이 질문 뒤에 면접관이 확인하려는 것은 따로 있습니다.
생물통계 수업을 들으면서 통계 공식을 외우는 것과 실험 설계에 적용하는 것은 전혀 다른 역량이라는 걸 느꼈습니다. 공식은 맞게 썼는데 표본 추출 방식이 잘못돼 결론이 흔들리는 경우를 실습에서 직접 겪었기 때문입니다. 그 이후로는 분석 방법을 배울 때 '이 방법은 어떤 설계 가정을 전제로 하는가'를 함께 확인합니다. 예를 들어 독립표본 t검정은 두 집단의 분산이 동질하다는 가정이 성립할 때 의미 있는데, 그 가정 검증을 빠뜨리면 해석이 달라집니다. R을 쓰면서 Shapiro-Wilk 검정과 Levene 검정을 분석 전 루틴으로 넣게 된 것도 이 경험 덕분입니다. 지금은 통계 소프트웨어 활용보다 설계 타당성 확인이 먼저라는 관점으로 접근합니다.
생물통계 학문 배경에서 제가 가장 실질적으로 쓴 기반은 가설 검정의 논리 구조였습니다. 유의수준과 p값의 의미를 이해하지 않으면 분석 결과를 읽는 것 자체가 어렵기 때문입니다. 확률론 수업에서 이론으로 배웠던 내용이 실제 논문 결과 해석에서 직접 쓰였습니다.
특히 1종 오류와 2종 오류의 트레이드오프를 이해하는 것이 임상 데이터에서는 더 중요하다는 걸 실습 과정에서 배웠습니다. p<0.05가 나왔다고 효과가 있다는 의미가 아니다는 걸 수치로 직접 확인했을 때 통계 기반이 왜 필요한지 실감됐습니다.
이 배경이 직무에서는 분석 결과를 해석할 때 '통계적으로 유의하다'와 '임상적으로 의미 있다'를 구분하는 기준으로 작동한다고 생각합니다. 그 구분이 안 되면 숫자를 보여줘도 결정에 쓰기 어렵습니다.
생물통계에서 학문적 배경이 필요한 이유를 가장 직접적으로 느낀 건 생존 분석 과제를 처음 접했을 때였습니다. 단순 평균이나 비율로 처리하면 되지 않나 싶었는데, 관찰 기간이 다르거나 추적이 끊긴 경우가 있으면 그 방법으로는 편향이 생긴다는 걸 배웠습니다.
Kaplan-Meier 곡선이나 Cox 비례위험 모델이 왜 나왔는지를 이해하려면 왜 일반 회귀로는 안 되는가를 먼저 알아야 했습니다. 이 과정이 통계 소프트웨어를 쓰기 전에 모델의 가정을 이해하는 것이 먼저라는 걸 체감하게 해줬습니다.
직무에서는 이 배경이 분석 방법을 선택할 때 데이터 구조를 먼저 보는 것으로 연결됩니다. 방법론을 먼저 고르는 게 아니라 데이터가 어떤 구조인지를 파악하고 적합한 방법을 고르는 순서가 중요하다고 생각합니다.
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.