태그 보관물: CFA

Chap 25. 구조방정식(SEM)과 잠재 변수 모델링을 활용한 심리측정 척도 평가

안녕하세요!
이번에는 “구조방정식(SEM)과 잠재 변수 모델링을 활용한 심리측정 척도 평가”에 관한 내용을 여러분이 이해하기 쉽게 교육 현장의 사례를 곁들여 살펴보겠습니다.

이 내용은 척도를 개발하거나 평가하려는 연구자들에게 필수적인 기초부터 고급 기법(잠재 혼합 모델 등)까지를 다룹니다.

1. 왜 척도 평가가 중요한가?

교육 및 사회과학 연구에서 우리가 측정하려는 대상(예: 학습 동기, 수학 불안, 지능)은 눈에 직접 보이지 않는 잠재 변수(Latent Variables)인 경우가 많습니다. 이러한 잠재 변수는 직접 잴 수 없기 때문에, 우리는 여러 개의 설문 문항이나 과제(지표, Indicators)를 통해 간접적으로 그 수준을 추론합니다.

이때 핵심은 “우리가 사용한 문항들이 정말로 그 잠재 특성을 잘 반영하고 있는가?”를 평가하는 것입니다. 이를 위해 구조방정식 모델링(SEM)과 잠재 변수 모델링(LVM)이 활용됩니다.

2. 고전검사이론(CTT)과 요인분석(FA): 기초 다지기

척도 평가의 가장 기본이 되는 수식은 고전검사이론의 관찰점수 분해입니다.

(1) 기본 방정식

$X = T + E$

$X$ : 학생이 설문지에서 얻은 실제 점수(관찰점수)
$T$ : 학생의 진정한 능력이나 특성(진점수, 잠재 변수)
$E$ : 측정 과정에서 발생하는 오차(측정 오차)

(2) 동질적 검사 모델 (Congeneric Model)

단일 요인 모델과 실질적으로 동일하게 취급되는 이 모델은 각 문항이 하나의 공통 요인에 서로 다른 가중치(부하량)로 연결되어 있다고 가정합니다. 교육 현장에서는 한 시험의 여러 문항이 하나의 수학적 사고력을 측정한다고 볼 때 이 모델을 적용합니다.

3. 척도의 잠재 구조 확인: EFA에서 CFA로

척도가 의도한 대로 구성되어 있는지 확인하기 위해 두 단계의 과정을 거칩니다.

1단계: 탐색적 요인분석 (EFA)

목적: 문항들이 몇 개의 요인으로 묶이는지 가설을 생성합니다.
절차: 전체 데이터의 일부(예: 1/2)를 사용하여 요인의 수( $m$ )를 변화시켜가며 최적의 구조를 찾습니다.

2단계: 확인적 요인분석 (CFA)

목적: EFA에서 세운 가설이 새로운 데이터에서도 맞는지 검증합니다.
절차: 나머지 데이터(Hold-out sample)를 사용하여 모델의 적합도(AIC, BIC 등)를 평가합니다.

[WaurimaL의 팁] 군집 효과(Clustering Effects)를 주의하세요!

학교 교육 연구에서는 학생들이 ‘학급’이나 ‘학교’에 속해 있습니다. 같은 반 학생들은 경험을 공유하므로 독립성 가정이 위배될 수 있습니다. 이를 무시하면 오차가 과소 추정되어 잘못된 결론을 내릴 수 있으므로 다층 모델링(Multilevel Modeling) 접근이 필요합니다.

4. 문항 반응 이론(IRT): 문항 하나하나를 현미경으로 보기

척도 전체의 신뢰도를 넘어, 개별 문항이 얼마나 어려운지, 얼마나 변별력이 있는지를 평가할 때 IRT를 사용합니다.

변별도( $a_j$ ): 능력이 높은 학생과 낮은 학생을 얼마나 잘 구분하는가?
난이도( $b_j$ ): 정답을 맞힐 확률(또는 긍정 응답 확률)이 50%가 되는 지점은 어디인가?

5. 고급 주제: 관찰되지 않은 이질성(Unobserved Heterogeneity)

최근 연구에서 가장 강조되는 부분입니다. 전체 집단이 하나라고 가정하고 분석하면 심각한 오류에 빠질 수 있습니다.

(1) 잠재 혼합 모델 (Latent Mixture Modeling)

우리 눈에는 보이지 않지만, 모집단 안에 성격이 다른 여러 잠재 계층(Latent Classes)이 존재할 수 있습니다. 예를 들어, ‘수학 효능감’ 척도를 분석할 때 ‘일반 학생 집단’과 ‘수포자 집단’은 문항에 반응하는 방식 자체가 다를 수 있습니다.

(2) 혼합 모델을 무시할 때의 위험성

허위적 Bifactor 구조: 실제로는 집단이 두 개인데 하나로 합쳐 분석하면, 존재하지 않는 요인이 있는 것처럼 보일 수 있습니다.
잘못된 문항 교정: 집단별로 문항의 난이도가 다른데 이를 평균 내버리면, 어느 집단에도 맞지 않는 잘못된 문항 특성치가 산출됩니다.

6. 실습: 학교 소속감 척도 평가 (가상 데이터 사례)

전문가로서 ‘학교 소속감(School Belongingness)’을 측정하는 5개 문항을 예로 들어 보겠습니다.

[스토리 설정]

행복중학교 교사들은 학생들의 학교 소속감을 측정하기 위해 5개 문항(5점 리커트 척도)을 개발했습니다.

나는 학교에 오는 것이 즐겁다.
우리 학교 선생님들은 나를 존중해 주신다.
나는 우리 학교의 일원이라는 것이 자랑스럽다.
학교에서 친구들과 함께 있을 때 편안하다.
우리 학교는 나에게 중요한 장소다.

조사 결과, 전체 학생은 약 500명이며, 내부적으로는 ‘교우관계 중심 집단’과 ‘학업 중심 집단’이라는 두 개의 잠재 계층이 존재한다고 가정합니다.

jamovi 및 R 구현 방법

1) jamovi 활용 (CFA 분석)

Factor 탭 -> Confirmatory Factor Analysis 선택.
문항 1~5를 ‘Factor 1’에 투입.
Model Fit에서 RMSEA, CFI, TLI 확인.
Reliability Analysis에서 Cronbach’s $\alpha$ 와 McDonald’s $\omega$ 확인.

2) R 활용 (잠재 혼합 모델링 – `tidyLPA` 패키지 예시)

잠재 계층이 존재하는지 확인하기 위해 R 코드를 작성해 보겠습니다.

# 필요한 패키지 로드
library(tidyLPA)
library(dplyr)

# 가상 데이터 생성 (전문가적 식견을 바탕으로 한 모의 데이터)
set.seed(123)
# 집단 1: 소속감이 높은 집단 (250명)
group1 <- matrix(rnorm(250 * 5, mean = 4.2, sd = 0.5), ncol = 5)
# 집단 2: 소속감이 낮은 집단 (250명)
group2 <- matrix(rnorm(250 * 5, mean = 2.5, sd = 0.8), ncol = 5)
df <- as.data.frame(rbind(group1, group2))
colnames(df) <- paste0("item", 1:5)

# 잠재 프로파일 분석(LPA) 수행 - 집단 수 결정 (1개 vs 2개)
results <- df %>%
  estimate_profiles(1:3) # 1개부터 3개 집단까지 비교

# 결과 비교 (BIC가 가장 낮은 모델 선택)
get_fit(results)

chap25 다운로드

7. 결론 및 제언

척도 평가를 단순히 신뢰도 계수( $\alpha$ ) 하나 확인하는 것으로 끝내서는 안 됩니다.

구조 확인: EFA/CFA를 통해 잠재 구조를 탄탄히 검증하십시오.
집단 특성 고려: 데이터 뒤에 숨겨진 이질적인 집단(잠재 계층)이 있는지 혼합 모델링으로 확인하십시오.
표본 크기: 복잡한 잠재 변수 모델을 사용할 때는 충분한 표본 크기가 확보되어야 결과가 안정적입니다.

참고문헌

Raykov, T. (2025). Psychometric scale evaluation using structural equation modeling and latent variable modeling. In R. Hoyle (Ed.), Handbook of structural equation modeling (2nd ed., pp. 462-480). Guilford Press.
Bollen, K. A. (1989). Structural equations with latent variables. Wiley.
Crocker, L., & Algina, J. (2006). Introduction to classical and modern test theory. Harcourt College Publishers.
Muthén, L. K., & Muthén, B. (2021). Mplus user’s guide. Authors.
Raykov, T., & Marcoulides, G. A. (2011). Introduction to psychometric theory. Taylor & Francis.
Reckase, M. (2009). Multidimensional item response theory. Springer.

Chap 20. 확인적 요인분석을 활용한 측정 동일성 검사

안녕하세요?
이번에는 여러분과 함께 확인적 요인분석(CFA)을 활용한 측정 동일성(Measurement Invariance, MI)에 대해 살펴보고자 합니다.

측정 동일성은 우리가 만든 심리 검사나 시험이 서로 다른 집단(예: 남학생과 여학생, 도시와 농촌 학생)에게 ‘공정하게’ 작용하는지 확인하는 필수적인 과정입니다. 만약 측정 동일성이 확보되지 않는다면, 집단 간 점수 차이가 실제 능력의 차이인지 아니면 검사 도구의 편향성 때문인지 알 수 없게 됩니다.

이 내용은 교육 현장의 사례를 들어 측정 동일성의 개념과 절차를 상세히 설명합니다. 분석 도구로는 jamovi를 우선적으로 사용하며, 필요한 경우 R (lavaan) 코드를 병행하겠습니다.

1. 측정 동일성의 기초: 회귀 모델을 통한 이해

측정 동일성을 이해하기 위해 먼저 관찰 변수들 사이의 회귀 모델에서 나타날 수 있는 예측 편향(Prediction Bias)을 살펴보겠습니다.

1.1. 기본 회귀 모델

두 집단(예: 일반고와 자사고)에서 고교 내신( $X$ )으로 대학 성적( $Y$ )을 예측한다고 가정해 봅시다. 회귀 방정식은 다음과 같습니다.

$Y_{i} = a + bX_{i} + e_{i}$

여기서 $a$ 는 절편, $b$ 는 기울기입니다. 측정 동일성(또는 예측 동일성)이 성립하려면 집단에 관계없이 동일한 회귀 식이 적용되어야 합니다.

1.2. 편향의 형태

무편향 (No Bias): 두 집단의 절편과 기울기가 모두 동일합니다.
절편 편향 (Intercept Bias): 기울기는 같지만 절편이 다릅니다. 동일한 내신 점수임에도 한 집단의 대학 성적이 항상 높게 예측되는 경우입니다.
기울기 편향 (Slope Bias): 절편은 같지만 기울기가 다릅니다. 내신 점수가 대학 성적에 미치는 영향력(민감도)이 집단마다 다른 경우입니다.

2. 공통 요인 모델과 측정 동일성

이제 관찰 변수에서 잠재 변수(Latent Variable)를 다루는 요인 분석 모델로 확장해 보겠습니다. 확인적 요인분석(CFA)에서는 다음과 같은 파라미터들이 중요합니다.

요인 부하량 ( $\lambda$ , Lambda): 잠재 요인이 관찰 변수에 미치는 영향(회귀의 기울기 역할).
절편 ( $v$ , Nu): 잠재 요인 점수가 0일 때 관찰 변수의 기댓값.
오차 분산 ( $u$ , Unique factor): 요인으로 설명되지 않는 변량.

3. 측정 동일성의 4단계 절차

측정 동일성은 일반적으로 제약이 가장 적은 모델부터 가장 엄격한 모델 순으로 검증합니다.

1단계: 형태 동일성 (Configural Invariance)

정의: 각 집단에서 요인 구조(요인의 수와 지표 변수의 구성)가 동일한지 확인합니다.
교육 사례: ‘수학 효능감’ 검사가 남학생과 여학생 모두에게 동일하게 3개의 문항으로 구성된 단일 요인 구조를 갖는지 확인합니다.

2단계: 측정 동일성/약한 동일성 (Weak/Metric Invariance)

정의: 집단 간 요인 부하량( $\lambda$ )을 동일하게 제약합니다.
의미: 요인이 변화할 때 문항 반응이 변화하는 정도가 두 집단에서 같음을 의미합니다. 이것이 충족되어야 요인 간 상관이나 회귀 계수를 비교할 수 있습니다.

3단계: 강한 동일성 (Strong/Scalar Invariance)

정의: 요인 부하량과 더불어 문항 절편( $v$ )을 동일하게 제약합니다.
의미: 동일한 잠재 수준을 가진 학생이라면 집단에 상관없이 문항에서 동일한 점수를 얻을 것으로 기대합니다. 이 단계가 통과되어야 집단 간 평균 비교가 가능합니다.

4단계: 엄격한 동일성 (Strict Invariance)

정의: 앞선 제약에 오차 분산( $u$ )까지 동일하게 제약합니다.
의미: 측정의 정밀도(신뢰도)까지 두 집단에서 동일함을 의미합니다.

4. 모의 자료를 활용한 실습: “자기주도학습 검사”

4.1. 가상 시나리오

경기도 교육청 소속 연구사인 당신은 중학생용 ‘자기주도학습 능력’ 검사 도구(3문항)를 개발했습니다. 이 도구가 도시 지역 학생들과 농촌 지역 학생들에게 동일하게 작동하는지 확인하고자 합니다.

4.2. 모의 자료 생성 (R 코드)

# 데이터 생성을 위한 R 코드
set.seed(2025)
n <- 200

# 도시 집단 (City): 높은 부하량, 평균 0
city_latent <- rnorm(n, 0, 1)
city_y1 <- 0.8 * city_latent + rnorm(n, 0, 0.6) + 0.5
city_y2 <- 0.7 * city_latent + rnorm(n, 0, 0.6) + 0.5
city_y3 <- 0.9 * city_latent + rnorm(n, 0, 0.6) + 0.5
city_data <- data.frame(y1=city_y1, y2=city_y2, y3=city_y3, group="City")

# 농촌 집단 (Rural): 도시와 동일한 구조 (강력 동일성 가정)
rural_latent <- rnorm(n, -0.5, 1) # 평균이 0.5 낮음
rural_y1 <- 0.8 * rural_latent + rnorm(n, 0, 0.6) + 0.5
rural_y2 <- 0.7 * rural_latent + rnorm(n, 0, 0.6) + 0.5
rural_y3 <- 0.9 * rural_latent + rnorm(n, 0, 0.6) + 0.5
rural_data <- data.frame(y1=rural_y1, y2=rural_y2, y3=rural_y3, group="Rural")

# 통합 데이터
sim_data <- rbind(city_data, rural_data)

chap20 다운로드

4.3. jamovi에서의 분석 단계

jamovi의 Factor -> Confirmatory Factor Analysis 메뉴를 사용합니다.

Model Builder: y1, y2, y3를 하나의 요인으로 설정합니다.
Filters/Group: group 변수를 ‘Group’ 칸에 넣습니다.
Measurement Invariance: jamovi의 최신 버전(또는 SEMLj 모듈)에서는 측정 동일성 옵션을 체크하면 단계별 모델 비교 표를 자동으로 생성해 줍니다.

분석 결과 예시

모델	χ2	df	p	CFI	RMSEA	비고
1. 형태 동일성	4.21	2	.122	.998	.032	모델 적합함
2. 측정 동일성	5.88	4	.208	.997	.025	1번과 차이 없음 ( $\Delta p > .05$ )
3. 강한 동일성	7.12	6	.310	.998	.018	2번과 차이 없음

해석: 강한 동일성까지 확보되었으므로, 도시 학생과 농촌 학생의 자기주도학습 능력 평균을 비교하는 것은 통계적으로 타당합니다.

5. 결론 및 제언

측정 동일성 검증은 복잡해 보이지만, “우리가 잰 자(Scale)가 모든 집단에게 똑같이 눈금이 매겨져 있는가?”를 묻는 아주 상식적인 과정입니다.

만약 특정 문항이 동일성을 해친다면 해당 문항의 제약을 풀어주는 부분 동일성(Partial Invariance) 모델을 고려할 수 있습니다.
대규모 국제 학업성취도 평가(PISA)와 같이 많은 집단을 비교할 때는 베이지안 접근법이나 정렬(Alignment) 방법이 대안이 될 수 있습니다.

교육 연구자로서 여러분의 도구가 모든 학생에게 공정하게 적용되기를 바랍니다.

참고문헌

Chen, F. F. (2007). Sensitivity of goodness of fit indexes to lack of measurement invariance. Structural Equation Modeling, 14(3), 464-504.
Cheung, G. W., & Rensvold, R. B. (2002). Evaluating goodness-of-fit indexes for testing measurement invariance. Structural Equation Modeling, 9(2), 233-255.
Meredith, W. (1993). Measurement invariance, factor analysis and factorial invariance. Psychometrika, 58(4), 525-543.
Millsap, R. E. (2011). Statistical approaches to measurement invariance. Routledge.
Widaman, K. F., & Reise, S. P. (1997). Exploring the measurement invariance of psychological instruments: Applications in the substance abuse domain. In K. J. Bryant, M. Windle, & S. G. West (Eds.), The science of prevention: Methodological advances from alcohol and substance use research (pp. 281-324). American Psychological Association.

Chap 14. 확인적 요인분석(CFA)

안녕하세요.
여러분과 함께 확인적 요인분석(Confirmatory Factor Analysis, CFA)의 세계를 탐구하게 되어 기쁩니다.

오늘 우리가 살펴볼 내용은 Timothy A. Brown의 핵심 이론을 바탕으로 하며, 실제 학교 현장에서 마주할 수 있는 ‘학업 자기효능감’과 **‘교사 지지’라는 두 가지 개념을 통해 CFA의 전 과정을 상세히 학습해 보겠습니다.

1. 확인적 요인분석(CFA)의 본질

확인적 요인분석은 구조방정식 모델링(SEM)의 핵심적인 부분으로, 측정 모델(Measurement Model)을 다룹니다. 즉, 우리가 직접 관찰한 지표들(시험 점수, 설문 문항 등)과 우리가 직접 볼 수 없는 잠재 변수(지능, 성격, 효능감 등) 사이의 관계를 규명하는 작업입니다.

1.1 공통 요인 모델 (Common Factor Model)

CFA의 기초는 모든 관찰 지표가 하나 이상의 공통 요인(Common Factor)과 하나의 고유 요인(Unique Factor)의 선형 결합이라는 가정에서 출발합니다.

공통 변량(Common Variance): 잠재 변수에 의해 설명되는 부분으로, 여러 지표가 공유하는 변량입니다.
고유 변량(Unique Variance): 해당 지표만이 가진 신뢰로운 특성과 측정 오차(Measurement Error)가 결합된 부분입니다.

1.2 탐색적 요인분석(EFA) vs. 확인적 요인분석(CFA)

가장 큰 차이는 ‘사전 제약(A priori specification)’에 있습니다.

EFA: 데이터가 스스로 구조를 드러내도록 두는 데이터 중심 접근법입니다. 어떤 문항이 어떤 요인에 묶일지 사전에 정하지 않습니다.
CFA: 연구자가 이론적 근거를 바탕으로 요인의 수, 문항과의 관계(요인 부하량) 등을 미리 지정하고, 이 모델이 실제 데이터와 얼마나 잘 맞는지 평가합니다.

2. CFA의 주요 목적과 파라미터

2.1 왜 CFA를 하는가?

척도 개발 및 타당화: 설문지가 의도한 구조대로 작동하는지 확인합니다.
방법 효과(Method Effects) 검출: 문항의 표현 방식(역채점 문항 등) 때문에 발생하는 오차의 상관을 모델링할 수 있습니다.
수렴 및 판별 타당도 검증: 비슷한 개념의 지표끼리 강하게 묶이는지(수렴), 서로 다른 개념이 충분히 구분되는지(판별) 확인합니다.
측정 동일성(Measurement Invariance) 평가: 성별이나 문화권에 따라 척도가 동일하게 기능하는지 분석합니다.

2.2 모델의 주요 파라미터

요인 부하량(Factor Loadings, $\lambda$ ): 요인이 지표를 예측하는 회귀 계수입니다.
고유 변량(Unique Variances, $\delta$ ): 요인에 의해 설명되지 않는 나머지 오차 부분입니다.
요인 분산 및 공분산( $\phi$ ): 잠재 변수 자체의 변동성과 변수 간의 관계를 나타냅니다.

3. 실습을 위한 시나리오 및 모의 데이터 생성

🏫 연구 시나리오: “중학생의 학습 동기 구조 분석”

A 중학교 상담 교사인 당신은 학생들이 느끼는 ‘학업 자기효능감(Self-Efficacy, SE)’과 ‘교사 지지(Teacher Support, TS)’가 서로 다른 개념인지, 그리고 각 문항이 적절한지 검증하고자 합니다.

학업 자기효능감(SE): 문항 X1~X4 (예: “나는 어려운 문제도 풀 수 있다”)
교사 지지(TS): 문항 X5~X8 (예: “선생님은 내가 힘들 때 도와주신다”)
특이 사항: X7과 X8은 부정적인 뉘앙스의 역채점 문항으로 설계되어 문항 간 오차 상관이 예상됩니다.

Jamovi 및 R 실습 코드

Jamovi는 내부적으로 R의 lavaan 패키지를 사용합니다. 먼저 분석에 사용할 모의 데이터를 생성하고 분석하는 R 코드를 제시합니다.

# 필요한 패키지 로드
if(!require(lavaan)) install.packages("lavaan")
library(lavaan)

# 1. 모의 데이터 생성 (N=300)
set.seed(2025)
model_sim <- '
  SE =~ 0.8*x1 + 0.7*x2 + 0.75*x3 + 0.6*x4
  TS =~ 0.85*x5 + 0.8*x6 + 0.75*x7 + 0.7*x8
  SE ~~ 0.4*TS  # 두 요인 간 상관
  x7 ~~ 0.3*x8  # 방법 효과 (오차 상관)
'
dat <- simulateData(model_sim, sample.nobs = 300)

# 2. CFA 모델 설정
cfa_model <- '
  Academic_SE =~ x1 + x2 + x3 + x4
  Teacher_TS  =~ x5 + x6 + x7 + x8
  
  # 오차 공분산 지정 (역채점 문항의 방법 효과 반영)
  x7 ~~ x8
'

# 3. 모델 추정
fit <- cfa(cfa_model, data = dat, std.lv = TRUE)

# 4. 결과 요약
summary(fit, fit.measures = TRUE, standardized = TRUE, rsquare = TRUE)

chap14 다운로드

4. 모델 식별과 평가

4.1 모델 식별 (Identification)

CFA를 수행하려면 잠재 변수의 척도를 정해야 합니다.

지표 고정법(Marker Indicator): 한 문항의 부하량을 1.0으로 고정하여 해당 문항의 단위를 잠재 변수에 부여합니다. (Jamovi/Mplus 기본값)
분산 고정법(Fixed Factor Variance): 요인의 분산을 1.0으로 고정합니다.

또한, 알고 있는 정보(데이터의 분산/공분산)가 추정할 파라미터 수보다 많아야 합니다(과잉 식별, df > 0).

4.2 적합도 지수 (Goodness-of-Fit)

모델이 실제 데이터를 얼마나 잘 모사하는지 평가합니다.

$\chi^2$ (Chi-square): $p > .05$ 이면 완벽한 적합을 의미하지만, 표본 크기에 민감하여 보통 참고용으로만 봅니다.
CFI / TLI: .95 이상이면 우수한 적합도로 봅니다.
RMSEA: .06 이하(또는 .08 이하)를 양호한 수준으로 봅니다.
SRMR: .08 이하일 때 모델이 데이터를 잘 설명한다고 봅니다.

5. 모델 수정 (Respecification)

만약 적합도가 낮다면 어떻게 해야 할까요?

수정 지표(Modification Indices, MI): “특정 오차끼리 상관을 맺어주면 $\chi^2$ 가 이만큼 줄어들 것이다”라고 알려주는 지표입니다.
$\chi^2$ 차이 검증: 원래 모델(경직된 모델)과 파라미터를 추가한 모델(유연한 모델)을 비교하여 통계적으로 유의한 개선이 있는지 확인합니다.

⚠️ 주의: 수정 지표에만 의존해 모델을 고치는 것은 ‘데이터 끼워맞추기(Overfitting)’가 될 수 있습니다. 반드시 이론적 근거가 있어야 합니다.

6. 결론 및 요약

확인적 요인분석은 우리가 측정하고자 하는 심리적 가설을 엄격하게 테스트하는 도구입니다. 단순히 통계치를 얻는 것을 넘어, 연구자가 가진 이론이 실제 교육 현장의 데이터와 부합하는지 증명하는 과정입니다.

참고문헌

Brown, T. A. (2015). Confirmatory factor analysis for applied research (2nd ed.). Guilford Press.
Hu, L., & Bentler, P. M. (1999). Cutoff criteria for fit indexes in covariance structure analysis: Conventional criteria versus new alternatives. Structural Equation Modeling, 6(1), 1-55. https://doi.org/10.1080/10705519909540118
Muthén, L. K., & Muthén, B. O. (1998-2021). Mplus user’s guide. Author.

1. 왜 척도 평가가 중요한가?

2. 고전검사이론(CTT)과 요인분석(FA): 기초 다지기

(1) 기본 방정식

(2) 동질적 검사 모델 (Congeneric Model)

3. 척도의 잠재 구조 확인: EFA에서 CFA로

1단계: 탐색적 요인분석 (EFA)

2단계: 확인적 요인분석 (CFA)

4. 문항 반응 이론(IRT): 문항 하나하나를 현미경으로 보기

5. 고급 주제: 관찰되지 않은 이질성(Unobserved Heterogeneity)

(1) 잠재 혼합 모델 (Latent Mixture Modeling)

(2) 혼합 모델을 무시할 때의 위험성

6. 실습: 학교 소속감 척도 평가 (가상 데이터 사례)

[스토리 설정]

jamovi 및 R 구현 방법

1) jamovi 활용 (CFA 분석)

2) R 활용 (잠재 혼합 모델링 – tidyLPA 패키지 예시)

7. 결론 및 제언

참고문헌

1. 측정 동일성의 기초: 회귀 모델을 통한 이해

1.1. 기본 회귀 모델

1.2. 편향의 형태

2. 공통 요인 모델과 측정 동일성

3. 측정 동일성의 4단계 절차

1단계: 형태 동일성 (Configural Invariance)

2단계: 측정 동일성/약한 동일성 (Weak/Metric Invariance)

3단계: 강한 동일성 (Strong/Scalar Invariance)

4단계: 엄격한 동일성 (Strict Invariance)

4. 모의 자료를 활용한 실습: “자기주도학습 검사”

4.1. 가상 시나리오

4.2. 모의 자료 생성 (R 코드)

4.3. jamovi에서의 분석 단계

5. 결론 및 제언

참고문헌

1. 확인적 요인분석(CFA)의 본질

1.1 공통 요인 모델 (Common Factor Model)

1.2 탐색적 요인분석(EFA) vs. 확인적 요인분석(CFA)

2. CFA의 주요 목적과 파라미터

2.1 왜 CFA를 하는가?

3. 실습을 위한 시나리오 및 모의 데이터 생성

🏫 연구 시나리오: “중학생의 학습 동기 구조 분석”

Jamovi 및 R 실습 코드

4. 모델 식별과 평가

4.1 모델 식별 (Identification)

5. 모델 수정 (Respecification)

6. 결론 및 요약

참고문헌

2) R 활용 (잠재 혼합 모델링 – `tidyLPA` 패키지 예시)