정량 · 완주

왜 떠나려 하는가 — 업무량과 이직의도 사이의 소진

가상 자료 200명 · 6열 · 네 마디 — 생김새 → 상관 → 매개분석 → 위계 회귀(통제·원인·매개)

연구 질문 — 업무량이 이직의도를 높이는 것은 소진을 지나서인가?

가상 샘플 자료 · 실제 조사 아님

원자료 기제_업무량_소진_이직의도.csv · 200행

가상(합성) 샘플 자료 — 실제 조사가 아니고 어떤 기관의 자료도 아닙니다. backend/scripts/make_prep_samples.py 가 씨앗을 못박아 만든 200명 표본이고, 업무량 → 소진 → 이직의도 경로를 계수로 심어 간접효과가 실제로 있게 했습니다(심은 계수는 그 생성기에 적혀 있습니다). 심은 값과 엔진이 잰 값은 다릅니다 — 생성기는 작은 직접효과도 함께 심었지만 이 표본에서 엔진은 그것을 유의하지 않다고 보았고, 샘플이 싣는 판정은 엔진의 것입니다. 표와 APA 문장은 backend/tests/test_prep_samples_prepsamples1.py 가 저장소의 엔진을 실제로 돌려 낸 실측치입니다.

응답자근속연수연령업무량소진이직의도
R00116522.42.41.7
R0022264.13.84.5
R00317413.23.42.7
R0049273.83.33.1
R00519363.22.32.3

완주 여정 — 단계별로 실제로 만든 것

  1. ① 생김새 — 다섯 열을 한 번에

    통제 둘(근속연수·연령)과 원인·매개·결과의 평균·표준편차·범위·왜도·첨도를 봅니다. 「기제」를 묻기 전에 각 변수가 어떻게 생겼는지 먼저 봅니다 — 한쪽으로 몰린 변수가 있으면 뒤의 계수를 읽는 법이 달라집니다.

    5개 변수에 대하여 기술통계 분석을 실시하였다(N = 200). 변수별 결과는 표에 있다. 변수마다 값 범위가 달라 평균의 높고 낮음은 견주지 않았다. 결측치는 없었다.
  2. ② 상관 — 무엇이 함께 움직이나

    원인·매개·결과 셋을 한 번에 비교하면 쌍이 셋입니다. 여기서 보이는 것은 「함께 움직인다」까지입니다 — 어느 쪽이 어느 쪽을 지나는지는 상관행렬이 답하지 못합니다. 그것이 다음 마디가 있는 이유입니다.

    업무량, 소진, 이직의도 간 Pearson 상관분석을 실시하였다(N = 200). 전체 3개 쌍 중 3개(100%)가 유의하였다(p < .05). 소진과 업무량 사이에는 정적 관계가 있었다(r = .59, 95% CI [.49, .67], p < .001). 효과크기는 Cohen(1988)의 기준으로 큰 효과크기에 해당하였다. 이직의도와 업무량 사이에는 정적 관계가 있었다(r = .42, 95% CI [.30, .53], p < .001). 효과크기는 Cohen(1988)의 기준으로 중간 효과크기에 해당하였다. 이직의도와 소진 사이에는 정적 관계가 있었다(r = .65, 95% CI [.57, .73], p < .001). 효과크기는 Cohen(1988)의 기준으로 큰 효과크기에 해당하였다.
  3. ③ 매개분석 — 소진을 지나서인가

    업무량(X)이 소진(M)을 지나 이직의도(Y)에 닿는지 봅니다. Baron & Kenny 의 세 단계와 부트스트랩 신뢰구간이 함께 나오고, 간접효과의 신뢰구간이 0을 포함하는지가 판정의 자리입니다. 완전매개·부분매개의 판정도 엔진이 냅니다 — 이 샘플은 그 판정을 그대로 싣습니다.

    업무량이 소진을 매개로 이직의도에 미치는 영향을 검증하기 위해 Baron & Kenny(1986)의 매개효과 분석과 Bootstrap 검정을 실시하였다(N = 200). 업무량→소진→이직의도: 총효과 c = 0.48(p < .001), 직접효과 c' = 0.07(p = .357), 간접효과 = 0.41, 95% CI [0.31, 0.51], 신뢰구간이 0을 포함하지 않아 간접효과가 유의하였다. 완전매개.
  4. ④ 위계 회귀 — 단계마다 설명력이 얼마나 늘어나나

    통제 둘을 먼저 넣고, 원인을 넣고, 그 다음 매개를 넣습니다. 단계마다 늘어난 설명력(ΔR²)과 그 증가가 유의한지를 봅니다. 매개분석과 같은 물음의 다른 얼굴입니다 — 매개분석은 「경로가 있나」를 묻고, 여기서는 「그 경로가 설명력을 얼마나 더 가져오나」를 묻습니다. VIF 도 함께 나와 설명변수끼리 너무 닮지 않았는지 답합니다.

    이직의도에 대한 위계적 회귀분석을 실시하였다(N = 200). 통제에서 근속연수, 연령을 전체 투입하여 분석한 결과, R² = .08(F = 9.10, p < .001)로 유의한 설명력 증가가 확인되었다. 원인에서 업무량을 전체 투입하여 분석한 결과, R² = .25(ΔR² = .17, ΔF = 44.23, p < .001)로 유의한 설명력 증가가 확인되었다. 매개에서 소진을 전체 투입하여 분석한 결과, R² = .46(ΔR² = .21, ΔF = 74.20, p < .001)로 유의한 설명력 증가가 확인되었다. 최종 모형에서 유의한 예측 변인은 연령(정적), 소진(정적)이었다. 근속연수, 업무량이 이직의도에 미치는 효과는 통계적으로 유의하지 않았다. 최종 모형은 유의하였다(p < .001). 최종 모형의 설명력은 R² = .46(수정 R² = .45)로, 이직의도 분산의 45.9%를 설명하였다. 효과크기는 Cohen(1988)의 기준으로 큰 효과크기에 해당하였다. 다중공선성 진단 결과(최종 단계 예측변수 기준) 최대 VIF는 1.62(업무량)로 다중공선성 문제는 없었다.

핵심 산출

코드북 — 변수와 값

자료 설명입니다 — 통계 산출이 아닙니다.

변수라벨값
응답자응답자 번호R001~R200
근속연수근속연수(통제)1~25년
연령연령(통제)24~58세
업무량업무량 — 원인(X)1~5 리커트 평균
소진소진 — 매개(M)1~5 리커트 평균
이직의도이직의도 — 결과(Y)1~5 리커트 평균

① 생김새 — 기술통계량 요약

변수N평균표준편차분산표준오차중위수1사분위수3사분위수최소값최대값왜도첨도
근속연수20013.097.1150.590.50313.56.019.01.025.00.015-1.197
연령20041.7810.30106.120.72842.033.051.224.058.0-0.104-1.280
업무량2003.080.610.370.0433.12.73.51.44.6-0.1300.271
소진2002.690.590.340.0422.72.33.11.04.1-0.015-0.419
이직의도2002.450.690.470.0482.51.93.01.04.50.045-0.489

② 상관 — Pearson 상관행렬

N = 200 (pairwise) · 각 칸 표기: r (p) · 효과크기의 해석(작은 효과크기 · 중간 효과크기 · 큰 효과크기)은 Cohen(1988)의 기준을 따랐다.

변수업무량소진이직의도
업무량1
소진0.588 (< .001)1
이직의도0.424 (< .001)0.653 (< .001)1

③ 매개분석 — 매개효과 분석 — 종속변수: 이직의도

N=200 · Bootstrap 5000회, Percentile method · 업무량→소진: 간접효과=0.408, SE=0.052, 95%CI[0.309,0.512], 유의 (완전매개)

매개변수독립변수단계B(비표준화)β(표준화)p / CI
소진업무량step 1 (X→Y)0.4780.424< .001
step 2 (X→M)0.5670.588< .001
step 3 (X→Y|M)0.0690.062.357
step 3 (M→Y|X)0.7200.616< .001
간접효과 (a×b)0.4080.363CI[0.309,0.512]
판정완전매개—매개비율=85.5%

④ 위계 회귀 — 모형 요약

ΔR² · ΔF 는 앞 모형보다 늘어난 설명력과 그 검정이다. 첫 모형은 그 모형의 R² · F 다.

모형R²수정 R²ΔR²ΔFdf1df2p
통제0.0850.0750.0859.0952197< .001
원인0.2530.2420.16944.2281196< .001
매개0.4590.4480.20674.1961195< .001

④ 위계 회귀 — 이직의도에 대한 위계적 회귀분석 결과

종속변수: 이직의도 · N = 200 · 효과크기의 해석(작은 효과크기 · 중간 효과크기 · 큰 효과크기)은 Cohen(1988)의 기준을 따랐다.

모형변수B표준오차베타tp
통제(상수)1.5230.2226.867< .001
근속연수0.0130.0070.1382.014.045
연령0.0180.0050.2703.940< .001
원인(상수)0.1830.2850.644.520
근속연수0.0030.0060.0270.422.673
연령0.0180.0040.2724.384< .001
업무량0.4790.0720.4256.650< .001
매개(상수)-0.1750.246-0.712.477
근속연수0.0010.0050.0130.235.815
연령0.0120.0040.1793.313.001
업무량0.1010.0760.0891.334.184
소진0.6690.0780.5738.614< .001

대표 인용

모든 인용은 원자료에 실재하는 문장입니다 (발췌 실재 검증 통과).

    논문형 표

    복사하면 편집 가능한 사본이 작업대에 열립니다 — 이 전시는 그대로 남습니다.

    Why people leave — burnout between workload and turnover intent | Statory