t-검정

단일 표본 t-검정은 하나의 표본 집단으로부터 얻은 평균이 특정한 기준값(예: 이론적 평균, 목표치, 과거의 평균)과 통계적으로 유의미하게 다른지를 검증하는 방법이다. 이 검정은 모집단의 평균을 알고 있거나 가정할 수 있을 때, 표본 데이터가 그 모집단에서 나왔는지 평가하는 데 사용된다. 예를 들어, 새로운 약의 효과가 기존 표준 치료법의 평균 효과와 차이가 있는지, 또는 특정 공정에서 생산된 제품의 평균 강도가 규격값을 만족하는지 확인할 때 적용할 수 있다.

단일 표본 t-검정을 수행하기 위해서는 먼저 귀무가설과 대립가설을 설정한다. 일반적으로 귀무가설은 "표본이 속한 모집단의 평균이 기준값과 같다"는 형태로, 대립가설은 "두 값이 같지 않다(양측 검정)"거나 "한쪽이 더 크다/작다(단측 검정)"는 형태로 설정된다. 다음으로 유의수준(예: 0.05)을 결정하고, 표본 평균, 표본 표준편차, 표본 크기를 이용해 t-통계량을 계산한다. 이 t-통계량은 표본 평균과 기준값의 차이를 표본의 변동성(표준오차)으로 나눈 값이다.

계산된 t-통계량은 자유도가 (표본 크기 - 1)인 t-분포와 비교된다. 이를 통해 해당 t-값이 발생할 확률인 p-값을 구할 수 있다. 만약 p-값이 사전에 설정한 유의수준보다 작으면, 표본 평균과 기준값의 차이가 통계적으로 유의하다고 판단하여 귀무가설을 기각한다. 이는 표본이 추출된 모집단의 평균이 기준값과 다르다는 증거로 해석된다. 반대로 p-값이 유의수준보다 크면, 통계적으로 유의한 차이를 발견하지 못한 것으로 귀무가설을 기각하지 않는다.

단일 표본 t-검정은 가설 검정의 기본적인 형태 중 하나로, 추론 통계의 핵심 도구이다. 이 검정을 적용하기 위한 주요 가정과 조건은 표본 데이터가 독립적으로 추출되었으며, 근사적으로 정규분포를 따른다는 것이다. 표본 크기가 충분히 크다면 중심극한정리에 의해 정규성 가정은 완화될 수 있다. 이 검정은 z-검정과 유사하지만, 모집단의 표준편차를 알지 못하고 표본 데이터로부터 추정해야 할 때 주로 사용된다는 점에서 차이가 있다.

독립 표본 t-검정은 서로 다른 두 개의 독립적인 집단 간 평균 차이가 통계적으로 유의미한지를 검증하는 가설 검정 방법이다. 예를 들어, 남성과 여성의 평균 키를 비교하거나, 서로 다른 두 가지 교육 방법을 적용한 학급의 평균 성적을 비교하는 경우에 사용된다. 이 검정은 두 집단의 데이터가 서로 관련이 없는, 즉 독립적으로 수집된 표본이라는 전제를 바탕으로 한다.

이 검정을 수행하기 위해서는 몇 가지 가정을 충족해야 한다. 첫째, 각 집단의 데이터는 정규 분포를 따라야 하는 정규성 가정이다. 둘째, 두 집단의 분산이 동일하다는 등분산성 가정이다. 등분산성이 성립하지 않는 경우에는 웰치의 t-검정과 같은 수정된 방법을 사용할 수 있다. 마지막으로, 각 관측값은 서로 독립적이어야 하며, 한 집단 내의 데이터가 다른 집단의 데이터에 영향을 미쳐서는 안 된다.

독립 표본 t-검정의 절차는 먼저 비교하고자 하는 두 집단의 평균에 차이가 없다는 귀무가설을 설정하는 것으로 시작한다. 그 다음, 표본 데이터로부터 t-통계량을 계산하고, 이를 자유도가 조정된 t-분포와 비교하여 p-값을 구한다. 계산된 p-값이 사전에 정한 유의수준(예: 0.05)보다 작으면, 두 집단 평균 간에 통계적으로 유의미한 차이가 있다고 결론 내린다.

이 검정은 의학 연구, 심리학, 사회 과학 등 다양한 분야에서 두 집단을 비교하는 핵심 도구로 널리 활용된다. 그러나 표본 크기가 매우 작거나, 데이터가 정규 분포를 심각하게 벗어나는 경우, 또는 이상치의 영향이 클 경우에는 결과 해석에 주의를 기울여야 한다.

대응 표본 t-검정은 동일한 관찰 대상이나 짝지어진 두 집단에 대해 두 번의 측정을 실시했을 때, 그 측정값들의 평균 차이가 통계적으로 유의미한지를 검증하는 방법이다. 이 검정은 독립 표본 t-검정과 구분되는데, 두 집단의 데이터가 서로 독립적이지 않고 짝을 이루고 있다는 점이 핵심 특징이다.

이 검정은 주로 동일 집단을 대상으로 시간의 변화에 따른 효과를 측정하는 전후 비교 연구에서 활용된다. 예를 들어, 특정 교육 프로그램의 효과를 평가하기 위해 참가자들의 사전 점수와 사후 점수를 비교하거나, 새로운 약물의 효능을 확인하기 위해 환자들의 치료 전후 증상 점수를 비교할 때 사용된다. 또한, 쌍둥이 연구나 신발의 왼쪽/오른쪽 마모도 비교처럼 본질적으로 짝을 이루는 관찰에서도 적용된다.

대응 표본 t-검정을 수행할 때는 각 짝(pair)에서의 차이값을 계산하여, 이 차이값들이 평균적으로 0과 유의미하게 다른지를 단일 표본 t-검정의 방식으로 분석한다. 따라서 이 검정의 주요 가정은 차이값들이 정규분포를 따라야 한다는 것이며, 등분산성 가정은 필요하지 않다. 짝지어진 설계는 개체 간 변동을 통제할 수 있어, 동일한 효과 크기에 대해 독립 표본 t-검정보다 검정력을 높일 수 있는 장점이 있다.

정규성 가정은 t-검정을 수행하기 위한 핵심 조건 중 하나이다. 이 가정은 검정에 사용되는 표본 데이터가, 또는 표본이 추출된 모집단이 정규분포를 따른다는 것을 의미한다. t-검정은 표본 평균의 분포가 정규분포에 근사한다는 이론적 근거 위에 설계된 방법이기 때문에, 이 가정이 충족되지 않으면 검정 결과의 신뢰도가 떨어질 수 있다.

정규성 가정은 특히 표본 크기가 작을 때 중요하다. 중심극한정리에 따르면 표본 크기가 충분히 크면 표본 평균의 분포는 정규분포에 가까워지므로, 대규모 표본의 경우 정규성 가정이 완화될 수 있다. 일반적으로 표본 크기가 30 이상이면 정규성 가정에 대한 엄격한 요구가 줄어드는 것으로 간주한다. 그러나 표본 크기가 작은 경우에는 데이터의 정규성을 더욱 엄격하게 확인해야 한다.

정규성을 평가하는 방법에는 시각적 방법과 통계적 검정 방법이 있다. 시각적 방법으로는 Q-Q 플롯이나 히스토그램을 통해 데이터의 분포를 살펴보는 것이 포함된다. 통계적 검정 방법으로는 샤피로-윌크 검정이나 콜모고로프-스미르노프 검정 등을 사용하여 정규성 가설을 공식적으로 검정할 수 있다.

만약 데이터가 정규성을 심각하게 위반하는 경우, t-검정 대신 비모수 검정 방법을 고려할 수 있다. 예를 들어, 윌콕슨 순위합 검정이나 만-위트니 U 검정은 정규성 가정을 요구하지 않는 대안이 될 수 있다. 또는 데이터에 로그 변환이나 제곱근 변환과 같은 변환을 적용하여 정규성에 가깝게 만든 후 t-검정을 수행하는 방법도 있다.

등분산성 가정은 독립 표본 t-검정을 수행할 때 중요한 전제 조건 중 하나이다. 이는 비교하려는 두 개의 독립적인 모집단의 분산이 서로 같다는 가정을 의미한다. 즉, 두 집단의 데이터가 평균은 다를 수 있지만, 그 흩어짐의 정도는 동일하다고 가정하는 것이다. 이 가정이 충족되어야만 검정에 사용되는 검정 통계량의 공식이 타당해지고, 결과의 신뢰도가 보장된다.

등분산성 가정이 위배되는 경우, 즉 두 집단의 분산이 현저히 다른 경우를 이분산성이라고 한다. 이분산성 상황에서 일반적인 독립 표본 t-검정을 그대로 적용하면 제1종 오류를 범할 확률이 증가하거나 검정력이 저하될 수 있다. 따라서 실제 분석에서는 등분산성 가정이 성립하는지 먼저 확인하는 절차가 필요하다.

등분산성을 검정하는 대표적인 방법으로는 Levene의 검정이나 F-검정이 있다. 이러한 검정 결과에 따라 두 집단의 분산이 동일하다고 판단되면 일반적인 t-검정을, 그렇지 않으면 이분산 가정 t-검정이라고 불리는 수정된 방법(예: 웰치의 t-검정)을 사용한다. 대부분의 통계 소프트웨어는 등분산성 검정 결과와 이분산 가정 t-검정 결과를 함께 제공하여 분석자의 판단을 돕는다.

한편, 일표본 t-검정이나 대응 표본 t-검정에서는 두 집단의 분산을 직접 비교하지 않기 때문에 등분산성 가정이 필요하지 않다. 등분산성 가정은 오직 두 개의 독립적인 표본을 비교하는 독립 표본 t-검정에만 해당되는 특수한 조건임을 인지하는 것이 중요하다.

독립성 가정은 t-검정을 수행하기 위한 핵심 조건 중 하나이다. 이 가정은 분석에 사용되는 표본 내 관측값들이 서로 독립적으로 생성되어야 함을 의미한다. 즉, 하나의 관측값이 다른 관측값에 영향을 미치지 않아야 한다. 이 가정은 일표본 t-검정, 독립표본 t-검정, 대응표본 t-검정 모두에 적용되는 기본 원칙이다.

독립성이 위반되는 대표적인 사례는 반복 측정 데이터, 시계열 데이터, 또는 군집화된 데이터를 분석할 때 발생한다. 예를 들어, 동일한 환자에게 시간차를 두고 반복적으로 측정한 데이터나, 특정 가족 구성원들의 데이터는 서로 상관관계를 가질 가능성이 높다. 이러한 경우 표준 t-검정을 적용하면 검정의 정확도가 떨어지고 제1종 오류 또는 제2종 오류를 범할 위험이 증가한다.

독립성 가정은 주로 연구 설계 단계에서 확보된다. 단순 무작위 표집을 실시하거나, 실험군과 대조군을 무작위로 배정하는 무작위 배정은 표본의 독립성을 보장하는 주요 방법이다. 데이터 수집 후에는 통계적 방법으로 독립성을 공식적으로 검증하기 어려운 경우가 많으므로, 연구 설계의 적절성이 매우 중요하다.

독립성 가정이 충족되지 않을 경우, 대응표본 t-검정을 위한 차이값 계산이나, 혼합 모형과 같은 보다 복잡한 통계 기법을 고려해야 한다.

t-검정을 수행할 때는 먼저 검증하고자 하는 통계적 가정을 명확한 형태의 가설로 설정한다. 이는 귀무가설과 대립가설이라는 상반된 두 가설로 구성된다. 귀무가설은 일반적으로 두 집단의 평균 차이가 없다는 '무효' 또는 '차이가 없음'의 가정을 의미한다. 예를 들어, 독립표본 t-검정에서 귀무가설은 두 모집단의 평균이 동일하다는 것이다. 반면 대립가설은 연구자가 실제로 입증하고자 하는 가설로, 두 집단의 평균에 차이가 있다는 주장을 담는다.

대립가설은 검정의 방향성에 따라 단측 검정과 양측 검정으로 구분하여 설정할 수 있다. 양측 검정은 단순히 평균이 다르다는 것에 관심을 두며, 특정 방향을 지정하지 않는다. 단측 검정은 한 집단의 평균이 다른 집단보다 크거나(우단측) 작다(좌단측)는 특정 방향의 차이를 검증한다. 연구 설계 단계에서 가설을 설정할 때는 연구 질문과 이론적 배경을 바탕으로 적절한 가설과 검정 방향을 선택해야 한다.

가설 설정은 이후 모든 분석의 기준이 되므로 매우 신중하게 이루어져야 한다. 검정 결과 계산된 p-값은 귀무가설이 참이라는 가정 하에 현재 표본 데이터가 관측될 확률을 의미하며, 이 값을 미리 설정한 유의수준과 비교하여 귀무가설의 기각 여부를 결정하게 된다. 따라서 명확하고 검증 가능한 가설을 설정하는 것은 통계적 유의성을 평가하는 첫걸음이자 핵심 단계이다.

유의수준 결정은 가설 검정의 핵심 단계로, 귀무가설이 사실일 때 이를 잘못 기각할 확률의 허용 한계를 설정하는 과정이다. 이렇게 설정된 유의수준은 일반적으로 그리스 문자 알파(α)로 표시되며, 가장 흔히 사용되는 값은 0.05, 0.01, 0.001이다. 예를 들어 α=0.05로 결정한다는 것은, 실제로는 두 집단의 평균 차이가 없음에도 불구하고 통계적 유의성이 있다고 잘못 결론 내릴 확률을 5% 이하로 허용하겠다는 의미이다.

유의수준은 연구의 분야와 결과의 중요성에 따라 달라진다. 의학이나 제약 분야의 임상 시험처럼 오류의 결과가 심각할 수 있는 연구에서는 보수적으로 α=0.01 또는 그 이하의 엄격한 수준을 사용한다. 반면, 탐색적 연구나 사회과학 연구에서는 α=0.05가 일반적으로 적용된다. 이 값은 연구자가 분석 전에 미리 설정해야 하며, p-값을 계산한 후에 결과에 맞춰 임의로 변경해서는 안 된다.

유의수준은 제1종 오류의 확률을 통제하는 동시에, 검정력과 직접적인 상충 관계에 있다. 유의수준을 낮게 설정하면(예: α=0.01) 귀무가설을 잘못 기각할 위험은 줄어들지만, 실제 존재하는 차이를 탐지할 수 있는 검정력도 함께 감소할 수 있다. 따라서 연구자는 허용 가능한 오류의 위험과 연구의 목적을 고려하여 적절한 균형점을 찾아 유의수준을 결정한다.

t-검정의 검정 통계량 계산은 설정한 가설과 사용하는 t-검정의 유형에 따라 공식이 달라진다. 검정 통계량(t-통계량)은 표본 데이터로부터 계산된 값으로, 귀무가설이 참이라는 가정 하에 기대되는 분포인 t-분포와 비교된다.

단일 표본 t-검정의 검정 통계량은 표본 평균과 가설된 모집단 평균의 차이를 표본 표준편차로 정규화하여 계산한다. 공식은 t = (표본평균 - 가설된 모평균) / (표본표준편차 / √표본크기)이다. 이는 표본 평균이 모평균과 얼마나 떨어져 있는지를 표준 오차 단위로 나타낸다. 독립 표본 t-검정에서는 두 집단의 표본 평균 차이를 두 집단의 분산을 합친 통합된 표준 오차로 나누어 계산한다. 등분산을 가정하는 경우와 가정하지 않는 경우(웰치의 t-검정)에 따라 표준 오차 계산 공식이 다르다. 대응 표본 t-검정은 각 쌍의 차이값을 하나의 표본으로 간주하여, 차이값들의 평균이 0과 유의미하게 다른지를 검정하는 방식으로 계산한다. 이는 본질적으로 단일 표본 t-검정을 차이값에 적용하는 것과 같다.

계산된 t-통계량의 절대값이 클수록 표본에서 관찰된 평균 차이가 우연히 발생했을 가능성이 낮음을 의미한다. 이 t-통계량과 자유도를 이용해 p-값을 구하거나, 미리 정한 유의수준에 해당하는 t-분포의 임계값과 비교하여 귀무가설의 기각 여부를 결정하게 된다. 계산 과정에서는 표준편차, 표준 오차, 자유도 등의 개념이 함께 사용된다.

t-검정의 결과 해석은 계산된 검정 통계량과 p-값을 중심으로 이루어진다. 검정 통계량(t-값)은 표본 데이터에서 관찰된 두 평균 간 차이의 크기를 표준 오차 단위로 나타낸 값이다. 이 t-값의 절대값이 클수록 귀무 가설 하에서 관찰된 차이가 발생할 확률이 낮아지며, 이는 통계적으로 유의미한 차이가 있을 가능성이 높음을 시사한다.

결과 해석의 핵심은 p-값을 미리 설정한 유의수준(예: 0.05)과 비교하는 것이다. p-값이 유의수준보다 작으면, 귀무 가설(예: '두 집단의 평균이 같다')을 기각하고 대립 가설을 채택할 수 있는 통계적 증거가 있다고 판단한다. 반대로 p-값이 유의수준보다 크면, 귀무 가설을 기각할 만한 충분한 증거가 없다고 해석한다. 이때 '귀무 가설을 채택한다'고 표현하지 않으며, 단지 기각할 수 없다는 보수적 결론을 내린다.

또한, 신뢰구간을 함께 확인하는 것이 좋다. 예를 들어, 두 집단 평균 차이에 대한 95% 신뢰구간이 0을 포함하지 않는다면, 이는 유의수준 0.05에서 통계적으로 유의한 차이가 있음을 보여준다. 신뢰구간은 효과의 크기와 정밀도를 동시에 제공하여, 단순히 유의성 여부를 넘어 차이의 실제적 의미를 평가하는 데 도움을 준다.

마지막으로, 통계적 유의성과 실질적 유의성은 구분되어야 한다. 매우 큰 표본에서는 아주 작은 차이도 통계적으로 유의해질 수 있지만, 그 차이가 실제 현장이나 연구 분야에서 의미 있는 크기인지는 별개의 문제이다. 따라서 p-값과 함께 효과 크기(예: Cohen's d)를 계산하고 보고하여 결과 해석의 완성도를 높이는 것이 권장된다.

z-검정은 모집단의 분산 또는 표준편차를 알고 있을 때, 표본의 평균이 모집단의 평균과 통계적으로 유의미하게 다른지 검정하는 방법이다. 이 검정은 표본 크기가 충분히 크거나 모집단이 정규분포를 따른다는 가정 하에 사용된다. 검정 통계량으로는 표준정규분포를 따르는 z-통계량을 계산한다.

t-검정과 z-검정의 가장 큰 차이는 사용하는 분산 정보에 있다. t-검정은 모집단의 분산을 모르고 표본 분산을 사용하는 반면, z-검정은 모집단의 분산을 알고 있다고 가정한다. 이로 인해 t-검정은 자유도에 따라 모양이 변하는 t-분포를 사용하고, z-검정은 고정된 형태의 표준정규분포를 사용한다.

현실에서는 모집단의 분산을 정확히 아는 경우가 드물기 때문에, z-검정의 직접적인 적용은 제한적이다. 그러나 표본 크기가 매우 클 경우(대표본), 중심극한정리에 의해 표본 평균의 분포가 정규분포에 근사하고, 표본 분산이 모분산의 좋은 추정치가 되므로 t-검정 결과가 z-검정에 근사하게 된다. 따라서 대표본의 경우 두 검정 방법의 결과는 거의 동일해진다.

z-검정은 주로 품질 관리나 공정 관리와 같은 분야에서, 오랜 기간 축적된 데이터를 바탕으로 모집단의 변동(분산)을 이미 알고 있는 상황에서 새로운 표본 데이터를 평가할 때 활용된다. 또한 가설 검정의 기본 원리를 설명하는 교육적 맥락에서도 자주 등장하는 개념이다.

ANOVA(분산 분석)는 t-검정이 두 집단의 평균을 비교하는 데 사용된다면, 세 개 이상의 집단 간 평균 차이를 동시에 검정하는 데 사용되는 통계적 방법이다. t-검정을 여러 번 반복하여 비교하면 제1종 오류(귀무가설을 잘못 기각하는 오류)가 누적될 위험이 있으므로, 이러한 문제를 피하고자 개발되었다.

ANOVA의 기본 원리는 집단 간 변동과 집단 내 변동을 비교하는 것이다. 즉, 관측된 데이터의 총 변동을 서로 다른 집단에 기인한 변동과 각 집단 내에서 발생하는 우연한 변동으로 분해하여 분석한다. 만약 집단 간 평균 차이가 유의미하다면, 집단 간 변동이 집단 내 변동에 비해 상대적으로 클 것으로 기대된다. 이 비교는 F-분포를 따르는 F-통계량을 계산하여 수행한다.

ANOVA에는 여러 유형이 있다. 가장 기본적인 형태는 일원 분산 분석으로, 하나의 범주형 독립 변수가 연속형 종속 변수에 미치는 영향을 분석한다. 두 개 이상의 독립 변수를 동시에 분석할 때는 이원 분산 분석 등을 사용하며, 이 경우 변수 간 상호작용 효과도 검정할 수 있다. ANOVA의 결과가 유의미하여 집단 간 평균에 차이가 있다고 판단되면, 사후 분석(예: 튜키 검정, 본페로니 교정)을 통해 구체적으로 어느 집단 쌍 사이에 차이가 있는지를 추가로 탐색한다.

ANOVA는 심리학, 의학, 농학, 공학 등 다양한 분야의 실험 연구에서 널리 활용된다. 예를 들어, 서로 다른 세 가지 교육 방법이 학생들의 성적에 미치는 효과를 비교하거나, 여러 종류의 비료가 작물 수확량에 미치는 영향을 평가하는 데 적합한 방법이다.

효과 크기는 통계적 검정 결과의 실질적 중요성을 평가하는 지표이다. t-검정에서 p-값이 통계적 유의성만을 나타내는 반면, 효과 크기는 관찰된 차이의 크기나 강도를 정량화한다. 즉, 두 집단 평균의 차이가 통계적으로 유의할 뿐만 아니라 실제 상황에서 얼마나 의미 있는지를 판단하는 데 도움을 준다. 이는 특히 표본 크기가 클 때 통계적으로 유의미하지만 실질적으로는 미미한 차이를 구별하는 데 중요하다.

t-검정에서 가장 일반적으로 사용되는 효과 크기 지표는 Cohen's d이다. 이는 두 집단 평균의 차이를 표준편차 단위로 표현한 값이다. 계산식은 (집단1 평균 - 집단2 평균) / 통합 표준편차의 형태를 가진다. Cohen's d의 값은 일반적으로 0.2는 작은 효과, 0.5는 중간 효과, 0.8은 큰 효과로 해석하는 기준이 널리 사용된다. 대응 표본 t-검정의 경우에는 표준편차 계산 방식이 조정된다.

효과 크기를 보고하는 것은 연구 결과의 재현성과 메타분석에 기여한다. p-값만 제시하는 것보다 효과 크기와 신뢰구간을 함께 제시하면, 연구 결과의 불확실성과 실질적 영향력을 더 풍부하게 전달할 수 있다. 이는 의학 연구나 심리학 등 다양한 응용 통계 분야에서 점차 표준적인 관행이 되어가고 있다.

p-값은 귀무가설이 참이라는 전제 하에, 현재 관측된 검정 통계량 값보다 더 극단적인 결과가 나올 확률을 의미한다. t-검정을 포함한 통계적 가설 검정에서 p-값은 귀무가설을 기각할지 말지 결정하는 핵심적인 지표로 사용된다. 일반적으로 사전에 설정한 유의수준(예: 0.05)과 p-값을 비교하여, p-값이 유의수준보다 작으면 귀무가설을 기각하고 대립가설을 채택하는 결론을 내린다.

p-값의 크기는 관찰된 효과나 차이가 우연히 발생했을 가능성을 나타낸다. 예를 들어, 두 집단의 평균을 비교하는 독립표본 t-검정에서 매우 작은 p-값(예: 0.001)이 나왔다면, 두 모집단의 평균이 실제로 같음에도 불구하고 현재와 같은 차이를 보이는 표본이 관찰될 확률이 매우 낮다는 것을 의미한다. 이는 관찰된 차이가 통계적으로 유의미하다는 증거로 해석된다.

그러나 p-값은 절대적인 진리나 효과의 크기를 직접적으로 나타내는 지표가 아니다. p-값이 작다고 해서 항상 실질적으로 중요한 차이를 의미하는 것은 아니며, 반대로 p-값이 크다고 해서 차이가 전혀 없다고 단정할 수도 없다. 따라서 p-값 해석 시에는 효과 크기와 신뢰구간을 함께 고려하는 것이 바람직하다. 또한, p-값은 표본 크기에 크게 영향을 받기 때문에, 큰 표본에서는 사소한 차이도 통계적으로 유의미한 결과를 낳을 수 있다는 점에 유의해야 한다.

p-값의 오해와 남용을 방지하기 위해, 현대 통계학에서는 단순히 '유의하다/유의하지 않다'는 이분법적 결론을 내리기보다는 p-값을 연속적인 증거의 척도로 보고, 연구 맥락과 다른 통계량을 종합적으로 평가할 것을 권장한다.