In HRD research, quantitative research methodology is the dominant method used by scholars to explain and predict social phenomena. Testing mediating effects is especially popular in quantitative research because mediators are regarded as internal mechanisms underlying the effect of predictor variables on criterion variables. Recently, traditional methods for testing mediating effects are being criticized because they have been found to have major problems that can undermine the validity of research, and as an alternative method, approaches using bootstrapping is being proposed by an increasing number of scholars in various fields. In this study, the methods for testing mediating effects used in HRD research conducted between 2010∼2014 were reviewed, and it was found that traditional methods are still being used more widely in recent domestic studies than research that are published overseas. The strengths and weaknesses of traditional methods and alternative methods were reviewed in this study. In addition, practical guidelines for testing mediating effects using statistic softwares were elaborated for scholars within the field.
양적연구는 HRD를 비롯한 다양한 학문 분야에서 연구자들이 지배적으로 사용하는 연구방법론이다. 최근에 들어와서 특히 위계적선형모형(hierarchical linear model)이나 구조방정식모형(structural equation model) 등의 고급통계기법 활용이 보편화되면서 특정 현상을 설명하기 위해 더욱 많은 변인들을 포함한 연구모형을 사용하는 경향이 늘어나고 있다. 그런데 다양한 변인들 간의 인과관계를 규명하는 데 있어서 대표적으로 활용되는 접근법은 다른 변인들 간의 관계에 대해 매개효과(mediation effect)를 가지는 변인을 조사하는 것이다(Hayes, 2013). Baron과 Kenny(1986)에 의하면 매개변인(mediator)은 예측변인과 준거변인 간의 관계를 설명해 주는 변인으로 정의된다. 다시 말해서 매개변인은 두 변인 간의 관계에서 작용하는 내적기제(mechanism)에 해당하는 변인이기 때문에, 즉 다른 변인이 왜, 또는 어떻게 효과를 가지는지 설명을 하는 변인이기 때문에 다양한 분야의 연구자들은 매개효과를 가지는 변인을 탐색하기 위해 많은 시간과 노력을 할애하고 있다.
HRD 분야 역시 예외가 아니어서 변인의 매개효과에 대해 검증하는 연구를 쉽게 찾을 수 있다. 예를 들어, 배을규, 이민영, 장민영, 김정원(2014)은 중소기업 구성원의 프로티언 경력태도와 주관적 경력성공의 관계에 대하여 조직 구성원의 자기주도학습 능력이 유의한 매개효과를 가지는 것을 발견했고, 오석영(2013)의 연구에서는 조직 내 커뮤니케이션이 무형식학습 활동과 조직 혁신 간의 관계를 매개하는 것으로 나타났다. 이외에 이찬, 정보영, 이재은(2013)은 전이동기가 조직 학습지원과 교육훈련 전이 간의 관계를 유의하게 매개하는 것을 발견했다. 해외 연구의 예로는 직장에서의 심층학습이 변혁적 리더십과 조직구성원의 기술적 지식및 주관적 성과 간의 관계를 매개하는 것으로 나타난 Froehlich, Segers와 Van den Bossche(2014)의 연구, 긍정적 평가에 대한 목표 지향성이 핵심자기평가와 직무 스트레스 간의 관계를 매개하는 것으로 나타난 Morris, Messal과 Meriac(2013)의 연구, 그리고 커뮤니케이션 및 직장에서의 삶의 질이 360도 피드백과 직무성과 간의 관계를 매개하는 것으로 나타난 Rai & Singh(2013)의 연구 등을 들 수 있다.
HRD 분야에서 매개효과를 검증하는 연구가 필요하고 또한 실시되는 이유는 다음과 같이 생각해 볼 수 있다. 첫째, 소수 변인 간의 단순한 관계만으로는 조직 맥락 내에서의 복잡다단한 현상을 총체적으로 설명할 수 없기 때문이다. 조직 맥락 내에서 어떤 현상이 발생하는 데는 수많은 변인들이 작용을 하기 때문에 그 현상을 온전하게 설명하기 위해서는 다수의 변인들을 연구에 포함시킬 수밖에 없다. 그런데 사회과학 분야에서는 다수의 변인들 간에 직접적·간접적 인과관계가 존재할 가능성이 높고, 이 중에 간접적 관계를 설명해 주는 것이 곧 매개변인이므로 매개효과에 대해 검증하는 연구가 빈번하게 이루어진다. 둘째, HRD 연구의 핵심주제 중 하나는 조직 내에서 특정 개인·집단·조직의 특성이나 태도, 행동이 어떠한 인지·정서·동기 과정을 통해 다른 개인·집단·조직의 특성이나 태도, 행동에 영향을 미치는가이다. 여기서 결국 내적인 인지·정서·동기 과정을 조작적으로 정의한 변인이 매개변인이기 때문에 이에 대한 검증이 HRD 분야에서 자주 이루어질 수밖에 없다. 조직 내에서 리더의 특성이 어떤 인지적 과정을 통해서 집단 구성원의 학습 및 성과에 영향을 미치는지 조사한 Froehlich 외(2014)의 연구가 예가 될 수 있다. 셋째, HRD 실천 분야에서는 특정 개입(intervention)을 통해 개인·집단·조직에 변화를 가져오고자 한다. 그런데 그 개입이 실제로 의도한 변화를 야기했는지 조사하는 것도 필요하나, 어떤 과정을 거쳐서 변화가 발생했는지에 대해 이해하는 것도 중요하다. 왜냐하면 그 과정이 촉진되도록 개입을 개선하거나 다른 개입을 설계하고 개발하는 데 유용한 정보를 제공하기 때문이다. 360도 피드백이 어떤 과정에 의해 직무성과를 향상시키는지 조사한 Rai와 Singh(2013)의 연구가 예가 될 수 있다. 넷째, 경로분석이나 구조방정식모형과 같이 다수의 변인 간의 복잡한 관계를 검증할 수 있는 통계적 분석 방법이 HRD 연구자 사이에서 확산됨에 따라 이전에 비해 매개효과를 검증하기가 더 용이해졌다. 상관관계분석이나 회귀분석의 사용이 지배적이었던 시기에는 두 변인 간의 단순한 관계만 검증하거나 분석을 반복적으로 실시해야만 서로 다른 변인 간의 관계를 검증할 수 있었다. 그러나 고급 통계분석 방법이 HRD 연구자들 사이에 보편화됨으로써 더 간소한 절차로 매개효과를 검증할 수 있게 되었다.
그런데 주목할 것은 최근에 다양한 학문 분야에서 매개효과를 검증하는 방법을 바꾸고자 하 는 움직임이 발견된다는 것이다(e.g., Hayes, 2009; Krause et al., 2010; Mallinckrodt, Abraham, Wei, & Russell, 2006; Zhao, Lynch, Jr., & Chen, 2010). 이와 같은 현상이 나타나고 있는 원인은 그동안 전통적으로 사용되어 왔던 방법인 Baron과 Kenny(1986)의 접근법이나 Sobel test(Sobel, 1982)에 오류가 있다는 것이 발견되면서 대안적인 방법으로 부트스트래핑(bootstrapping) 등을 활용한 접근법이 주목을 받고 있기 때문이다. 사실 매개효과를 검증하는 방법으로 부트스트래핑이 제안된 것은 최근의 일이 아니다. 예로서 Bollen과 Stein(1990)은 90년대 초부터 선구적 연구를 통해 부트스트래핑이 매개효과를 검증하는 데 사용될 수 있음을 보여줬다. 그러나 오늘날에 와서 점차 학자들 사이에 이 접근법이 보급되고 있는 이유는 AMOS, SPSS, SAS 등 널리 사용되는 통계패키지의 발전으로 인해 부트스트래핑을 실행하는 절차가 간소화되었기 때문이다.
이러한 배경에서 본 연구는 최근에 출판된 국내외의 HRD 연구에 대한 고찰을 통해 HRD분야에서 지배적으로 사용하고 있는 매개효과 검증 방법에 대해 조사하였다. 기존의 전통적 접근법이 통계적 오류를 보일 가능성이 높다는 것이 발견됨에 따라 어떤 매개효과 검증 방법을 사용하는가에 따라 연구의 분석결과의 타당도가 좌우되기 때문에 본 연구는 의의를 가진다고 할 수 있다. 문헌에 대한 고찰과 더불어 전통적 접근법이 구체적으로 어떤 문제점을 가지고 있는지, 그리고 왜 부트스트래핑의 방법이 대안적 접근법으로 대두되고 있는지 살펴보고, 마지막으로 통계패키지를 통해 실제로 매개효과 검증을 실시하는 방법을 탐색함으로써 HRD분야 내에서 더욱 정확한 매개효과 검증방법의 활용이 보편화되는 데 기여하고자 시도했다.
본 장에서는 국내외 HRD 문헌에서 사용되고 있는 매개효과 검증방법을 파악하기에 앞서 우선 매개효과 검증에 대한 선행연구를 분석함으로써 어떤 접근법들이 전통적으로 사용되었는지, 그리고 각 접근법이 가지고 있는 문제점이나 제약 혹은 강점이 무엇인지 살펴보았다.
매개변인과 조절변인의 정의를 명료화하고, 매개효과와 조절효과를 검증하는 방법을 상세히 밝힌 Baron과 Kenny(1986)의 연구는 지금까지 45,000번 이상 인용되었을 정도로 영향력이 큰 논문이다. 이 논문에서 Baron과 Kenny(1986)는 독립변인과 종속변인 사이의 관계를 설명해 주는 변인을 매개변인이라고 정의하고, 어떤 변인이 매개변인으로 판단되기 위해서는 다음 세 가지 조건이 성립해야 한다고 주장했다.
첫째 조건은 독립변인이 매개변인에 유의한 영향(그림 1의 a)을 미쳐야 한다는 것이고, 둘째 조건은 매개변인이 종속변인에 유의한 영향(그림 1의 b)을 미쳐야 한다는 것이다. 마지막으로 셋째 조건은 종속변인에 대해 유의한 영향(그림 1의 c)을 미쳤던 독립변인이 매개변인이 종속변인에 미치는 영향(그림 1의 b)과 독립변인이 매개변인에 미치는 영향(그림 1의 a)을 통제한 후에는 종속변인에 유의한 영향을 미치지 못하는 것으로 나타나야 한다는 것이다.
Baron과 Kenny(1986)의 논문이 큰 영향력을 미친 이유 중 하나는 실제로 어떻게 매개효과를 검증할 수 있는지 자세히 규명하였기 때문이다. 그들은 앞에서 살펴본 매개효과의 세 가지 조건이 성립되는지 검증하기 위해서 회귀분석을 세 번에 걸쳐 실시하는 방법을 제안했다. 구체적으로 [그림 1]에서 X가 독립변인, Y가 종속변인, M이 매개변인이라고 한다면 M을 준거 변인으로, 그리고 X를 예측변인으로 설정해서 회귀분석을 실시했을 때 우선 X의 회귀계수(그림 1의 a)가 통계적으로 유의해야 하고, 둘째로 Y를 준거변인으로, X를 예측변인으로 설정하여 회귀분석을 실시했을 때 X의 회귀계수(그림 1에서 c)가 통계적으로 유의해야 한다. 그리고 셋째로 Y를 종속변인으로, X와 M을 독립변인으로 설정하여 회귀분석을 실시했을 때 우선 M의 회귀계수(그림 1의 b)가 유의해야 하고, X의 회귀계수(그림 1의 c')의 절대값이 첫째 회귀식에서의 X의 회귀계수(그림 1의 c)의 절대값보다 작아야 한다. 여기서 c'가 통계적으로 유의하지 않으면 M은 완전매개 효과를 가지는 것으로 결론을 내리고, c'가 통계적으로 유의하면 M은 부분매개 효과를 가지는 것으로 결론을 내릴 수 있다고 Baron과 Kenny(1986)는 주장했다.
직관적으로 이해하기 쉽다는 점도 Baron과 Kenny(1986)의 방법이 보편적으로 사용되는 데 큰 역할을 했다. 그러나 이 접근법은 최근에 다음과 같은 심각한 문제점이 있다는 것이 발견되었다. 첫째, 이 방법은 매개효과의 크기를 산출하여 그 크기가 유의한지 통계적인 추론을 통해 직접 검증하는 것이 아니라, 매개효과의 크기가 아닌 다른 수치들을 산출하여 통계적으로 유의한지 차례로 검증함으로써 간접적으로 매개효과에 대한 결론을 내린다는 것이다(Hayes, 2013). 그러나 이것은 통계를 통한 일반적인 검증 방법이라고 할 수 없다. 예를 들어, 우리는 두 집단의 평균의 차이나 한 변인이 다른 변인에 미치는 효과가 유의한지 검증하고자 할 때 평균의 차이나 효과의 크기를 직접 산출하여 그 값이 통계적으로 유의한지 검증하는 방법을 사용하지, 다른 값들을 산출한 후 간접적으로 논리적인 추론을 통해 검증하지는 않는다. 둘째, 이 방법은 세 개의 영가설을 차례로 검증해서 매개효과에 대한 결론을 내리기 때문에 그만큼 오류를 저지를 가능성이 높다. 어떤 가설에 대한 검증을 실시할 때는 오류를 저지를 가능성이 항상 존재한다. 따라서 검증해야 하는 가설의 수가 많으면 많을수록 오류가 나타날 확률은 더높아질 수밖에 없다. 실제로 다수의 시뮬레이션 연구에서 Baron과 Kenny의 접근법은 다른 방법에 비해 통계적 검증력이 약하다는 사실이 밝혀졌다(e.g., Fritz & MacKinnon, 2007; Mackinnon, Lockwood, & Williams, 2004; Hayes & Schaarkow, 2013). 셋째, 독립변인이 종속변인에 유의한 영향을 미쳐야 매개효과를 검증할 수 있다는 Baron & Kenny(1986)의 가정이 사실이 아니라는 것이다. 직관적으로는 어떤 변인이 다른 두 변인 사이의 관계를 매개하기 위해서는 우선 그 두 변인이 유의한 관계가 있어야 한다고 생각할 수 있다. 그러나 이 생각이 옳지 않다는 방향으로 학자들의 견해가 점차 수렴되고 있다. 예를 들어, X와 Y 사이의 관계를 매개하는 변인 M1, M2가 있는데, M1을 통한 매개효과는 정적이고 M2를 통한 매개효과는 부적이라면 결국 두 효과가 서로를 상쇄하여 Y에 대한 X의 전체 효과는 유의하지 않은것으로 나타날 수 있다(Hayes, 2013). 이외에도 X와 Y 사이의 관계를 조절하는 변인이 있다면 특정 집단에서는 X와 Y의 관계가 유의하게 나타날 수 있으나, 다른 집단에서는 유의하지 않은 것으로 나타날 수 있다. 여기서 중요한 것은 Baron과 Kenny(1986)의 매개효과 검증 방법이 통계적으로 덜 엄밀한 것이 아니라 정확하지 않은 방법이라는 것이다. 따라서 연구 결과의 타당도 측면에서 보았을 때 이 접근법은 피하는 것이 바람직하다고 할 수 있다.
Baron과 Kenny(1986)의 접근법 외에 매개효과를 검증하는 데 널리 사용되는 방법 중 하나는 Sobel test이다. 본 연구에서 문헌을 고찰한 결과, Baron과 Kenny의 접근법을 사용해서 매개효과가 유의한 것으로 나타났을 때 그 결과를 재확인하는 과정으로 Sobel test를 사용하는 사례들이 다수 발견되었다. 그러나 앞에서 보았듯이, Baron과 Kenny의 접근법은 정확하지 않은 방법이므로 Sobel test와 함께 사용될 근거가 없다고 할 수 있다. 오히려 Sobel test는 간접적으로 매개효과를 검증하는 것이 아니라 직접적으로 그 효과의 크기를 산출하여 검증한다는 점에서 Baron과 Kenny의 방법보다는 진일보한 방법이라고 볼 수 있다. 구체적으로 Sobel test는 [그림 1]에서 c와 c'의 크기를 비교하는 것이 아니라, 매개효과의 크기인 a × b를 산출하고, 분포 상에서의 표준오차로 그 값을 나눔으로써 영가설을 검증한다(Sobel, 1982). Sobel test에서 표준오차를 구할 때 사용하는 공식은 다음과 같다(Baron & Kenny, 1986; Sobel, 1982).
위 공식은 [그림 1]에서 a와 b의 추정치 및 표준오차를 산출하면 쉽게 활용할 수 있으며, 표본의 크기가 클 때에는 위 두 개의 공식 모두 거의 동일한 값을 산출하는 것으로 알려져 있다(MacKinnon, Warsi, & Dwyer, 1995). 비교적 간단하게 매개효과를 검증할 수 있는 방법이기 때문에 Sobel test는 연구자들에 의해 자주 사용되어 왔다. 그러나 이 검증 방법 또한 중요한 결함을 가지고 있는 것으로 발견되었다. Sobel test는 매개효과의 유의도를 검증할 때 그 값(즉 ab의 값)의 표본분포가 정상분포(z분포)를 이룬다는 가정을 하고 있는데, 여러 연구에서 밝혀졌듯이 매개효과의 분포는 정상분포가 아니라 대개 편포를 보이는 경향이 있다(e.g., Bollen & Stein, 1990; Preacher & Hayes, 2004; Shrout & Bolger, 2002). 즉, a와 b가 각각 정상분포를 보이더라도 ab의 표본분포는 a와 b의 부호가 같은 경우에는 정적 편포를, a와b의 부호가 서로 다른 경우에는 부적편포를 보이는 경향이 있으며, 이러한 경향은 표본의 크기가 작을수록 더 두드러지게 나타난다. 매개효과가 정상분포라고 가정하는 경우 영가설의 가정 하에 95% 신뢰구간 내에 0이 위치하게 될 가능성이 편포보다 높아지므로 Sobel test는 통계적 검증력이 떨어지는 경우가 많다. 즉 실제로는 매개효과가 유의하더라도 유의하지 않다고 결론을 내릴 가능성이 높아진다. [그림 2]에 매개효과가 편포를 보이는 사례가 제시되어 있다.
앞에서 살펴보았듯이, Sobel test의 경우에는 매개효과의 표본분포가 정상분포를 이룬다는 가정을 함으로써 유의한 매개효과를 제대로 포착하지 못하는 것이 주요 약점이다. 그런데 이러한 약점을 극복할 수 있는 방법으로 부트스트래핑(bootstrapping)이 최근에 와서 점차 연구자들 사이에 보편화되고 있다. 부트스트래핑은 효과 크기의 추정이나 가설 검증을 위한 비모수적 접근법으로 변인의 분포나 추정치의 표본분포에 대해서 어떤 가정도 하지 않는다는 점에서 매개효과를 검증하는 데 강점을 가지고 있다(Efron & Tibshirani, 1993; Preacher & Hayes, 2004).
부트스트래핑에서는 표본을 축소된 모집단처럼 간주하여 이 표본과 같은 크기의 표본을 반복적으로 추출한 후, 추출된 표본들로부터 추정치의 평균을 계산하고 추정치의 표준편차를 계산하여 표준오차를 산출한다(Shrout & Bolger, 2002). 그런데 이 때 원래 표본의 한 측정치는 추출되는 부트스트랩 표본에서는 2회 이상 포함될 수 있다. 예를 들어, 원래의 표본이 (71, 72, 73, 74, 75)라고 하면 (71, 71, 72, 73, 73), (72, 73, 73, 74, 75), (72, 72, 73, 73, 74), (71, 71, 71, 71, 75) 등과 같은 부트스트랩 표본이 추출될 수 있는 것이다. 실제로는 표본의 크기가 20 이상이 될 때 부트스트래핑을 사용하는 것이 타당한 것으로 연구를 통해 밝혀졌다(Polansky, 1999). 부트스트래핑을 통해서 1000개의 표본을 추출한다면 모든 표본의 평균을 통해 ab의 크기가 추정되고, 1000개의 ab 추정치의 표준편차를 계산하여 표준오차를 추정하게 된다. 매개효과의 유의도는 ab의 표집분포에서 95%(혹은 99%) 신뢰구간 내에 0이 포함되어 있는지 아닌지로 판단을 한다. 만일 신뢰구간 내에 0이 포함되어 있지 않으면 p=.05(혹은 .01) 수준에서 매개효과가 0과 다르다고 볼 수 있기 때문에 유의한 것으로 판정한다.
신뢰구간을 계산하는 데 사용되는 대표적인 방법으로 percentile과 bias-corrected 방법이 있다. Percentile의 방법은 예를 들어 1000개의 표본에서 각각 ab의 평균을 산출하여 올림차순으로 정렬한다면 25위에 해당하는 수치가 95% 신뢰구간의 하한(lower limit), 975위에 해당하는 수치가 95% 신뢰구간의 상한(upper limit)이 되는 접근법이다. Bias-corrected 접근법은 부트스트랩 추정치 분포의 비대칭성을 더욱 엄밀하게 반영해서 신뢰구간의 상한과 하한을 결정한다(Efron & Tibishirani, 1993). 따라서 추정치의 표본분포가 편포를 이룰 때는 bias-corrected의 방법이 더 정확한 결과를 얻을 수 있다. 부트스트래핑 결과를 보고할 때는 매개효과의 추정치 및 표준오차와 부트스트랩 표본 수, 신뢰구간 설정 방법, 신뢰구간의 상한과 하한을 함께 제시하는 것이 바람직하다.
사실 매개효과를 부트스트래핑으로 검증하는 방법은 이미 1990년대부터 일부 학자들에 의해 소개되어 왔다(Bolen & Stein, 1990). 그럼에도 불구하고 그동안 널리 활용되지 않은 것은 컴퓨터에 의존하지 않고 실행하기가 사실상 힘들었고, 설령 컴퓨터를 사용하더라도 복잡한 절차에 의해 프로그래밍을 해야 되었기 때문에 전문가가 아닌 이상 적용하는 데 제약이 있었기 때문이다. 그러나 최근에 와서 컴퓨터 소프트웨어의 발전으로 부트스트래핑을 사용하는 절차가 간소화됨으로써 점차 다양한 학문분야에서 널리 보급되고 있다.
구조방정식모형(SEM)을 사용하여 매개모형을 검증한 논문 중에는 부트스트래핑을 실행하지 않은 상태에서 통계 패키지의 효과 분해(effect decomposition) 기능을 사용한 연구들을 찾아볼 수 있다. 예를 들어, LISREL과 같은 통계패키지에서는 효과 분해를 통해 특정 변인의 직접 효과와 간접 효과를 구분하고 그 효과의 표준오차와 함께 유의도가 제시된다. 이 기능을 사용하는 것은 비교적 간단하기 때문에 연구자들이 선호하는 경향이 있다. 그러나 이 방법은 Sobel test에 준하는 방법으로, 결국 매개효과가 정상분포를 이룬다고 가정하기 때문에 오류를 범할 가능성이 높다. 실제로 매개변인이 한 개인 경우 LISREL에서 제시하는 간접효과의 표준오차가 Sobel test의 표준오차 계산 공식을 통해 산출되는 수치를 반올림한 값과 일치하는 것을 발견할 수 있다(Kline, 2011). 따라서 이러한 접근 역시 매개효과를 검증하는 데 권장할만한 방법이 아니다.
사실 대부분의 구조방정식모형 통계 패키지에서는 부트스트래핑 기능을 탑재하고 있다. 예를 들어, AMOS 같은 경우에는 효과분해를 실시하더라도 간접효과의 측정오차와 유의도가 제시되지는 않으나, 부트스트래핑 기능을 활성화하여 분석을 실시하면 결과에서 간접효과의 추정치 및 측정오차와 신뢰구간의 상한 및 하한이 제시된다. 다만 구조방정식모형 통계패키지중에 매개변인이 두 개 이상인 경우 각 매개변인을 통한 간접효과가 아니라 준거변인에 대한 예측변인의 총 간접효과(total indirect effect)만 추정하는 사례가 있는데, 이와 같은 경우에는 팬텀 변인(phantom variable)을 사용하여 각 매개변인을 통한 간접효과의 유의도를 검증할 수 있다(홍세희, 2009). 본 연구의 뒷부분에서 이 방법에 대해 더 자세히 살펴볼 것이다.
마지막으로 소개할 방법은 구조방정식 모형을 통해 매개효과를 검증할 때 준거변인에 대한 예측변인의 직접 효과를 포함한 모형과 직접효과를 포함하지 않은 모형, 즉 예측변인이 준거변인에 직접적인 영향도 미치는 모형과 예측변인이 매개변인을 통해서만 준거변인에 영향을 미치는 모형의 model chi-square 수치를 추정하여 비교하는 접근법이다. 이 경우, 예측변인의 간접효과만 포함한 모형의 chi-square 추정치가 직접효과까지 포함한 모형의 추정치에 비해서 유의하게 높아지지 않으면, 즉 모형의 적합도가 더 유의하게 나빠지지 않으면 간접효과만 포함한 모형을 최종으로 택하여 매개변인이 완전매개효과가 있다고 판정을 내리고, 모형의 적합도가 유의하게 나빠지는 경우에는 직접효과도 포함한 모형을 택하여 부분매개효과가 있다고 결론을 내린다. 그러나 이 방법을 사용하면 직접적으로 매개효과의 크기를 추정하여 유의도를 검증할 수 없으며, 완전매개모형과 부분매개모형 중 어떤 모형이 더 데이터를 잘 설명해 주는지에 대한 판정만 가능하다. 그런데 실제로 완전매개효과가 나타났다고 해서 특정 매개변인이 준거변인에 대한 예측변인의 효과를 완전하게 설명해 준다고 결론을 내릴 수 있는지에 대해서는 이론의 여지가 있다. 실제로 유의한 매개효과가 있음에도 불구하고 연구모형에는 포함되지않은 매개변인이 존재할 가능성이 얼마든지 있기 때문이다(Hayes, 2013). 그러나 이러한 논쟁과 별도로 model chi-square를 사용한 경우에도 부트스트래핑과 같이 매개효과의 유의도를 통계적으로 직접 검증하는 방법을 활용해야 한다.
본 연구에서는 최근의 국내외 HRD 연구 중 매개효과를 분석한 연구를 검색하고, 이 연구들은 주로 어떤 검증방법을 사용했는지 고찰하였다. 이를 위해 구체적으로 사용한 연구 방법과 결과를 제시하고, 이 결과가 가지는 시사점에 대해서 간략하게 논의하도록 하겠다.
본 연구에서는 분석의 대상이 될 HRD 연구를 선정하는 데 있어서 우선 HRD 관련 학회지에 게재된 연구 논문으로 제한을 하였다. 이렇게 제한을 한 이유는 연구자들의 심사를 거쳐서 어느 정도 질이 보장된 연구를 대상으로 고찰을 실시하기 위해서이다. 학회지를 선정하는 데 있어서는 국내외의 저명한 학회에서 발간되는 저널을 택했는데, 구체적으로 미국의 AHRD(Academy of Human Resource Development)에서 발간되는 "Human Resource Development Quarterly"와 "Human Resource Development International", 그리고 국내에서는 한국인력개발학회에서 발간하는 "HRD연구"와 기업교육학회에서 발간하는 "기업교육연구"에게재된 논문들을 연구 대상에 포함시켰다. AHRD에서 발간되는 학회지 중 "Human Resource Development Review"와 "Advances in Developing Human Resources"를 제외한 이유는 대체로 이론에 대한 문헌고찰 연구나 특정 연구주제를 다룬 연구에 한정해서 논문을 게재하는 경향이 있기 때문이다. 그리고 국내에서도 앞의 두 개의 학회지 외에 HRD 관련 연구를 게재하는 학회지를 다양하게 찾아볼 수 있으나, HRD 분야 외의 다른 분야의 논문이 함께 게재되는 경우에는 분석 대상에서 제외하였다.
매개효과를 검증하는 연구를 추적하기 위해서 우선 2010∼2014년에 게재된 논문 중에 1차적으로 국내의 논문 중에서는 “매개효과”, “간접효과”, “매개변인”, “구조적 관계” 등의 용어가 제목 혹은 키워드에 포함된 연구를 검색하였고, 해외의 논문에서는 "mediation/mediating effect", "indirect effect", "mediator" 등의 용어가 제목이나 키워드에 포함된 연구들을 탐색하였다. 그리고 2차적으로 “연구방법(methods)”에서 회귀분석이나 구조방정식모형의 통계분석 방법을 사용했다고 보고한 연구들을 검색한 후에 연구가설 및 연구모형, 그리고 “연구결과(Results)”의 내용을 직접 확인함으로써 매개효과를 검증한 논문들을 가려내고 매개효과 검증방법을 파악하였다. 이 때 매개효과 검증에 대한 연구가설은 포함되어 있지 않으나, 연구 결과나 결론에 매개효과의 유무에 대해 언급을 한 논문의 경우에는 고찰 대상에 포함시켰고, 연구모형에는 매개변인의 역할을 할 수 있는 변인이 포함되어 있으나 연구가설이나 연구 결과 및 결론에 매개효과에 대한 언급이 없는 논문의 경우에는 고찰 대상에서 제외하였다. 2010년 이후에 게재된 논문으로 연구 대상을 한정한 이유는 이 기간에 통계패키지를 통하여 부트스트래핑을 실행하는 절차가 간소화됨에 따라 다양한 분야에서 보편적으로 부트스트래핑의 접근법이 사용되기 시작했기 때문이다(Hayes, 2009, 2013; Krause et al., 2010; Zhao et al., 2010).
매개효과 검증 방법은 선행연구를 바탕으로 크게 Baron과 Kenny의 방법과 SEM에서 model chi-square 추정치를 통해 model fit을 비교하는 방법, 매개효과의 정상분포를 가정하는 Sobel test나 SEM 통계패키지의 효과분해 기능을 사용하는 방법, 부트스트래핑을 활용하는 방법으로 구분하였다. 두 개 이상의 방법을 사용한 논문의 경우에는 그 중 통계적으로 더 엄밀한 방법을 사용한 것으로 분류했다. 예를 들어, Baron과 Kenny의 방법과 Sobel test를 동시에 사용한 경우에는 Sobel test를 사용한 연구로, SEM에서 model fit 비교와 효과분해 기능을 사용한 경우에는 효과분해 기능을 사용한 연구로, Sobel test와 부트스트래핑을 사용한 경우에는 부트스트래핑을 사용한 연구로 분류했다. 그리고 부트스트래핑을 사용한 연구의 경우에는 추정된 신뢰구간을 함께 제시하고 있는지 추가적으로 확인하였다.
본 연구에서 분석의 대상이 된 매개효과 검증연구는 총 77개였으며, 이 중 국내연구는 52개, 해외 연구는 25개였다. 통계분석 방법과 매개효과 검증 방법에 따라 논문을 분류한 분석 결과는 <표 1>과 같다. SEM을 사용한 연구에서 Baron과 Kenny의 방법을 활용한 논문은 경로계수의 유의도만으로 매개효과를 검증한 것을 의미하고, Sobel test를 사용한 논문과 부트스트래핑 기능을 설정하지 않은 상태에서 통계 패키지의 효과분해 기능을 사용한 논문은 둘 다 매개효과의 정상분포를 가정하는 접근이기 때문에 동일한 범주로 분류되었다.
[<표 1>] 2010∼2014년에 게재된 국내외 HRD 논문의 매개효과 검증방법
2010∼2014년에 게재된 국내외 HRD 논문의 매개효과 검증방법
<표 1>에서 볼 수 있듯이, 국내 연구의 경우에는 Baron과 Kenny의 방법을 사용한 논문이 총 13개로 전체의 25.0%를 차지했고, SEM에서 model fit 비교를 사용한 논문이 총 6개로 전체의 11.5%에 해당했으며, Sobel test나 SEM 통계패키지의 효과분해 기능을 사용한 논문은 총 25개로 전체의 48.1%를 차지했다. 반면에 해외 연구에서는 Baron과 Kenny의 방법을 사용한 논문이 총 5개로 전체의 20.0%를 차지했고, SEM에서 model fit 비교를 사용한 논문이 총3개로 전체의 12.0%에 해당했으며, Sobel test나 SEM 통계패키지의 효과분해 기능을 사용한 논문은 총 9개로 전체의 36.0%를 차지했다.
그러나 앞에서 언급했듯이, Baron과 Kenny의 방법이나 SEM의 model fit 비교는 직접적으로 매개효과의 크기를 산출하고 통계적으로 유의도를 검증하는 방법이라고 할 수가 없고, Sobel test나 SEM 통계패키지의 효과분해 기능은 매개효과가 정상분포를 이루고 있다는 잘못된 가정을 바탕으로 표준오차와 신뢰구간을 추정하기 때문에 더 이상 사용하지 않는 것이 바람직하다는 방향으로 학자들의 의견이 수렴되고 있다. 이렇게 본다면 결국 통계적 오류를 범할 가능성이 높은 전통적 접근법을 사용한 논문의 수는 국내의 경우 총 44개로 전체의 84.6%에 해당하고, 해외의 경우는 총 17개로 전체의 68.0%를 차지한다는 사실을 발견할 수 있다.
반면, 기존의 접근법에 대한 대안으로 점차 보급되고 있는 부트스트래핑을 사용한 논문은 국내의 경우 총 8개로 전체의 15.3%에 해당했고, 해외 논문의 경우는 총 8개로 전체의 32.0%를 차지했다. 이 결과는 해외의 HRD 연구에 비해 국내의 HRD 연구에서는 매개효과 검증 방법으로서 부트스트래핑의 접근법이 아직 보편화되지 않았음을 보여준다.
한편, 부트스트래핑을 사용한 연구 중에 신뢰구간의 상한과 하한을 제시한 논문 수를 비교해 보면 국내의 경우에는 8개 중에 2개(전체 논문의 3.8%)에 불과한 것으로 나타났고, 해외의 경우에는 8개 중에 5개(전체 논문의 20.0%)인 것으로 나타났다. 이미 언급했듯이, 부트스트래핑에서 매개효과의 유의도는 추정된 신뢰구간 내에 0이 위치하는지의 여부에 따라 판정되기 때문에 원칙적으로 신뢰구간의 설정 방법 및 신뢰구간의 상한과 하한을 함께 제시해야 한다. 따라서 국내 연구의 경우 부트스트래핑을 사용한 논문이더라도 대부분 분석 결과를 제대로 제시하지 못하고 있다는 사실을 알 수 있다.
본 연구의 분석 결과는 HRD 분야에서 부트스트래핑의 활용 방법 및 결과 보고 방법에 대한 이해가 제고되어야 함을 시사한다. 따라서 다음 장에서는 다수의 연구자가 사용하는 통계패키지를 활용하여 실제로 부트스트래핑을 통해 매개효과를 검증하는 방법에 대해 살펴보도록 하겠다.
이미 언급했듯이, 최근의 통계 패키지들은 대부분 부트스트래핑 기능을 탑재하고 있기 때문에 이를 통해 매개효과 검증을 하는 것이 훨씬 수월하게 되었다. 여기서는 가장 대중적으로 사용되고 있는 통계 패키지인 SPSS, SAS와 AMOS 등을 사용하여 부트스트래핑을 실시하는 방법을 살펴보도록 하겠다.
1. PROCESS 매크로를 사용하여 매개효과 검증하기
미국 오하이오주립대학교의 심리학과 교수인 Andrew Hayes는 매개효과와 조절효과에 대해 집중적으로 연구하고 있는 대표적 학자로, 부트스트래핑을 사용한 매개효과 검증 방법을 대중화하기 위해 노력하고 있다. Hayes는 10년 전에 이미 SPSS와 SAS에서 Sobel test와 부트스트래핑을 사용할 수 있는 매크로(macro)를 개발했으며(Preacher & Hayes, 2004), 최근에 와서는 매개효과 및 조절효과를 검증할 수 있는 PROCESS라는 이름의 매크로 세트를 개발하여 무료로 보급하고 있다(Hayes, 2013). (다음 웹사이트 주소로 들어가면 매크로 세트를 다운로드 받을 수 있으며 자세한 설치 및 사용 방법에 대한 안내를 받을 수 있다 http://www.afhayes.com/introduction-to-mediation-moderation-and-conditional-processanalysis.html)
SPSS 18.0에서 PROCESS를 설치한 후 회귀분석에 들어가 실행한 화면은 [그림 4]와 같다. [그림 4]에서 볼 수 있듯이, PROCESS에서는 부트스트랩 표본 수(일반적으로 5,000개 이상이면 충분하다)와 신뢰구간 추정 방법, 모형번호(model number)를 지정할 수 있는데, 4번 모형은 매개변인이 한 개이거나 두 개 이상이면서 서로 인과관계가 없는 경우에, 6번 모형은 매개변인이 두 개 이상이면서 서로 인과관계가 있는 경우에 사용된다(Hayes, 2013). 분석을 실시하면 매개효과의 추정치와 표준오차, 신뢰구간 상한과 하한이 제시된다. PROCESS의 장점은 간접효과를 변인별로 모두 분해하기 때문에 각 변인의 매개효과를 개별적으로 검증할 수 있다는 것이다.
2. 구조방정식모형 패키지를 사용하여 매개효과 검증하기
AMOS, LISREL, Mplus, Mx 등 대부분의 구조방정식 모형 패키지는 부트스트랩 기능이 탑재되어 있다. 그런데 이미 언급했듯이, 부트스트랩 기능을 실행하지 않고 단순히 효과 분해 기능을 사용하여 간접효과의 유의도를 검증하면 Sobel test와 마찬가지로 매개효과가 정상분포를 이룬다고 가정하는 오류를 범할 수 있다. 따라서 부트스트랩 기능을 실행하여 그 결과에 해당하는 추정치를 확인하는 것이 중요하다.
GUI의 편리성으로 많은 연구자들이 활용하는 AMOS(v. 18.0) 패키지의 경우, 부트스트래핑 기능을 실행하는 화면은 [그림 5]와 같다. [그림 5]에서 볼 수 있듯이, (직접·간접 효과 분해기능을 활성화한 상태에서) 부트스트랩 표본 수, 신뢰구간 설정 방법과 신뢰수준을 지정하여 분석을 실행하면 간접효과의 추정치와 표준오차, 신뢰구간 상한(Upper Bounds)과 하한(Lower Bounds)이 분석 결과에 제시된다.
AMOS에서는 [그림 6]의 모형 A와 같이 매개변인이 두 개 이상인 경우, y에 대한 x의 총간접효과(total indirect effect)만 제시되고 m1과 m2의 개별적인 간접효과를 검증할 수 없다는 문제점이 있다. 이 경우에는 팬텀 변인(phantom variable)을 사용하여 수학적으로 동치인 모형(모형 B)을 만들어 각 변인의 매개효과를 검증하는 방법이 있다(홍세희, 2009).
[그림 6]의 모형 B에서 잠재변인 F1과 F2가 연구자에 의해 인위적으로 삽입된 팬텀변인에 해당된다. 각 변인의 잔차 D1과 D2의 경로계수가 .569와 .530으로 각각 제약되어 있는 것을 살펴볼 수 있는데, 이 수치들은 모형 A에서 최대우도법(Maximum likelihood Estimation)을 통해 "m1 → y"와 "m2 → y"의 경로계수를 추정하여 각각 산출된 값이다. 이 수치들을 모형 B에대입하여 [그림 6]과 같이 경로를 제약한 후에 "x → F1"의 경로계수와 "x → F2"의 경로계수를 부트스트래핑을 통해 추정하면 이 두 수치는 각각 모형 A에서 m1의 매개효과 크기와 m2의 매개효과 크기와 일치하게 되고, 각 추정치의 유의도와 신뢰구간의 상한 및 하한에 대한 분석 결과를 토대로 개별적인 매개효과의 유의도를 검증할 수 있다. 이외에 매개변인이 세 개 이상일 때 팬텀 변인을 사용하여 개별적인 매개효과를 검증하는 방법은 Cheng(2007)이나 Macho와 Ledermann(2011) 등의 연구에서 상세히 다루고 있다.
본 연구에서는 최근의 국내외 HRD 연구에서 사용되고 있는 매개효과 검증방법을 고찰하였고, 특히 국내의 연구에서는 통계적 오류를 범할 가능성이 높은 전통적인 접근법인 Baron과 Kenny의 방법이나 Sobel test 등이 여전히 보편적으로 사용되고 있음을 발견했다. 그런데 이와 같은 방법들은 연구 결과의 타당도를 저하시킬 수 있기 때문에 더 이상 사용하지 않는 것이 바람직하다는 것이 선행 연구에 대한 고찰 결과 밝혀졌다. 그 근거로서 Baron과 Kenny가 가정한 것과는 달리 예측 변인과 준거 변인 간의 관계가 통계적으로 유의하지 않아도 그 관계를 유의하게 매개하는 변인이 있을 수 있다는 사실이 발견되었으며, 경우에 따라서는 어떤 변인이 예측변인이나 준거변인과 통계적으로 유의한 관계가 없더라도 그 두 변인 간의 관계를 유의하게 매개할 수 있다는 사실도 알려지게 되었다(Hayes, 2013). 따라서 매개효과를 검증하는 데 있어서 더 신중한 접근이 요구된다고 할 수 있다.
현재까지는 전통적인 매개효과 검증방법의 대안으로서 부트스트래핑의 접근법이 통계적으로엄밀하고 검증력도 강하다는 것이 많은 전문가들의 공통된 의견인데(e.g., MacKinnon et al., 1995, 2004; Preacher & Hayes, 2004; Hayes, 2013), 통계패키지의 발전으로 이제는 누구나 수월하게 부트스트래핑을 실행할 수 있기 때문에 더 이상 전통적인 검증방법을 사용할 필요가 없어졌다. 이런 점을 고려했을 때 국내의 HRD 연구에서도 부트스트래핑과 같은 대안적인 접근법의 사용을 더욱 활성화할 필요가 있을 것으로 보인다. 특히 구조방정식모형에서 팬텀변인의 사용과 같은 통계분석법의 발전으로 매개변인이 여러 개인 다중 매개 모형에서도 개별적인 매개효과를 검증할 수 있기 때문에 부트스트래핑의 사용은 더욱 보편화될 것으로 예상된다(홍세희, 2009).
이외에도 부트스트래핑 접근법을 사용한 해외 연구에서는 국내 연구와 달리 대부분 부트스트랩 표본의 수나 신뢰구간 추정 방법, 신뢰구간의 상한과 하한 등을 구체적으로 제시하고 있는 것이 발견되었다. 이와 같은 결과는 해외 저널에 부트스트래핑을 사용하여 매개효과를 검증하는 논문을 투고할 때도 이러한 분석결과를 제시하는 것이 게재될 가능성을 높일 수 있다는 것을 시사한다.
부트스트래핑은 기존의 전통적 접근법에 비해 통계적 검증력이 강하다는 사실도 중요한 의미를 가진다. 다시 말해서 기존의 방법을 사용했을 때 제대로 포착되지 않았던 매개효과를 찾아낼 수 있다는 점에서 HRD 분야 내에서 특정 현상에 대한 내적기제의 역할을 하는, 새로운 매개변인을 탐색하는 데 큰 도움을 줄 수 있다. 게다가, 만일 기존의 방법을 사용해 분석했을때 매개효과가 유의하게 나타나지 않은 데이터가 있었다면 다시 한 번 검토를 해볼 필요가 있다는 것을 시사해 주기도 한다.
본 연구는 다음과 같은 점에서 한계를 가지고 있다. 첫째, 비록 국내외의 저명한 HRD 학회지에 기재된 논문들을 고찰의 대상으로 삼았으나, 다른 학회지에 기재된 양질의 HRD 연구들이 완전하게 포함되지 못했기 때문에 매개효과 검증에 대한 연구 동향을 총체적으로 파악했다고 단정할 수는 없다. 둘째, 매개효과를 검증하는 대안적인 방법으로서 부트스트래핑 외에 다른 방법들도 제안되고 있으나 본 연구에서는 이에 대해서 충분히 다루지 못했다. 대표적인 예로 Preacher와 Selig (2012) 등이 제안한 Monte Carlo 신뢰구간 추정법을 들 수 있다. 비록 다양한 통계패키지에서 이 방법들을 실행할 수 있는 매크로 세트가 개발되고 있으나, 아직HRD 분야에서 이 방법을 활용한 연구를 찾기가 힘들고, 드문 경우를 제외하고는 부트스트래핑을 사용한 분석 결과와 동일한 결론을 얻게 되기 때문에 본 연구에서는 별도로 소개되지 않았다. 셋째, 최근에 와서 단순한 매개효과가 아닌, 조절된 매개효과(moderated mediating effects)가 포함된 모형을 검증하는 연구들이 국내외 학회지에 게재되기 시작하고 있다. 이러한 모형은 누구에 대해서, 또는 어떤 상황이나 조건 하에서 매개효과가 나타나는지 검증할 수 있게 해주기 때문에 조직 내에서의 현상을 더 정교하게 설명하는 데 도움이 될 것으로 보인다. 그러나 본 연구의 범위를 벗어나는 주제이기 때문에 이에 대해서 추가적으로 다루지 못했다.
본 연구는 HRD 분야 내에서 매개효과를 검증하는 데 보다 더 정확한 분석 및 보고 방법이 보편화됨으로써 연구뿐만 아니라 실천의 영역에도 기여를 하고자 하는 시도에서 추진되었다. 따라서 특정한 통계분석 방법을 보급하기 위한 의도에서가 아니라 이와 관련된 논의가 지속적으로 이루어지고 활성화되는 데 밑거름이 되는 것을 목표로 진행되었음을 마지막으로 밝히는 바이다.
