료군에서 회복의 오즈가 3배 더 높았다"입니다. 오즈와 확률은 다른 양이고, 결과가 흔할 때 상당히 다르기 때문에 이 구별이 중요합니다.
실수 8: 소프트웨어와 방법을 명시하지 않는 것
소프트웨어 패키지에 따라 계산 알고리즘의 차이(정확 열거, 네트워크 알고리즘, 몬테카를로 시뮬레이션)로 인해 Fisher 정확 검정의 p값이 약간 다를 수 있습니다. 항상 사용한 소프트웨어를 명시하고, 대규모 분할표의 경우 p값이 정확 계산에 기반한 것인지 몬테카를로 시뮬레이션에 기반한 것인지 밝히십시오.
Fisher 정확 검정 APA 체크리스트
원고 제출 전에 Fisher 정확 검정 보고에 다음이 포함되었는지 확인하십시오:
- 카이제곱 대신 Fisher 정확 검정을 선택한 근거(예: 기대빈도 5 미만)
- 정확한 p값("유의" 또는 "비유의"만이 아님)
- 단측 또는 양측 검정 명시
- 2x2 분할표에는 오즈비, 대규모 분할표에는 Cramer의 V
- 오즈비에 대한 95% 신뢰구간
- 관찰 빈도를 보여주는 분할표(유용하다면 백분율 포함)
- 효과의 방향과 크기에 대한 평이한 해석
- Fisher 정확 p값과 함께 카이제곱 통계량이 보고되지 않도록 확인
- 소프트웨어 및 계산 방법 명시(정확 또는 몬테카를로)
자주 묻는 질문
Fisher 정확 검정은 무엇에 사용되나요?
Fisher 정확 검정은 분할표에 배열된 두 범주형 변수 간에 통계적으로 유의한 연관이 있는지 평가합니다. 독립성의 귀무가설 하에서 데이터(또는 더 극단적인 데이터)를 관찰할 정확한 확률을 계산합니다. 표본 크기가 작거나 기대빈도가 카이제곱 근사에 필요한 임계값 아래로 떨어질 때 카이제곱 검정 대신 사용됩니다. 가장 일반적으로 2x2 분할표에 적용되지만 Freeman-Halton 확장을 사용하여 더 큰 분할표로 확장할 수 있습니다.
Fisher 정확 검정을 대규모 표본에서도 사용할 수 있나요?
예. Fisher 정확 검정은 모든 표본 크기에서 유효한 결과를 산출합니다. 이 검정은 원래 정확 계산이 비용이 많이 들었기 때문에 소표본용으로 개발되었지만, 현대 소프트웨어는 대규모 분할표도 효율적으로 처리합니다. 일부 통계학자는 모든 2x2 분할표에 대한 보편적 기본값으로 Fisher 정확 검정을 권장합니다. 유일한 실질적 한계는 계산적인 것으로, 매우 큰 R x C 분할표에서는 정확 열거 대신 몬테카를로 시뮬레이션이 사용될 수 있으며, 이를 보고서에 명시해야 합니다.
Fisher 정확 검정과 카이제곱의 차이는 무엇인가요?
카이제곱 검정은 큰 기대빈도를 가정하는 카이제곱 분포에 기반하여 근사적 p값을 계산합니다. Fisher 정확 검정은 동일한 주변합을 가진 가능한 모든 분할표를 열거하여 정확한 p값을 계산합니다. 기대빈도가 적절할 때(모든 셀 >= 5) 두 검정은 유사한 결과를 산출합니다. 기대빈도가 낮으면 카이제곱 근사가 신뢰할 수 없게 되어 Fisher 정확 검정이 선호됩니다. 또한 Fisher 정확 검정은 검정통계량을 산출하지 않고 정확한 p값만 산출합니다.
2x2 분할표에서 오즈비를 어떻게 계산하나요?
셀이 a, b, c, d(a와 b가 1행, c와 d가 2행)로 표기된 2x2 분할표에서 오즈비는 OR = (a x d) / (b x c)로 계산됩니다. 예를 들어, a = 8, b = 2, c = 3, d = 7이면, OR = (8 x 7) / (2 x 3) = 56 / 6 = 9.33입니다. OR이 1보다 크면 첫 번째 행 집단에서 결과의 오즈가 더 높음을 나타냅니다. OR이 정확히 1이면 연관이 없음을 나타냅니다. 항상 점 추정치와 함께 95% 신뢰구간을 보고하십시오.
비유의한 Fisher 정확 검정 결과는 무엇을 의미하나요?
비유의한 결과(p > .05)는 두 변수 간에 연관이 존재한다고 결론 내릴 충분한 증거가 없다는 것을 의미합니다. 변수가 독립적이라는 것을 증명하지는 않습니다. 소표본에서 Fisher 정확 검정은 통계적 검정력이 제한되어 실제 연관을 탐지하지 못할 수 있습니다. 비유의한 결과에도 효과크기(OR과 95% CI)를 보고하십시오. 이 정보는 향후 메타분석과 검정력 계산에 가치가 있습니다. 넓은 신뢰구간을 동반한 비유의한 검정은 더 많은 데이터가 필요함을 시사합니다.
카이제곱도 사용 가능한 경우 Fisher 정확 검정을 보고해야 하나요?
기대빈도가 Cochran 지침(5 미만이 20%를 초과하지 않고, 1 미만이 없음)을 충족하면, 검정통계량과 자유도를 포함하는 카이제곱 검정 보고가 표준이며 선호됩니다. 기대빈도가 부적절하면 대신 Fisher 정확 검정을 보고해야 합니다. 임상 연구의 일부 저널에서는 표본 크기에 관계없이 모든 2x2 분석에 Fisher 정확 검정을 기대합니다. 둘 다 실시하고 결과가 다르면 Fisher 정확 검정을 보고하고 불일치를 언급하십시오.
SPSS 출력에서 Fisher 정확 검정을 어떻게 보고하나요?
SPSS에서 Fisher 정확 검정은 카이제곱 검정 출력 표에 "Fisher의 정확 검정"으로 표시되며, 정확 유의확률(양측)과 정확 유의확률(단측) 열이 있습니다. 정당화된 방향적 가설이 없다면 양측 값을 보고하십시오. SPSS는 Fisher 검정에 대한 오즈비를 직접 출력하지 않습니다. 위험 추정 표(오즈비와 95% CI를 보고)를 사용하거나 교차표에서 계산하십시오. 보고 형식: Fisher 정확 검정, p = .XXX, OR = X.XX, 95% CI [X.XX, X.XX].
Fisher 정확 검정을 2x2보다 큰 분할표에 사용할 수 있나요?
예. Freeman-Halton 확장은 Fisher 정확 검정을 모든 R x C 분할표로 일반화합니다. 대부분의 현대 소프트웨어(R, Python, SAS, Stata)가 이 확장을 지원합니다. 대략 6x6을 초과하거나 주변합이 큰 분할표에서는 몬테카를로 시뮬레이션이 필요할 수 있습니다. 보고 시 분할표 차원, 기대빈도 5 미만인 셀의 비율, 정확 또는 시뮬레이션 p값, 효과크기로 Cramer의 V를 명시하십시오. 시뮬레이션된 p값의 경우 사용된 몬테카를로 반복 횟수를 보고하십시오.
StatMate의 무료 Fisher 정확 검정 계산기를 사용해 보세요
Fisher 정확 검정 결과를 수동으로 포맷하는 것은 번거롭고 오류가 발생하기 쉽습니다. StatMate의 Fisher 정확 검정 계산기는 출판 준비된 APA 출력을 자동으로 생성합니다. 2x2 분할표를 입력하면 정확한 p값, 오즈비, 신뢰구간, 원고에 바로 복사할 수 있는 완전한 APA 형식 결과 문단을 제공합니다.
카이제곱 검정이 필요하신가요? 카이제곱 계산기는 독립성 검정과 적합도 검정 모두를 Cramer의 V 효과크기와 함께 처리합니다. 두 계산기 모두 Pro 사용자를 위한 원클릭 Word 내보내기와 모든 사용자를 위한 무료 PDF 내보내기를 포함합니다.