One-Sample t-Test의 원리: 하나의 표본 평균을 기준값과 비교하는 방법

2026년 9월 1일 읽는 시간 약 57분

하나의 Sample에서 계산한 평균이 특정 기준값과 실제로 다른지 판단하고 싶을 때 사용하는 대표적인 방법이 One-Sample t-Test입니다.

예를 들어 다음과 같은 질문을 생각해볼 수 있습니다.

평균 체온이 정말 98.6°F인가?
학생들의 평균 SAT Score가 목표값 1200과 다른가?
어떤 공정의 평균 생산량이 기준값 100과 다른가?

이때 단순히 Sample Mean과 기준값을 빼는 것만으로는 충분하지 않습니다.

왜냐하면 Sample Mean은 Random Sampling에 따라 자연스럽게 변하기 때문입니다.

따라서 One-Sample t-Test는 단순한 Difference가 아니라 관찰된 Mean Difference가 Sampling Variability에 비해 얼마나 큰지를 평가합니다.

One-Sample t-Test는 하나의 Sample Mean을 미리 정해진 Population Mean 기준값과 비교하여, 관찰된 Difference가 Sampling Variability만으로 설명하기 어려울 정도로 큰지를 평가하는 Statistical Test입니다.

첨부 교재에서는 Null Hypothesis H₀: μ = μ₀를 검정하기 위해 Sample Mean과 Hypothesized Mean의 차이를 Standard Error로 나누어 Student’s t Statistic을 계산한다고 설명합니다.

One-Sample t-Test는 어떤 질문에 답할까?

가장 기본적인 질문은 다음과 같습니다.

“이 Sample이 나온 Population의 평균이 특정 기준값과 같다고 볼 수 있는가?”

예를 들어 기준값이 100이라면:

Null Hypothesis

H₀: μ = 100

그리고 Two-Sided Test에서는:

Alternative Hypothesis

H₁: μ ≠ 100

이 됩니다.

즉 Sample Mean 자체가 100인지 검사하는 것이 아니라 Unknown Population Mean μ가 100이라는 Hypothesis를 Sample Data로 평가합니다.

왜 이름에 One-Sample이 들어갈까?

비교하는 Sample이 하나이기 때문입니다.

예를 들어:

Sample Patient들의 BodyTemp

한 Group의 SATScore

한 Production Line의 Output

만 가지고 있습니다.

그리고 이 Sample Mean을 별도로 존재하는 Reference Value와 비교합니다.

구조는 다음과 같습니다.

One Sample

↓

Sample Mean x̄

vs.

Hypothesized Population Mean μ₀

입니다.

Two-Sample t-Test와 무엇이 다를까?

One-Sample t-Test에서는:

Sample 1개

기준값 1개

를 비교합니다.

반면 Two-Sample t-Test에서는:

Group A Sample Mean

vs.

Group B Sample Mean

을 비교합니다.

예를 들어:

One-Sample t-Test

BodyTemp Mean

vs.

98.6°F

Two-Sample t-Test

Male Mean BodyTemp

vs.

Female Mean BodyTemp

입니다.

따라서 비교 대상의 구조가 다릅니다.

기준값 μ₀는 어디에서 올까?

연구 질문에 따라 다를 수 있습니다.

예를 들어:

기존 알려진 평균
품질관리 목표
교육 목표값
임상적으로 설정된 Reference
Historical Standard

등이 될 수 있습니다.

첨부 교재의 SATScore Example에서는 School Board가 설정한 Combined SAT Score 목표인 1200을 Hypothesized Mean으로 사용합니다.

또 Body Temperature Exercise에서는 평균 체온이 98.6°F인지 평가합니다.

기준값은 Sample Data의 평균이어서는 안 되는 이유

예를 들어 Sample Mean이 98.25인데:

H₀: μ = 98.25

를 같은 Data에서 임의로 설정하면 Difference가 0이 되므로 의미 있는 Test가 되기 어렵습니다.

Reference Value는 Research Question에서 독립적으로 정의되어야 합니다.

즉:

Data를 보기 전 Question

↓

μ₀ 설정

↓

Sample 수집

↓

Test

의 구조가 자연스럽습니다.

One-Sample t-Test의 Null Hypothesis

기본 형태는:

H₀: μ = μ₀

입니다.

여기서:

Unknown Population Mean

μ₀

Hypothesized Population Mean

입니다.

예를 들어 체온 분석에서는:

H₀: μ = 98.6

입니다.

즉 Population의 평균 체온이 98.6°F라는 가정에서 출발합니다.

Alternative Hypothesis는 어떻게 설정할까?

Two-Sided Test라면:

H₁: μ ≠ μ₀

입니다.

즉 Population Mean이 기준값보다 높든 낮든 다르면 관심 대상입니다.

예를 들어:

H₀: μ = 98.6

H₁: μ ≠ 98.6

입니다.

One-Sided Test도 가능할까?

가능합니다.

Research Question이 방향성을 가진다면:

Upper-Sided

H₁: μ > μ₀

또는:

Lower-Sided

H₁: μ < μ₀

를 사용할 수 있습니다.

하지만 Direction은 Result를 본 뒤 정하는 것이 아니라 연구 질문에 따라 사전에 정해야 합니다.

첨부 교재 Appendix에서도 One-Sided t-Test를 별도로 다루며 Alternative Direction에 따라 한쪽 Tail만 Statistical Significance에 기여한다고 설명합니다.

Two-Sided가 기본적으로 더 자주 사용되는 이유

“다른가?”라는 질문은 두 방향 모두를 포함하기 때문입니다.

예를 들어 체온 기준 98.6°F와 비교할 때:

98.6보다 높음

또는:

98.6보다 낮음

둘 다 Difference입니다.

따라서:

H₁: μ ≠ 98.6

인 Two-Sided Test가 자연스럽습니다.

Sample Mean이 기준값과 다르면 바로 유의한 것 아닐까?

아닙니다.

예를 들어:

Sample Mean = 99

Hypothesized Mean = 98.6

이면 Difference는:

0.4

입니다.

하지만 이 0.4가 큰 Difference인지 작은 Difference인지는 Sample Variability를 알아야 합니다.

예를 들어:

Case A

SD = 0.5

Case B

SD = 10

이라면 같은 0.4 Difference의 의미가 완전히 다릅니다.

따라서 One-Sample t-Test는 Difference를 Standard Error와 비교합니다.

t Statistic의 핵심 Formula

첨부 교재에서는 One-Sample Mean Hypothesis를 검정하기 위한 t Statistic을 다음 구조로 제시합니다.

Sample Mean – Hypothesized Mean

Standard Error of the Mean

즉:

t = (x̄ – μ₀) / SE

입니다.

이 Formula가 One-Sample t-Test의 핵심입니다.

t Statistic은 무엇을 의미할까?

Sample Mean이 Hypothesized Mean으로부터 Standard Error 단위로 얼마나 떨어져 있는지 나타냅니다.

예를 들어:

t = 0

이면:

Sample Mean = Hypothesized Mean

입니다.

t = 1

이면:

Sample Mean이 Hypothesized Mean에서 약 1 Standard Error 떨어져 있습니다.

t = -5

라면:

Sample Mean이 기준값보다 아래쪽으로 약 5 Standard Error 떨어져 있습니다.

첨부 교재도 t Statistic이 Sample Mean이 Hypothesized Mean에서 얼마나 떨어져 있는지를 측정한다고 설명합니다.

t의 부호는 무엇을 알려줄까?

Formula:

x̄ – μ₀

때문입니다.

t > 0

Sample Mean > Hypothesized Mean

t < 0

Sample Mean < Hypothesized Mean

입니다.

따라서 t Statistic의 Sign은 Difference Direction을 알려줍니다.

t의 절댓값은 무엇을 알려줄까?

Two-Sided Test에서는 일반적으로 |t|가 클수록 Sample Mean이 H₀에서 예상되는 값보다 더 멀리 떨어져 있다는 뜻입니다.

즉:

|t| 작음

↓

H₀와 비교적 Compatible

|t| 큼

↓

H₀ 아래에서 더 Extreme

↓

p-value 작아지는 경향

입니다.

첨부 교재에서도 H₀를 Reject하려면 t Statistic이 0보다 훨씬 높거나 낮고 이에 대응하는 p-value가 작아야 한다고 설명합니다.

Standard Error는 왜 들어갈까?

Sample Mean의 Difference가 Sampling Variability에 비해 얼마나 큰지 판단하기 위해서입니다.

Standard Error는:

SE = s / √n

입니다.

첨부 교재에서도 Standard Error를 Sample Means의 Variability를 나타내는 Statistic으로 정의하고 이 Formula를 제시합니다.

즉 One-Sample t-Test는 단순 Difference를 보는 것이 아니라:

Difference

Sampling Noise

를 보는 Test입니다.

같은 Difference라도 Standard Error가 다르면 결과가 달라진다

예를 들어:

Sample Mean – μ₀ = 2

라고 가정하겠습니다.

Study A

SE = 10

↓

t = 0.2

Study B

SE = 0.5

↓

t = 4

입니다.

Difference는 똑같이 2입니다.

하지만 Study B에서는 Difference가 Sampling Variability에 비해 훨씬 큽니다.

따라서 p-value도 크게 달라질 수 있습니다.

Sample Size가 t-Test에 영향을 주는 이유

Standard Error는:

s / √n

이므로 Sample Size가 커지면 다른 조건이 같을 때 SE가 작아집니다.

따라서 같은 Difference라도:

n ↑

↓

SE ↓

↓

|t| ↑ 가능

↓

p-value ↓ 가능

입니다.

이 원리는 앞서 살펴본 Statistical Significance와 Practical Significance의 차이와 직접 연결됩니다.

큰 Sample에서는 작은 Difference도 유의할 수 있다

예를 들어 기준 Mean이:

100

이고 Sample Mean이:

100.2

라고 가정하겠습니다.

Difference는 0.2밖에 되지 않습니다.

하지만 n이 매우 커서 SE가 0.01이라면:

t = 20

이 됩니다.

p-value는 매우 작아질 수 있습니다.

그러나 0.2 Difference가 실제로 중요한지는 별도의 문제입니다.

One-Sample t-Test가 Significant하다는 것은 기준값과의 Difference가 Statistical하게 Detect되었다는 뜻이지, Difference가 Practical하게 크다는 뜻은 아닙니다.

반대로 Sample이 작으면?

Difference가 꽤 커도 Standard Error가 크면 t Statistic이 작을 수 있습니다.

예:

Difference = 5

SE = 4

이면:

t = 1.25

입니다.

따라서 H₀를 Reject할 충분한 Evidence를 얻지 못할 수 있습니다.

즉:

Non-Significant

≠

Population Mean이 정확히 기준값과 동일

입니다.

첨부 교재의 SATScore Example

교재에서는:

Hypothesized Mean:

1200

Sample Mean:

1190.625

Standard Error:

16.4416

을 사용합니다.

따라서:

(1190.625 – 1200) / 16.4416

약 -0.5702

입니다.

SATScore의 t=-0.57은 어떻게 해석할까?

Sample Mean이 기준값 1200보다 낮으므로 t는 Negative입니다.

하지만 Difference는 약:

-9.375

이고 이는 Standard Error 16.44보다 작습니다.

즉 Sample Mean은 Hypothesized Mean에서 약:

0.57 Standard Error

밖에 떨어져 있지 않습니다.

이는 H₀ 아래에서도 충분히 관찰될 수 있는 정도의 Difference일 수 있습니다.

t=−0.57만 보고 Decision을 내려도 될까?

최종 Decision에는 p-value가 필요합니다.

t Statistic이 Null Distribution에서 어느 정도 Extreme한지를 p-value로 변환합니다.

즉:

t Statistic

↓

H₀ 아래 위치

↓

Tail Probability 계산

↓

p-value

입니다.

p-value는 One-Sample t-Test에서 무엇을 의미할까?

H₀가 참이라면 현재 관찰된 |t| 또는 그보다 더 Extreme한 t Statistic이 나타날 Probability와 연결됩니다.

Two-Sided Test에서는:

Negative Tail

Positive Tail

을 모두 고려합니다.

즉:

H₀: μ = μ₀

이라는 조건에서 현재 Difference만큼 또는 더 큰 Difference가 Random Sampling으로 얼마나 자주 생길지를 평가합니다.

α와 비교하는 구조

일반적으로:

p < α

↓

Reject H₀

p ≥ α

↓

Fail to Reject H₀

입니다.

첨부 교재도 Hypothesis Testing Decision Rule을 동일하게 제시합니다.

예를 들어:

α = 0.05

p < 0.0001

이라면:

Reject H₀

입니다.

BodyTemp Example은 One-Sample t-Test를 어떻게 보여줄까?

첨부 교재에서는 NORMTEMP Dataset의 BodyTemp Variable을 이용해 Population Mean Body Temperature가:

98.6°F

인지 검정합니다.

설정은 다음과 같습니다.

Analysis Variable

BodyTemp

H₀ Value

98.6

입니다.

BodyTemp Sample Summary

교재 Output에서는 다음 값이 제시됩니다.

N = 130
Mean = 98.2492
Standard Deviation = 0.7332
Standard Error = 0.0643
Minimum = 96.3000
Maximum = 100.8

Sample Mean 98.2492는 Hypothesized Mean 98.6보다 낮습니다.

Difference는 약:

98.2492 – 98.6

-0.3508

입니다.

BodyTemp의 t Statistic

첨부 교재의 Solution에서는 이 One-Sample t-Test의:

t Statistic = -5.45

p-value < .0001

이라고 제시합니다.

즉 Sample Mean은 Hypothesized Mean보다 아래에 있고, 그 Difference는 Standard Error에 비해 상당히 큽니다.

왜 t가 -5.45가 될까?

교재 Output의 값으로 구조를 보면:

Difference ≈ -0.3508

Standard Error ≈ 0.0643

이므로:

-0.3508 / 0.0643

≈

-5.45

입니다.

즉 Sample Mean은 기준값 98.6보다 약 5.45 Standard Error 낮은 위치에 있습니다.

p<.0001은 무엇을 의미할까?

H₀:

μ = 98.6

이 참이라고 가정했을 때 현재와 같거나 더 Extreme한 t Statistic이 나타날 Probability가 매우 작다는 뜻입니다.

따라서:

α = 0.05

에서는:

p < α

이므로:

Reject H₀

입니다.

첨부 교재의 Exercise 역시 α=.05에서 평균 체온 98.6이라는 Null Hypothesis를 Reject할지 판단하도록 구성합니다.

그러면 “Population Mean BodyTemp는 정확히 98.2492”라고 말할 수 있을까?

아닙니다.

98.2492는 Sample Mean입니다.

Population Mean은 Unknown Parameter입니다.

One-Sample t-Test가 알려주는 것은:

Population Mean이 98.6이라는 H₀와 Sample Data가 강하게 충돌한다.

는 것입니다.

Population Mean의 실제 값에 대한 Range를 보려면 Confidence Interval을 함께 확인해야 합니다.

BodyTemp의 95% Confidence Interval

첨부 교재의 Summary Statistics Solution에서는 BodyTemp Mean의 95% CI를:

98.12 ~ 98.38°F

로 제시합니다.

이 Interval은 98.6을 포함하지 않습니다.

따라서 α=.05 Two-Sided Test에서 H₀: μ=98.6을 Reject하는 Result와 일치합니다.

Confidence Interval과 One-Sample t-Test의 관계

Two-Sided α=0.05 Test에서는 대응하는 95% Confidence Interval과 직접 연결됩니다.

기준값 μ₀가 95% CI 안에 있음

↓

H₀ Fail to Reject

기준값 μ₀가 95% CI 밖에 있음

↓

H₀ Reject

입니다.

BodyTemp Example에서는:

95% CI:

98.12 ~ 98.38

Reference:

98.6

이므로 98.6이 Interval 밖에 있습니다.

따라서 t-Test Result와 동일한 결론을 얻습니다.

왜 Confidence Interval을 같이 보는 것이 좋을까?

p-value는 H₀와 Sample Evidence 관계를 보여줍니다.

Confidence Interval은 추가로:

Population Mean Estimate Range
Precision
기준값과의 거리

를 보여줍니다.

즉:

p-value

↓

“Difference Evidence가 있는가?”

그리고:

Confidence Interval

↓

“Population Mean이 어느 정도 범위로 추정되는가?”

를 보여줍니다.

p<.0001만 보고 끝내면 무엇을 놓칠까?

BodyTemp에서 p<.0001만 보면 Statistical Evidence가 강하다는 것은 알 수 있습니다.

하지만 실제 Difference는:

약 -0.35°F

입니다.

따라서 다음 질문도 필요합니다.

약 0.35°F 차이가 실제로 얼마나 중요한가?

이는 Statistical Significance와 Practical Significance를 구분해야 하는 이유입니다.

One-Sample t-Test의 Assumption

첨부 교재에서는 t-Test Result가 Valid하려면 Sample Means의 Distribution이 Normally Distributed되어야 한다고 설명합니다.

또 BodyTemp Confidence Interval Exercise에서는 Sample Size가 충분히 크고 Data Values도 Normal하게 보였기 때문에 Normality Assumption이 적절하다고 판단합니다.

즉 Distribution Review는 t-Test 전에 중요합니다.

Raw Data가 반드시 완벽한 Normal Distribution이어야 할까?

교재의 설명은 Sample Means의 Distribution과 Normality 조건을 중심으로 합니다.

따라서 단순히 Histogram이 완벽한 Bell Shape가 아니라는 이유만으로 One-Sample t-Test를 자동 포기하는 방식은 적절하지 않습니다.

Sample Size와 Distribution Pattern을 함께 확인해야 합니다.

왜 Q-Q Plot을 생성할까?

첨부 교재의 BodyTemp One-Sample t-Test Exercise에서는 다음 Plot을 선택하도록 합니다.

Summary Plot
Confidence Interval Plot
Normal Q-Q Plot

즉 t-Test Result 숫자만 보는 것이 아니라 Distribution과 Normality를 시각적으로 확인하도록 구성되어 있습니다.

Q-Q Plot은 무엇을 확인하게 해줄까?

Data Distribution이 Normal Reference Pattern과 얼마나 유사한지 시각적으로 확인할 수 있습니다.

Point들이 Reference Pattern에서 크게 벗어나는 경우:

Skewness
Heavy Tail
Extreme Value

등을 추가로 확인할 수 있습니다.

따라서 t-Test의 Assumption Review와 연결됩니다.

Extreme Value가 One-Sample t-Test에 영향을 줄까?

그렇습니다.

Extreme Value는:

Sample Mean

과:

Standard Deviation

모두에 영향을 줄 수 있습니다.

결과적으로:

Difference
Standard Error
t Statistic
p-value

까지 변화할 수 있습니다.

따라서 Summary Statistics와 Box Plot 등을 먼저 확인하는 것이 중요합니다.

Extreme Value가 있다고 무조건 삭제해야 할까?

아닙니다.

앞서 살펴본 것처럼 Extreme Value가:

Data Entry Error인지
실제 Rare Observation인지

확인해야 합니다.

p-value를 원하는 방향으로 만들기 위해 Observation을 제거해서는 안 됩니다.

One-Sample t-Test 전에 확인할 기본 Summary

다음 Statistic을 먼저 보는 것이 좋습니다.

↓

Sample Size

Mean

↓

Sample Center

↓

Individual Variability

↓

Mean Precision

Min / Max

↓

Extreme Range

Median / Quartile

↓

Distribution Structure

이후 Histogram이나 Q-Q Plot을 확인할 수 있습니다.

N이 예상보다 적으면?

Missing Value 때문에 실제 t-Test에 사용된 Observation 수가 줄어들 수 있습니다.

예를 들어 Dataset 전체 N이 150인데 Output에서:

N = 130

이라면 20개 Observation이 왜 사용되지 않았는지 확인해야 합니다.

따라서 Test Result를 보기 전에 Analysis N을 반드시 확인하는 것이 좋습니다.

Missing Data가 t-Test에 미치는 영향

Missing으로 n이 감소하면:

SE가 커질 수 있고

Precision이 떨어질 수 있습니다.

또 Missing이 특정 특성을 가진 Observation에 집중되어 있다면 Sample Mean 자체가 Bias될 수도 있습니다.

따라서 Statistical Formula만으로 Missing 문제를 해결할 수는 없습니다.

Sample Mean과 Hypothesized Mean의 Unit가 같아야 한다

당연해 보이지만 실무에서 매우 중요합니다.

예를 들어:

BodyTemp Data가 Celsius

인데:

H₀ Value = 98.6 Fahrenheit

를 입력하면 Test는 계산될 수 있지만 의미가 없습니다.

따라서:

Variable Unit

Reference Value Unit

인지 확인해야 합니다.

Derived Variable에서도 기준값이 중요하다

예를 들어 Change from Baseline을 분석한다고 가정해보겠습니다.

Change:

Follow-up – Baseline

이라면:

H₀: Mean Change = 0

은 평균적으로 변화가 없다는 의미입니다.

One-Sample t-Test를 이용해 Sample Mean Change가 0과 다른지 평가할 수 있습니다.

Change Score에서 One-Sample t-Test는 어떻게 해석할까?

예를 들어:

Mean Change = -5

H₀: μChange = 0

이라고 하겠습니다.

t-Test에서 p<0.05가 나오면 Population Mean Change가 0과 다르다는 Evidence가 됩니다.

하지만 -5가 Improvement인지 Worsening인지는 Scale Direction을 알아야 합니다.

즉 Statistical Test가 Outcome의 Clinical Meaning을 자동으로 판단하지는 않습니다.

Paired t-Test와 One-Sample t-Test는 연결될까?

개념적으로 Paired t-Test는 Pair Difference Score를 만든 뒤 그 Difference의 Population Mean이 0인지 평가하는 구조와 매우 밀접합니다.

즉:

Before – After Difference

↓

하나의 Difference Variable

↓

Mean Difference vs 0

라는 형태로 이해할 수 있습니다.

다만 첨부 교재에서는 Paired t-Test를 별도의 Additional Topic으로 구분합니다.

One-Sample t-Test를 단순히 “평균이 같은지 확인”이라고 하면 부족한 이유

통계적으로는:

Sample Mean과 기준값이 숫자상 같은가?

를 확인하지 않습니다.

실제 질문은:

관찰된 Difference가 Sampling Variability에 비해 충분히 큰가?

입니다.

따라서 t Statistic의 구조가 중요합니다.

t Statistic을 Signal-to-Noise 관점으로 보면

개념적으로:

Signal

x̄ – μ₀

그리고:

Noise

입니다.

따라서:

Signal / Noise

로 생각할 수 있습니다.

Difference가 커질수록 Signal이 커지고,

SE가 작을수록 Noise가 작아집니다.

결과적으로 |t|가 커집니다.

t=5와 t=−5는 Two-Sided Test에서 어떻게 다를까?

Direction은 반대지만 H₀에서 떨어진 정도는 같습니다.

Two-Sided Test에서는 Absolute Distance가 중요하므로:

|5| = |-5|

입니다.

따라서 같은 Degrees of Freedom이라면 대응하는 Two-Sided p-value도 같습니다.

다만 실제 Effect Direction은 Estimate의 부호로 확인해야 합니다.

Degrees of Freedom은 무엇일까?

One-Sample t-Test에서는 일반적으로:

df = n – 1

과 연결됩니다.

왜냐하면 Population Standard Deviation을 모르므로 Sample에서 Estimate하기 때문입니다.

Student’s t Distribution은 Sample Size, 즉 Degrees of Freedom에 따라 Shape가 달라집니다.

첨부 교재도 Mean Confidence Interval에서 t Value가 n−1 Degrees of Freedom과 연결된다고 설명합니다.

Sample Size가 커지면 t Distribution은 어떻게 될까?

첨부 교재에서는 Sample Size가 증가하면 Student’s t Distribution이 Approximate Normal Distribution에 가까워진다고 설명합니다.

즉 Small Sample에서는 Tail이 더 두꺼운 t Distribution을 사용하여 추가 Uncertainty를 반영합니다.

왜 z-Test 대신 t-Test를 사용할까?

실무에서는 Population Standard Deviation σ를 모르는 경우가 일반적입니다.

따라서 Sample SD s를 사용해 Standard Error를 추정합니다.

이 추가 Uncertainty 때문에 Student’s t Distribution을 사용합니다.

첨부 교재도 Population Standard Deviation이 Unknown하고 Sample Data에서 Estimate해야 할 때 Student’s t Distribution이 등장한다고 설명합니다.

Population SD를 정말 알고 있다면?

교재의 핵심 범위는 Sample SD를 이용하는 t-based Inference입니다.

일반적인 One-Sample t-Test에서는 Population SD를 Unknown으로 간주하고 Sample SD를 사용합니다.

따라서 실제 SAS t Test Task에서도 Sample Standard Deviation과 Standard Error를 Output에서 확인합니다.

One-Sample t-Test의 p-value가 매우 작으면?

예를 들어 BodyTemp처럼:

p < .0001

이면 H₀: μ=98.6과 Sample Evidence의 Compatibility가 매우 낮다는 의미입니다.

하지만 다음과 같이 표현하면 안 됩니다.

“98.6일 확률이 0.01% 미만이다.”

p-value는 H₀ 자체의 Probability가 아니기 때문입니다.

H₀를 Reject하면 정확히 어떤 결론일까?

Two-Sided Test에서는:

Population Mean이 μ₀와 다르다는 Statistical Evidence가 있다.

라고 표현할 수 있습니다.

BodyTemp Example이라면:

Population Mean Body Temperature가 98.6°F와 다르다는 Statistical Evidence가 있다.

정도로 해석할 수 있습니다.

그리고 Sample Mean이 낮기 때문에 Difference Direction은 98.6보다 낮은 쪽입니다.

H₀를 Fail to Reject하면?

예를 들어 p=0.30이라면:

Population Mean이 기준값과 다르다는 충분한 Statistical Evidence를 확보하지 못했다.

가 적절합니다.

다음 표현은 피해야 합니다.

“Population Mean은 기준값과 같다.”

왜냐하면 Equality를 증명한 것이 아니기 때문입니다.

“Difference 없음”을 증명하고 싶다면?

일반적인 One-Sample t-Test에서 H₀를 Reject하지 못하는 것만으로는 Equality를 증명할 수 없습니다.

실제로 특정 Tolerance 안에서 Equivalent함을 보여주고 싶다면 별도의 Equivalence Framework가 필요할 수 있습니다.

즉:

Fail to Detect Difference

와:

Evidence of Equivalence

는 다릅니다.

Sample Size가 너무 작으면 어떤 문제가 있을까?

Standard Error가 커질 수 있습니다.

또 Normality Departure와 Extreme Value의 영향도 더 클 수 있습니다.

따라서:

Distribution
Raw Data
Confidence Interval

을 특히 주의 깊게 확인해야 합니다.

Sample Size가 매우 크면?

작은 Difference도 Statistical Significance가 될 수 있습니다.

따라서 p-value만 보지 말고:

Observed Difference

와:

Confidence Interval

을 함께 확인해야 합니다.

One-Sample t-Test에서도 Statistical Significance와 Practical Significance의 구분이 그대로 적용됩니다.

Hypothesized Mean이 Sample Range 밖에 있으면?

예를 들어 Sample Data가:

95~101

범위이고 Hypothesized Mean이:

150

이라면 매우 큰 t Statistic이 나올 가능성이 있습니다.

하지만 먼저:

Unit Error
잘못된 Reference Value
잘못된 Variable

이 없는지 확인해야 합니다.

극단적으로 Significant한 Result도 Setup Error 때문에 발생할 수 있습니다.

SAS는 Reference Value가 잘못되어도 알려줄까?

Reference Value가 Numeric으로 Valid하면 계산 자체는 수행될 수 있습니다.

따라서 Research Question과 맞는 H₀를 지정했는지는 Analyst가 확인해야 합니다.

SAS가 t-Test를 성공적으로 실행했다는 사실은 H₀ 값이 과학적으로 올바르다는 것을 보장하지 않습니다.

SAS Enterprise Guide에서 One-Sample t-Test를 실행하는 구조

첨부 교재의 BodyTemp Exercise에서는 다음 흐름을 사용합니다.

NORMTEMP Dataset 선택

↓

t Test Task

↓

One Sample 선택

↓

BodyTemp

Analysis Variable로 지정

↓

H0 = 98.6

입력

↓

Plots 선택

↓

Run

입니다.

Plot은 무엇을 선택할까?

교재에서는:

Summary Plot
Confidence Interval Plot
Normal Q-Q Plot

을 선택합니다.

즉 SAS Output은 단순 t Statistic과 p-value만 보여주는 것이 아니라 Data Distribution과 Confidence Interval을 함께 검토하도록 구성됩니다.

Result에서 무엇부터 봐야 할까?

다음 순서가 좋습니다.

1. N

실제 몇 개 Observation이 사용되었는가?

2. Mean

Sample Mean은?

3. SD

Individual Variability는?

4. SE

Mean Estimate의 Precision은?

5. Hypothesized Mean

올바른 기준값인가?

6. t Value

Difference가 몇 SE 떨어져 있는가?

7. p-value

H₀에 대한 Statistical Evidence는?

8. Confidence Interval

Population Mean의 가능한 Range는?

9. Distribution Plot

Assumption과 Extreme Value는?

입니다.

t Statistic부터 보는 것보다 Mean Difference를 먼저 보는 이유

예를 들어 t=-5.45가 매우 커 보일 수 있습니다.

하지만 실제 Difference는:

약 -0.35°F

입니다.

따라서 Statistical Test를 해석하려면:

Difference의 실제 Unit

을 먼저 확인해야 합니다.

t Statistic은 Unitless Standardized Evidence이고, 실제 Importance는 Original Scale Effect가 더 직접적입니다.

Standardized Statistic과 Raw Difference의 차이

Raw Difference

x̄ – μ₀

↓

Original Unit

예:

-0.35°F

t Statistic

(x̄ – μ₀)/SE

↓

Unitless

예:

-5.45

입니다.

두 값은 서로 다른 역할을 합니다.

왜 t Statistic에는 Unit가 없을까?

분자와 분모가 같은 Unit이기 때문입니다.

예를 들어:

Difference:

°F

SE:

°F

이므로 나누면 Unit가 없어집니다.

따라서 t Statistic은 여러 Scale에서 공통 Statistical Reference로 사용할 수 있습니다.

p-value만 보고 Difference Direction을 알 수 있을까?

아닙니다.

p-value는 기본적으로 Evidence의 Strength를 나타냅니다.

Effect가 기준값보다:

높은지

낮은지

는 Sample Mean 또는 t Sign을 확인해야 합니다.

따라서 One-Sample t-Test에서는 항상 Mean Difference를 함께 확인하는 것이 좋습니다.

Confidence Interval이 Reference Value보다 모두 낮다면?

예:

CI = 98.12 ~ 98.38

Reference = 98.6

입니다.

전체 Interval이 Reference보다 낮습니다.

따라서:

Population Mean Estimate가 기준값보다 낮은 방향
95% CI가 기준값 미포함
Two-Sided α=.05 Test Significant

이라는 정보가 동시에 나타납니다.

Confidence Interval이 Reference Value를 포함하면?

예:

CI = 98.2 ~ 99.0

Reference = 98.6

이라면 98.6이 Interval 안에 있습니다.

따라서 대응하는 Two-Sided α=.05 Test에서는 H₀를 Reject하지 않습니다.

하지만 Mean이 정확히 98.6이라는 것을 증명한 것은 아닙니다.

Confidence Interval이 아주 넓다면?

p-value와 관계없이 Parameter Estimate가 불확실하다는 신호입니다.

예:

Mean = 98.2

95% CI = 90 ~ 106

이라면 기준값 98.6과 큰 차이를 Detect하기 어렵습니다.

Sample Size가 작거나 Variability가 클 수 있습니다.

Confidence Interval이 매우 좁다면?

Estimate Precision이 높습니다.

예:

Mean = 98.25

95% CI = 98.24 ~ 98.26

이라면 Population Mean이 98.6과 다르다는 Evidence는 매우 강할 수 있습니다.

하지만 Difference의 Practical Importance는 별도로 판단합니다.

One-Sample t-Test가 사용되는 실제 형태

다음과 같은 질문과 연결할 수 있습니다.

Quality Control

평균 생산량이 목표 100과 다른가?

Clinical Measurement

평균 Change가 0과 다른가?

Education

평균 Score가 기준 1200과 다른가?

Process Monitoring

평균 처리시간이 목표 5분과 다른가?

공통 구조는:

한 Sample Mean

vs.

하나의 Reference Mean

입니다.

One-Sample t-Test가 적절하지 않을 수 있는 경우

다음처럼 질문 구조가 다르면 다른 Method가 필요합니다.

두 독립 Group 평균 비교

↓

Two-Sample t-Test

동일 Subject의 Before/After

↓

Paired Structure 고려

3개 이상 Group 평균 비교

↓

ANOVA

Response가 Categorical

↓

Categorical Data Method

즉 t-Test를 사용하고 싶어서 Data를 맞추는 것이 아니라 Research Question에 맞는 Test를 선택해야 합니다.

One-Sample t-Test의 Research Question을 먼저 적어보자

예:

평균 체온이 98.6°F와 다른가?

그 다음:

Parameter

μBodyTemp

↓

H₀

μBodyTemp = 98.6

↓

H₁

μBodyTemp ≠ 98.6

↓

Sample Mean

98.2492

↓

t Statistic

-5.45

↓

p-value

< .0001

↓

Decision

Reject H₀

라는 흐름이 만들어집니다.

Research Question 없이 p-value부터 찾으면 안 되는 이유

p<.0001이라는 숫자는 그 자체로 의미가 완성되지 않습니다.

먼저:

무엇과 무엇을 비교했는가?

가 필요합니다.

BodyTemp에서는:

Sample Mean

vs.

98.6

입니다.

다른 Reference를 입력하면 같은 Data에서도 p-value가 달라집니다.

같은 Sample에서 H₀를 바꾸면 Result가 달라진다

예를 들어 Sample Mean이:

98.25

라고 하겠습니다.

H₀: μ = 98.6

Difference = -0.35

H₀: μ = 98.3

Difference = -0.05

H₀: μ = 100

Difference = -1.75

입니다.

같은 Sample이지만 Hypothesized Mean에 따라 t Statistic과 p-value가 달라집니다.

따라서 Reference Value는 Research Question의 핵심입니다.

여러 기준값을 계속 시험하면 어떤 문제가 있을까?

98.0

98.1

98.2

98.3

…

같은 여러 H₀를 반복 검정한 뒤 원하는 p-value만 선택하는 것은 적절하지 않을 수 있습니다.

Hypothesis는 사전에 연구 목적에 따라 정의해야 합니다.

여러 Hypothesis를 검정한다면 Multiplicity 문제도 고려할 수 있습니다.

p-value를 “성공 여부”로 사용하면 안 되는 이유

One-Sample t-Test의 목적은 p<0.05를 만드는 것이 아닙니다.

목적은 Population Mean이 기준값과 얼마나 다른지에 대한 Evidence를 얻는 것입니다.

따라서 좋은 Result Interpretation은:

Sample Mean

Difference

Confidence Interval

p-value

를 함께 봅니다.

BodyTemp Result를 더 완전하게 읽는 방식

교재의 Result를 이용하면 다음과 같은 구조로 이해할 수 있습니다.

130

Sample Mean

98.2492°F

0.7332°F

0.0643°F

Hypothesized Mean

98.6°F

-5.45

< .0001

95% CI

98.12 ~ 98.38°F

즉 Sample Mean은 기준값보다 약 0.35°F 낮고, 이 Difference는 Sampling Variability에 비해 충분히 커서 H₀와 강하게 충돌합니다.

또 95% CI도 98.6을 포함하지 않습니다.

그러나 Practical Meaning은 별도다

Statistically Significant한 약 0.35°F Difference가 실제 Biological 또는 Clinical Context에서 얼마나 중요한지는 이 t-Test 자체가 결정하지 않습니다.

따라서:

Statistical Conclusion

과:

Subject-Matter Interpretation

을 구분해야 합니다.

흔한 오해 정리

“One-Sample t-Test는 Sample Mean이 기준값과 숫자상 같은지 보는 Test다”

아닙니다.

Difference를 Sampling Variability와 비교합니다.

“Sample Mean이 기준값과 다르면 H₀는 자동으로 Reject된다”

아닙니다.

Standard Error와 Sample Size가 중요합니다.

“t가 Negative면 Result가 나쁘다”

아닙니다.

Negative Sign은 Sample Mean이 기준값보다 낮다는 Direction만 나타냅니다.

“|t|가 크면 Effect Size도 반드시 크다”

아닙니다.

Sample Size가 커서 Standard Error가 매우 작을 수 있습니다.

“p<0.05이면 Population Mean이 기준값과 크게 다르다”

아닙니다.

Statistical Significance와 Practical Magnitude는 별개입니다.

“p>0.05이면 Population Mean이 기준값과 동일하다”

아닙니다.

H₀를 Reject할 Evidence가 충분하지 않다는 의미입니다.

“H₀는 Sample Mean = μ₀이다”

아닙니다.

H₀는 Population Mean μ에 대한 Hypothesis입니다.

“Standard Deviation과 Standard Error는 같다”

아닙니다.

SD는 Individual Data Variability이고 SE는 Sample Mean의 Variability입니다.

“One-Sample t-Test에서는 Confidence Interval이 필요 없다”

필수적으로 같은 방식으로 Report해야 한다는 뜻은 아니지만 CI를 함께 보면 Effect Estimate와 Precision을 훨씬 잘 이해할 수 있습니다.

“95% CI가 기준값을 포함하지 않는데 p>0.05일 수 있다”

동일한 Two-Sided α=.05 Test와 대응하는 95% CI를 사용한다면 두 결과는 서로 연결됩니다.

“SAS에서 p-value가 나오면 Assumption은 자동으로 만족한 것이다”

아닙니다.

교재도 Q-Q Plot 등을 함께 생성하도록 구성합니다.

“Extreme Value는 SAS가 알아서 제거한다”

아닙니다.

Data Review는 Analyst가 수행해야 합니다.

“One-Sided Test는 Two-Sided p-value가 조금 클 때 바꾸면 된다”

아닙니다.

Direction은 Research Question에 따라 사전에 정의해야 합니다.

One-Sample t-Test의 전체 구조

전체 과정을 하나로 정리하면 다음과 같습니다.

Research Question

↓

Population Mean이 기준값과 다른가?

↓

Population Parameter

↓

Null Hypothesis

H₀: μ = μ₀

↓

Alternative Hypothesis

H₁: μ ≠ μ₀

↓

Sample 수집

↓

Sample Mean x̄

↓

Sample SD s

↓

Standard Error

SE = s / √n

↓

Difference

x̄ – μ₀

↓

t Statistic

(x̄ – μ₀) / SE

↓

t Distribution에서 위치 확인

↓

p-value

↓

p < α

Reject H₀

p ≥ α

Fail to Reject H₀

↓

Confidence Interval

↓

Effect Magnitude와 Precision 확인

↓

Practical Interpretation

입니다.

SAS Enterprise Guide의 실행 흐름도 같은 원리를 따른다

첨부 교재의 BodyTemp Exercise를 개념적으로 다시 연결하면:

NORMTEMP

↓

BodyTemp 선택

↓

One-Sample t Test

↓

H₀ = 98.6

↓

Summary / CI / Q-Q Plot 선택

↓

Run

↓

N / Mean / SD / SE 확인

↓

t Value 확인

↓

p-value 확인

↓

CI 확인

↓

Decision

입니다.

즉 GUI를 클릭하는 과정도 실제로는 위 Statistical Logic을 구현하는 것입니다.

왜 이 개념을 정확히 이해해야 할까?

다음 글에서 다룰 Two-Sample t-Test의 기본 구조가 One-Sample t-Test에서 확장되기 때문입니다.

One-Sample에서는:

Sample Mean – Reference Mean

을 검정합니다.

Two-Sample에서는:

Sample Mean 1 – Sample Mean 2

를 검정합니다.

하지만 공통적인 원리는 같습니다.

Observed Difference

↓

Standard Error와 비교

↓

t Statistic

↓

p-value

↓

Confidence Interval

입니다.

따라서 One-Sample t-Test는 t-Test 전체 Logic을 이해하기 위한 가장 기본적인 Model입니다.

핵심 정리

One-Sample t-Test는 하나의 Sample에서 계산한 Mean을 미리 정의된 Population Mean 기준값과 비교하는 Statistical Test입니다.

가장 기본적인 Two-Sided Hypothesis는:

H₀: μ = μ₀

H₁: μ ≠ μ₀

입니다.

첨부 교재에서는 이 Hypothesis를 검정하기 위해 Student’s t Statistic을 다음 구조로 계산합니다.

x̄ – μ₀

Standard Error

그리고 Standard Error는:

s / √n

으로 계산되며 Sample Mean의 Variability를 나타냅니다.

따라서 One-Sample t-Test의 핵심은:

Sample Mean과 기준값 사이 Difference가 몇 Standard Error만큼 떨어져 있는가?

입니다.

첨부 교재의 SATScore Example에서는:

Hypothesized Mean = 1200
Sample Mean = 1190.625
SE = 16.4416
t ≈ -0.5702

로 계산합니다.

반면 BodyTemp Exercise에서는:

N = 130
Mean = 98.2492
SD = 0.7332
SE = 0.0643
H₀ Mean = 98.6

을 사용하고, Solution에서:

t = -5.45

p < .0001

을 제시합니다.
따라서 α=.05에서는 H₀: μ=98.6을 Reject할 Statistical Evidence가 있습니다.

또 BodyTemp Mean의 95% Confidence Interval은:

98.12 ~ 98.38°F

로 제시되며 98.6을 포함하지 않아 같은 결론과 연결됩니다.

하지만 중요한 점은 Statistical Significance에서 멈추지 않는 것입니다.

p-value

는 Difference에 대한 Statistical Evidence를 보여주고,

Mean Difference

는 실제 Effect Magnitude를 보여주며,

Confidence Interval

은 Population Mean Estimate의 Precision과 가능한 Range를 보여줍니다.

따라서 좋은 One-Sample t-Test 해석은 다음과 같이 이루어집니다.

Sample Mean은 얼마인가?

↓

기준값과 얼마나 다른가?

↓

그 Difference가 Sampling Variability에 비해 얼마나 큰가?

↓

p-value는 얼마인가?

↓

Confidence Interval은 어디까지인가?

↓

그 Difference가 실제로 중요한가?

One-Sample t-Test는 “두 숫자가 다른가?”를 계산하는 방법이 아니라, Sample Mean과 기준값의 차이를 Sampling Uncertainty와 비교하여 Population Mean에 대한 Statistical Evidence를 평가하는 방법입니다.

참고한 자료

SAS Enterprise Guide: ANOVA, Regression, and Logistic Regression Course Notes
Chapter 2 Introduction to Statistics
Hypothesis Testing
Performing a Hypothesis Test
Standard Error of the Mean
Performing a One-Sample t-Test
NORMTEMP Body Temperature Exercise
Confidence Intervals for the Mean

dlgkswn111