고정 헤더 영역
상세 컨텐츠
본문
공중보건학 회귀 공중보건학은 건강 문제의 원인을 찾고, 개입 효과를 검증하며, 사회 전체의 건강 수준을 향상시키는 것을 목표로 한다. 이 과정에서 가장 중요한 것은 정확한 자료 해석이다. 그러나 현실 세계의 데이터는 단순하지 않다. 수많은 요인이 복합적으로 작용하고 상호작용하며 시간에 따라 변화한다. 바로 이 복잡한 건강 현상을 분석하기 위한 핵심 도구가 회귀분석이다.
회귀분석은 변수 간의 관계를 수치화하고 예측 가능한 모델로 만드는 데 필수적이다.
변수 간 관계를 수치로 설명하는 힘
공중보건학에서는 다양한 변수들 예를 들어 소득, 운동량, 식습관, 환경 요인 등이 질병 발생률이나 건강 상태와 어떤 관계가 있는지 파악해야 한다. 이때 가장 먼저 활용되는 분석 기법이 바로 회귀분석이다. 회귀분석은 독립 변수(X)가 종속 변수(Y)에 어떤 영향을 미치는지를 분석하며 관계의 강도와 방향을 수치로 보여준다. 단순히 '관련이 있다'고 말하는 것보다 얼마나 영향을 주는지를 보여주는 것이 회귀분석의 가장 큰 장점이다.
| 인과 관계 추정 | 변수 간의 인과적 영향력 파악 |
| 예측 모델 구축 | 새로운 데이터에 대한 결과 예측 |
| 교란 변수 통제 | 여러 변수의 효과를 동시에 고려 가능 |
| 정책 효과 분석 | 개입 전후의 변화 분석 가능 |
| 위험요인 규명 | 질병 발생의 주요 요인을 도출 |
공중보건학 회귀 종류
공중보건학 회귀 회귀분석은 단일 형태가 아니라 분석 목적과 데이터 특성에 따라 다양한 형태로 나뉜다.
가장 기본이 되는 것이 단순 선형 회귀분석이며 이는 하나의 독립변수가 하나의 종속변수에 영향을 미치는 경우다.
그러나 공중보건학에서는 대부분의 경우 여러 변수들이 동시에 영향을 주기 때문에 다중 회귀분석이 더 자주 쓰인다.
또한 결과 변수가 범주형이면 로지스틱 회귀, 시간에 따른 생존 여부를 다룰 땐 생존 분석 회귀를 활용하게 된다.
| 단순 선형 회귀 | 독립변수가 1개 | 흡연량과 폐기능 점수의 관계 |
| 다중 회귀 | 독립변수가 여러 개 | 소득, 식습관, 운동이 비만에 미치는 영향 |
| 로지스틱 회귀 | 종속변수가 이항 (0,1) | 예방접종 여부 예측 |
| 포아송 회귀 | 사건 발생 횟수 데이터 | 지역별 감염병 신고 건수 |
| Cox 회귀 | 생존 시간 분석 | 암 환자의 생존 기간 예측 |
어떻게 해석할까
공중보건학 회귀 회귀분석의 핵심 출력값은 바로 회귀계수(β)이다. 회귀계수는 독립변수가 한 단위 증가할 때 종속변수가 얼마나 변하는지를 의미한다. 운동 시간의 회귀계수가 -0.8이라면, 하루 운동 시간이 1시간 늘어날 때 체지방률이 평균 0.8% 감소한다고 해석할 수 있다. 로지스틱 회귀에서는 오즈비(odds ratio)로 해석되며 1보다 크면 위험 증가, 작으면 위험 감소를 의미한다.
이처럼 회귀계수의 부호(양수/음수)와 크기를 정확히 해석하는 것이 결과의 핵심이다.
| 운동시간 | -0.8 | 운동 1시간 증가 → 체지방률 0.8% 감소 |
| 흡연량 | 1.2 | 하루 흡연량 1개비 증가 → 혈압 1.2 상승 |
| 식이섬유 섭취 | -0.5 | 섭취량 증가 → LDL 콜레스테롤 감소 |
| 음주 빈도 (로지스틱 회귀) | OR=1.8 | 음주자일 경우 질병 위험 1.8배 |
| 고혈압 유무 (이항변수) | 2.3 | 고혈압일 경우 심장질환 점수 2.3 증가 |
공중보건학 회귀 분석 예제
공중보건학 회귀 회귀분석은 공중보건 연구와 실무의 거의 모든 분야에서 사용된다. 특정 건강 캠페인의 효과를 분석할 때 개입 전후의 지표를 비교하거나 특정 지역의 감염병 증가 원인을 분석하는 데 회귀모형을 활용한다. 또한 국가 건강조사 자료(KNHANES 등)를 분석하여 위험요인을 도출할 때도 회귀분석은 기본이다. 정책 효과 분석, 취약계층의 건강 수준 예측, 환경 요인의 건강 영향 분석 등 거의 모든 공중보건 이슈에 회귀분석이 사용된다.
| 비만과 사회경제적 요인 | 다중 선형 회귀 | 소득 수준 낮을수록 BMI 높음 |
| 백신 접종률 영향 요인 | 로지스틱 회귀 | 교육 수준 높을수록 접종률 증가 |
| 미세먼지와 폐질환 | 다중 회귀 + 교호항 | 흡연자에게 미세먼지 영향 더 큼 |
| 금연 캠페인 효과 | 선형 회귀 (전후 비교) | 캠페인 후 금연율 12% 증가 |
| 지역별 자살률 분석 | 포아송 회귀 | 1인 가구 비율 증가 시 자살률 상승 |
공중보건학 회귀 선형 가정
공중보건학 회귀 모든 회귀모형은 일정한 통계적 가정 하에 성립된다. 이를 무시하면 분석 결과가 왜곡될 수 있다. 선형 회귀의 대표적 가정은 선형성, 독립성, 등분산성, 정규성이다. 예를 들어 잔차가 일정한 패턴을 보이거나 독립변수 간 다중공선성이 심할 경우
결과 해석에 주의가 필요하다. 공중보건 자료는 복잡한 특성을 지니기 때문에 회귀분석을 시행하기 전 진단 그래프나 모형 적합도 검정을 반드시 수행해야 한다. 이는 단순히 수치를 해석하는 것을 넘어 모델의 신뢰도를 확보하는 과정이다.
| 선형성 | 독립변수와 종속변수 간 관계가 직선 | 왜곡된 추정치 |
| 독립성 | 관측값 간 독립적 | 자기상관 발생 |
| 등분산성 | 잔차의 분산이 일정 | 가중치 조정 필요 |
| 정규성 | 잔차가 정규분포 | 신뢰구간 해석 제한 |
| 다중공선성 없음 | 독립변수 간 중복 낮아야 | 해석 불가능, 불안정 회귀계수 |
교호작용과 조절변수
현실에서는 변수 간 관계가 단순하지 않다. 어떤 변수의 효과가 다른 변수의 수준에 따라 달라질 수 있다.
이를 회귀모형에 반영하는 방법이 교호항(interaction term) 추가다. 예를 들어, 흡연이 폐기능에 미치는 영향을 분석할 때 성별에 따라 효과가 다르다면 ‘흡연×성별’이라는 교호항을 추가한다. 회귀모형은 조절효과나 매개효과를 고려한 다양한 확장이 가능하다. 공중보건의 복잡한 현실을 반영하기 위해서는 이러한 확장형 회귀모형이 필수적이다.
| 교호항 추가 | 변수 간 상호작용 반영 | 성별×운동량 → 비만 위험 |
| 조절변수 통제 | 혼란변수 제거 | 연령 통제 후 교육수준 효과 분석 |
| 비선형 모형 | 곡선 형태 관계 반영 | 나이와 질병 관계 (U자형) |
| 군집효과 반영 | 지역 단위 분석 시 계층 회귀 활용 | 시군구 단위 자살률 분석 |
| 시간 변수 포함 | 시계열 회귀, 패널 데이터 분석 | 팬데믹 전후 건강지표 변화 |
꼭 알아야 할 팁
회귀분석은 단순한 통계기법이 아니다. 어떻게 설계하고 어떤 변수를 포함하며 결과를 어떻게 해석하느냐에 따라 완전히 다른 결론이 나올 수 있다. 공중보건 연구에서 회귀분석을 잘하기 위해선 분석 이전 단계부터 데이터 전처리, 변수 선택, 상관관계 확인,
이상치 제거, 모델 진단까지 체계적인 과정이 필요하다. 특히 정책 제안과 같은 실무적 적용을 위해선 통계적 유의성뿐 아니라
실질적인 효과 크기(effect size), 정책 적용 가능성까지 고려해야 한다.
| 변수 선택 | 이론적 근거와 실무적 중요성 동시에 고려 |
| 전처리 | 결측치, 이상치 사전 처리로 신뢰도 향상 |
| 다중공선성 점검 | VIF 지표 활용해 변수 간 중복성 확인 |
| 표준화 회귀계수 | 변수 간 영향력 비교를 위한 필수 작업 |
| 해석 중심 | 단순 p-value보다 효과 크기 중심 해석 |
| 시각화 활용 | 회귀선, 잔차 플롯 등으로 해석 보조 |
공중보건학 회귀 공중보건학에서 회귀분석은 단순한 통계기법을 넘어 데이터를 기반으로 한 건강 전략을 수립하는데 필수적인 도구다. 질병의 원인을 찾고, 개입 효과를 검증하며, 취약 계층을 식별하고, 정책을 평가하는 모든 과정에 회귀분석이 관여한다.
하지만 중요한 것은 단순히 수치를 내는 것이 아니라 그 수치를 바탕으로 사회 전체의 건강을 어떻게 변화시킬 수 있느냐에 있다.
앞으로의 공중보건은 데이터 기반, 증거 기반으로 더욱 고도화될 것이다. 그 중심에는 언제나 회귀분석이 있을 것이다.
