구조방정식 모델링으로 잠재 변수와 인과 경로 검증하기

측정오차와 경로를 함께 다루는 SEM

구조방정식 모델링(Structural Equation Modeling, SEM)은 관측 변수와 잠재 변수를 포함하는 측정 모형(measurement model), 그리고 변수 사이의 관계를 다루는 구조 모형(structural model)을 한 번에 추정하는 통계 프레임워크다. 이론이 제시한 공분산 구조가 실제 데이터에서 얼마나 재현되는지를 통해 모형의 타당성을 검증한다.

확인적 요인분석(CFA)은 잠재 구성 개념의 측정 타당성을 확인하는 역할을 맡고, 경로 분석은 잠재 변수 또는 관측 변수 사이의 인과 경로를 추정한다. 전반적인 모형의 적합성은 적합도 지수로 평가한다. 경로도에서는 원과 사각형으로 변수를, 화살표로 요인부하량과 회귀계수를, 쌍방 화살표로 잔차나 공분산을 표현한다.

잠재 개념을 관측 지표로 측정하는 방식

측정 모형에서는 하나의 잠재 개념을 여러 관측 지표로 측정하며, 요인부하량과 측정오차를 분리해 추정한다. 수렴타당성은 AVE와 CR로, 판별타당성은 HTMT와 Fornell-Larcker 기준으로 검토할 수 있다.

지표의 척도도 추정법 선택에 영향을 준다. 연속형 지표에는 ML 또는 MLR을, 서열형 리커트 문항에는 WLSMV 같은 강건 추정법을 사용하는 방식을 권장한다.

이론 경로를 구조 모형으로 검증하기

구조 모형은 잠재 변수와 관측 변수 사이의 방향성 있는 경로를 명시한다. 매개 효과와 조절 효과를 검증할 수 있으며, 간접효과의 신뢰구간을 산출할 때는 부트스트랩 사용을 권장한다.

모형은 추정 전에 동일시, 즉 식별 조건을 충족해야 한다. 각 잠재 변수는 부하량을 1로 고정하거나 분산을 1로 고정하는 방식으로 기준화하며, 자유도는 df>0이어야 한다.

추정법은 데이터 성격에 맞춰 선택한다. ML/MLR은 정규 또는 준정규 데이터에, WLSMV는 서열형 데이터에, Bayesian은 사전정보를 활용하는 경우에 사용할 수 있다. 추정 과정에서는 수렴 실패, 헤이우드 사례인 음의 분산, 다중공선성, 비정규성을 점검한다. 필요하다면 지표 병합(parcelling)이나 동일계수 제약을 적용할 수 있다.

적합도 지수는 함께 읽어야 한다

CFI와 TLI는 기준선 모형보다 현재 모형이 얼마나 개선됐는지를 나타내는 증분 적합 지수다. CFI는 01 범위이며, TLI는 01+ 범위를 가질 수 있다. 일반적인 권장 기준은 CFI≥0.95, TLI≥0.95다.

RMSEA는 자유도를 보정한 평균 오차를 나타내며 0에 가까울수록 양호하다. 일반 권장 기준은 RMSEA≤0.06이고, 90% CI도 함께 보고하는 방식을 권장한다.

지수	의미/범주	값 범위	권장 임계치(보수적)	장점	유의사항
CFI	증분 적합 지수(비교 기준)	0~1	≥ 0.95	직관적 해석, 널리 사용	표본 크기와 지표 비정규성에 민감, 기준선 모형 영향
TLI	Tucker-Lewis(비표준화)	0~1+	≥ 0.95	모형 복잡도 벌점 반영	음수/>1 가능, 간헐적 해석 어려움
RMSEA	절대 적합 지수(근사 오차)	0~∞	≤ 0.06	자유도 반영, 신뢰구간 제공	작은 표본·작은 df에서 과대추정 가능

임계치는 경험적 권고 수준이다. 표본, 측정오차 구조, 적용 맥락을 함께 고려해 탄력적으로 해석해야 한다.

지정부터 재현성 검증까지의 흐름

⤢✕

미식별은 부하량이나 분산의 기준화가 빠졌거나, 동등모형에 과도한 제약이 들어간 경우에 발생할 수 있다. 수렴하지 않으면 초기값 난수의 다변화, 변수 스케일링, 과도한 상관값을 점검한다. 헤이우드 사례가 나타났다면 음의 분산에 대응해 지표를 제거·고정하거나 모형을 단순화하고, 강건 추정을 사용할 수 있다.

도메인별로 달라지는 모형의 초점

마케팅에서는 만족도·지각가치·충성도를 잠재 변수로 측정한 뒤, 만족도→충성도와 가치→충성도 경로를 설정할 수 있다. 매개 검증과 채널별 다중집단 분석도 이 구조 안에서 수행한다.

HR과 조직 분석에서는 변혁적 리더십, 조직몰입, 성과 지표의 측정 타당성을 확보한 후 리더십→몰입→성과의 간접효과를 검토한다. 팀이나 사업부를 비교할 때는 그룹 불변성 검정을 적용한다.

교육·심리 영역에서는 서열형 문항에 WLSMV를 적용하고, 학습동기→자기효능감→성취 관계에서 매개·조절 효과와 교사지원 효과를 다룰 수 있다. 종단 데이터에는 교차지연 패널 SEM을 사용할 수 있다.

금융·리스크 분석에서는 위험태도의 구성 타당성과 공통방법편의를 통제하고, 위험지각에서 투자행태로 이어지는 경로 계수와 간접효과를 보고한다. 결과는 투자 프로파일 세분화 전략과 연결할 수 있다.

타당성, 적합성, 운영 효율의 기준

수렴타당성은 CR ≥ 0.70, AVE ≥ 0.50을 권장 기준으로 삼는다. 판별타당성은 AVE 제곱근 > 상관, HTMT < 0.85~0.90으로 확인할 수 있다.

모형 적합성은 CFI/TLI ≥ 0.95, RMSEA ≤ 0.06, SRMR ≤ 0.08을 목표로 검토한다. RMSEA는 90% CI 상한 ≤ 0.08과 폐기 가설(H0: RMSEA ≤ 0.05)도 함께 살필 수 있다.

다중 회귀와 비교하면 측정오차를 분리해 편의를 줄이고 재현성을 높일 수 있다. 타당성과 인과경로를 단일 프레임워크에서 검증하므로 분석 파이프라인도 단순화된다.

모형 복잡도와 추정법 선택의 균형

표본은 파라미터당 10~20, 일반적으로 N≥200을 권장하며, 복잡한 모형에는 추가 표본 확보가 필요하다. 잠재 변수나 지표가 지나치게 많으면 식별과 수렴 문제가 생길 수 있으므로 단계적으로 축소하는 설계가 적합하다.

ML/MLR은 연속·정규 데이터에서 효율적이며, 약한 비정규성에는 MLR로 강건성을 높일 수 있다. WLSMV는 서열형 데이터에 적합하지만 표본 크기 요구가 증가하고 모수와 표준오차 해석에 주의해야 한다.

수정지수는 사후적 정보이므로 이론적 정합성이 없는 경로 추가는 피한다. 검증용 데이터와 테스트용 데이터를 분리하고 preregistration을 적용하면 분석 유연성에서 발생하는 편향을 완화할 수 있다.

lavaan으로 측정 모형과 구조 모형 적합하기

R ≥ 4.2와 lavaan ≥ 0.6 환경을 전제로 하며, 아래 예시는 lavaan 패키지의 HolzingerSwineford1939 데이터를 사용한다.

# install.packages("lavaan") # 미설치 시
library(lavaan)

# 측정 + 구조 모형 정의
model <- '
  # 측정 모형
  visual  =~ x1 + x2 + x3
  textual =~ x4 + x5 + x6
  speed   =~ x7 + x8 + x9

  # 구조 모형
  textual ~ visual        # visual → textual
  speed   ~ visual + textual
'

fit <- sem(model, data = HolzingerSwineford1939, estimator = "MLR") # 강건 표준오차
summary(fit, fit.measures = TRUE, standardized = TRUE)

# 핵심 적합 지수 확인
fitMeasures(fit, c("cfi","tli","rmsea","rmsea.ci.lower","rmsea.ci.upper","srmr"))

수렴에 실패하면 std.lv=TRUE로 잠재 분산을 1로 고정하고, start="simple"을 지정하거나 지표 스케일을 점검한다. 서열형 문항은 ordered=c("x1","x2",...), estimator="WLSMV"로 변경한다.

SEM은 측정오차를 분리한 잠재 변수 모형과 인과 경로를 함께 추정해 이론을 검증한다. 적합도 지수와 타당성 지표만 따로 보지 말고, 식별 조건·추정법·수정 과정까지 연결해 판단해야 해석 가능하고 재현 가능한 모형을 만들 수 있다.