이 질문 뒤에 면접관이 확인하려는 것은 따로 있습니다.
임상통계 수업에서 피험자 수를 나중에 결정하면 안 된다는 걸 교수님이 강조했는데, 처음에는 왜인지 잘 몰랐습니다. 직접 파워 분석 실습을 해보니 효과 크기를 과소 추정하면 검정력이 급격히 떨어져 실제 차이가 있어도 잡지 못한다는 걸 이해했습니다. 그 뒤로는 설계 단계에서 예상 효과 크기, 유의수준, 목표 검정력 세 값을 먼저 정합니다. R pwr 패키지로 대응표본과 독립표본 설계를 각각 계산해 보면서 같은 검정력이어도 설계 방식에 따라 필요 인원이 크게 달라진다는 것도 확인했습니다. 졸업 연구에서 검정력 0.80 기준으로 피험자 수를 산출했고 지도교수님이 설계 근거가 명확하다는 피드백을 주셨습니다. 지금도 피험자 수 결정은 분석 계획의 가장 첫 단계라고 생각합니다.
피험자 수 산출을 직접 계산해본 건 팀 프로젝트에서 가상 임상시험 설계를 맡았을 때였습니다. 검정력 80%, 유의수준 0.05로 설정하고 기대 효과 크기를 문헌에서 찾는 작업이었는데, 어떤 논문의 수치를 기준으로 삼아야 하는지가 가장 어려웠습니다.
비슷한 연구가 여러 개 있었고 효과 크기 추정치가 달랐습니다. 가장 낙관적인 수치를 쓰면 피험자 수가 줄고, 보수적인 수치를 쓰면 늘어납니다. 팀에서는 가장 최근 메타분석 수치를 기준으로 쓰되, 범위를 함께 보고하는 방식을 택했습니다.
그 경험에서 배운 건 피험자 수 산출의 핵심이 공식보다 효과 크기 가정의 근거를 어떻게 정당화하는가에 있다는 점입니다. 현업에서는 이 가정이 예산과 직결되기 때문에 문헌 검토의 질이 산출 결과의 신뢰성을 결정한다고 생각합니다.
피험자 수 산출에서 탈락률 보정을 처음 의식한 건 실제 임상시험 논문에서 당초 계획 대비 피험자가 줄어든 경우를 보고 나서였습니다. 이탈률 15%를 가정해 보정 계산을 했는데, 실제 이탈이 25%였던 경우 검정력이 목표치 아래로 떨어질 수 있다는 걸 시뮬레이션으로 확인했습니다.
이 경험 이후에는 산출 단계에서 단순 이탈률 가정이 아니라 '이탈이 무작위인가, 특정 군에서 집중되는가' 를 함께 고려해야 한다는 걸 배웠습니다. 한쪽 군에서 이탈이 몰리면 두 집단 비교 자체가 흔들릴 수 있기 때문입니다.
아직 이 판단을 실제 프로토콜 설계에 직접 반영해본 경험은 없습니다. 그 부분은 실무 데이터를 보면서 채워야 하는 한계라고 인식하고 있습니다.
답변에서 흔히 빠지는 것들 — 빠져 있으면 꼬리질문이 깊어집니다.
이 질문에 이어 고려대학교의료원 통계·계량 분석 면접관이 던질 가능성이 높은 후속 질문.
이 페이지의 질문·답변·꼬리질문은 유사 직군 채용 시장의 공개된 면접 후기·커뮤니티 게시물을 분석해 구성한 학습 자료입니다. 특정 회사가 실제로 이 질문을 출제했다는 것을 보장하지 않으며, 모든 예시는 우문현답이 직접 작성한 창작물입니다. 해당 회사의 공식 입장과는 무관합니다. 회사 측의 정정 요청이 있을 경우 24시간 이내에 응답·수정합니다.