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.
| 응답자 | 근속연수 | 연령 | 업무량 | 소진 | 이직의도 |
|---|---|---|---|---|---|
| R001 | 16 | 52 | 2.4 | 2.4 | 1.7 |
| R002 | 2 | 26 | 4.1 | 3.8 | 4.5 |
| R003 | 17 | 41 | 3.2 | 3.4 | 2.7 |
| R004 | 9 | 27 | 3.8 | 3.3 | 3.1 |
| R005 | 19 | 36 | 3.2 | 2.3 | 2.3 |
완주 여정 — 단계별로 실제로 만든 것
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 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 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 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.
| 변수 | 라벨 | 값 |
|---|---|---|
| 응답자 | 응답자 번호 | R001~R200 |
| 근속연수 | 근속연수(통제) | 1~25년 |
| 연령 | 연령(통제) | 24~58세 |
| 업무량 | 업무량 — 원인(X) | 1~5 리커트 평균 |
| 소진 | 소진 — 매개(M) | 1~5 리커트 평균 |
| 이직의도 | 이직의도 — 결과(Y) | 1~5 리커트 평균 |
① 생김새 — 기술통계량 요약
| 변수 | N | 평균 | 표준편차 | 분산 | 표준오차 | 중위수 | 1사분위수 | 3사분위수 | 최소값 | 최대값 | 왜도 | 첨도 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 근속연수 | 200 | 13.09 | 7.11 | 50.59 | 0.503 | 13.5 | 6.0 | 19.0 | 1.0 | 25.0 | 0.015 | -1.197 |
| 연령 | 200 | 41.78 | 10.30 | 106.12 | 0.728 | 42.0 | 33.0 | 51.2 | 24.0 | 58.0 | -0.104 | -1.280 |
| 업무량 | 200 | 3.08 | 0.61 | 0.37 | 0.043 | 3.1 | 2.7 | 3.5 | 1.4 | 4.6 | -0.130 | 0.271 |
| 소진 | 200 | 2.69 | 0.59 | 0.34 | 0.042 | 2.7 | 2.3 | 3.1 | 1.0 | 4.1 | -0.015 | -0.419 |
| 이직의도 | 200 | 2.45 | 0.69 | 0.47 | 0.048 | 2.5 | 1.9 | 3.0 | 1.0 | 4.5 | 0.045 | -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.
| 변수 | 업무량 | 소진 | 이직의도 |
|---|---|---|---|
| 업무량 | 1 | ||
| 소진 | 0.588 (< .001) | 1 | |
| 이직의도 | 0.424 (< .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)
| 매개변수 | 독립변수 | 단계 | B(비표준화) | β(표준화) | p / CI |
|---|---|---|---|---|---|
| 소진 | 업무량 | step 1 (X→Y) | 0.478 | 0.424 | < .001 |
| step 2 (X→M) | 0.567 | 0.588 | < .001 | ||
| step 3 (X→Y|M) | 0.069 | 0.062 | .357 | ||
| step 3 (M→Y|X) | 0.720 | 0.616 | < .001 | ||
| 간접효과 (a×b) | 0.408 | 0.363 | CI[0.309,0.512] | ||
| 판정 | 완전매개 | — | 매개비율=85.5% |
④ 위계 회귀 — 모형 요약
ΔR² · ΔF 는 앞 모형보다 늘어난 설명력과 그 검정이다. 첫 모형은 그 모형의 R² · F 다.
| 모형 | R² | 수정 R² | ΔR² | ΔF | df1 | df2 | p |
|---|---|---|---|---|---|---|---|
| 통제 | 0.085 | 0.075 | 0.085 | 9.095 | 2 | 197 | < .001 |
| 원인 | 0.253 | 0.242 | 0.169 | 44.228 | 1 | 196 | < .001 |
| 매개 | 0.459 | 0.448 | 0.206 | 74.196 | 1 | 195 | < .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.
| 모형 | 변수 | B | 표준오차 | 베타 | t | p |
|---|---|---|---|---|---|---|
| 통제 | (상수) | 1.523 | 0.222 | 6.867 | < .001 | |
| 근속연수 | 0.013 | 0.007 | 0.138 | 2.014 | .045 | |
| 연령 | 0.018 | 0.005 | 0.270 | 3.940 | < .001 | |
| 원인 | (상수) | 0.183 | 0.285 | 0.644 | .520 | |
| 근속연수 | 0.003 | 0.006 | 0.027 | 0.422 | .673 | |
| 연령 | 0.018 | 0.004 | 0.272 | 4.384 | < .001 | |
| 업무량 | 0.479 | 0.072 | 0.425 | 6.650 | < .001 | |
| 매개 | (상수) | -0.175 | 0.246 | -0.712 | .477 | |
| 근속연수 | 0.001 | 0.005 | 0.013 | 0.235 | .815 | |
| 연령 | 0.012 | 0.004 | 0.179 | 3.313 | .001 | |
| 업무량 | 0.101 | 0.076 | 0.089 | 1.334 | .184 | |
| 소진 | 0.669 | 0.078 | 0.573 | 8.614 | < .001 |
대표 인용
모든 인용은 원자료에 실재하는 문장입니다 (발췌 실재 검증 통과).
논문형 표
복사하면 편집 가능한 사본이 작업대에 열립니다 — 이 전시는 그대로 남습니다.