연구 가설 설정 완전 가이드 2026: 영가설·대립가설과 검정 연결하기
학위논문 방법론 장을 작성할 때 가장 자주 막히는 곳이 있다. 바로 가설 설정이다. “가설을 어떻게 써야 하나요?”, “영가설이 꼭 필요한가요?”, “내 가설이 t검정에 맞는지 어떻게 확인하나요?” — 이 세 질문이 반복된다. 연구 가설 설정은 단순히 문장 하나를 만드는 작업이 아니다. 연구문제에서 출발해 변수를 정의하고, 통계 검정과 논리적으로 연결하는 일련의 과정 전체가 여기에 해당한다.
이 가이드는 가설의 개념과 유형(영가설·대립가설, 방향적·비방향적 가설)부터 변수와의 연결, 통계 검정 선택, 흔한 실수, 그리고 사회과학·교육학·심리학 분야의 실전 예시까지 단계별로 정리한다. 가설 설정을 처음 배우는 학부생부터 방법론 장을 다듬고 있는 대학원생 모두에게 실질적인 도움이 될 것이다.
가설은 방법론의 심장이다. 가설이 명확하지 않으면 어떤 통계 검정을 써야 할지 알 수 없고, 데이터를 수집한 뒤에도 무엇을 증명하려 했는지 흔들린다. 이제 이 혼란을 단계별로 끝내 보자.
연구 가설은 변수 간 관계에 대한 검증 가능한 예측 진술이다. 대립가설(H₁)은 연구자가 입증하려는 내용이고, 영가설(H₀)은 “차이 없음·관계 없음”이라는 기본 전제로서 통계 검정에서 실제로 검증된다. 영가설이 기각되면 대립가설이 지지된다. 가설을 통계 검정에 올바르게 연결하려면 변수의 척도 수준(명목·서열·등간·비율)과 집단 수를 먼저 확인해야 한다.
연구 가설이란 무엇인가
연구 가설(research hypothesis)은 두 개 이상의 변수 사이의 관계에 대한 검증 가능한 예측 진술이다. 단순한 짐작이나 기대가 아니라, 선행 연구 문헌이나 이론에 근거해 논리적으로 도출되어야 한다. 좋은 가설은 세 가지 핵심 요건을 충족한다.
- 반증 가능성(falsifiability): 데이터가 가설을 지지하지 않을 가능성이 있어야 한다. 어떤 결과가 나오더라도 참이 되는 진술은 가설이 아니다.
- 검증 가능성(testability): 실험, 설문, 관찰 등 실제 데이터 수집을 통해 검증할 수 있어야 한다.
- 명확성(clarity): 어떤 변수가 어떤 관계를 맺는지 모호하지 않게 표현되어야 한다.
연구 가설은 연구질문에서 자연스럽게 도출된다. 연구질문이 “무엇이 X에 영향을 미치는가?”라면, 가설은 “Y가 X에 긍정적인 영향을 미칠 것이다”라는 구체적인 예측으로 발전한다. 가설 설정이 중요한 이유는 명확하다. 가설이 확정되어야 표본 크기, 측정 도구, 통계 기법을 체계적으로 구성할 수 있기 때문이다.
가설은 방법론 전반의 뼈대가 된다. 연구방법론 완전 가이드에서 확인할 수 있듯이, 연구 설계·자료 수집·분석의 모든 단계는 처음에 설정한 가설을 중심으로 정렬된다. 가설 없이 데이터를 먼저 수집하면 나중에 분석 방향을 잡지 못하는 경우가 자주 발생한다.
영가설(H₀)과 대립가설(H₁)

가설 검정에서는 두 가지 가설이 항상 쌍을 이룬다. 이 둘의 관계와 역할을 명확히 이해하는 것이 통계 검정의 출발점이다.
영가설(귀무가설, H₀)
영가설(Null Hypothesis, H₀)은 “집단 간 차이가 없다”, “변수 간 관계가 없다”는 전제를 담은 기본 가설이다. 통계 검정은 이 영가설을 직접적으로 검증한다. 연구자는 데이터를 통해 영가설이 거짓임을 증명함으로써 — 즉, 영가설을 기각(reject)함으로써 — 연구가설이 지지됨을 간접적으로 보인다.
왜 연구가설이 아닌 영가설을 검증하는가? 논리적으로 “어떤 효과나 관계가 없다”는 명제를 반증하는 것이, “어떤 효과가 있다”를 직접 증명하는 것보다 통계적으로 다루기 쉽고 오류 통제가 명확하기 때문이다. 이는 형사재판에서 유죄가 입증될 때까지 무죄로 추정하는 논리와 유사하다.
대립가설(연구가설, H₁ 또는 Ha)
대립가설(Alternative Hypothesis, H₁)은 연구자가 실제로 입증하고자 하는 내용이다. 영가설이 기각되면 대립가설이 지지된다. 영가설이 기각되지 않는다면 “연구가설이 틀렸다”가 아니라 “현재 데이터로는 지지하기 어렵다”는 의미가 된다. 이 구분이 논의 장 작성에서 매우 중요하다.
영가설·대립가설 예시
| 연구 상황 | 영가설(H₀) | 대립가설(H₁) |
|---|---|---|
| 두 교수법의 시험 성적 비교 | 두 집단의 평균 성적에 차이가 없다 | 두 집단의 평균 성적에 유의한 차이가 있다 |
| 스트레스와 수면의 질 관계 | 스트레스 수준과 수면의 질 간 상관이 없다 | 스트레스 수준이 높을수록 수면의 질이 낮다 |
| 성별과 SNS 이용 유형 | 성별과 SNS 이용 유형은 독립적이다 | 성별에 따라 SNS 이용 유형이 다르다 |
| 자기효능감과 학업 성취도 | 자기효능감과 학업 성취도 간 관계가 없다 | 자기효능감이 높을수록 학업 성취도가 높다 |
방향적 가설과 비방향적 가설
대립가설은 방향의 명시 여부에 따라 두 가지로 나뉜다. 이 선택은 단순한 문구 차이가 아니라 통계 검정의 기각역(rejection region) 설정 방식에 직접 영향을 미친다.

방향적 가설(단측 가설, directional hypothesis)
방향적 가설은 관계나 차이의 방향을 명시한다. “A집단의 점수가 B집단보다 높을 것이다”, “X가 증가할수록 Y도 증가할 것이다”처럼 구체적인 방향이 포함된다. 충분한 선행 연구에 근거해 방향을 예측할 수 있을 때 사용하며, 통계적으로는 단측 검정(one-tailed test)에 해당한다.
비방향적 가설(양측 가설, non-directional hypothesis)
비방향적 가설은 “관계 또는 차이가 있다”고만 진술하고 방향을 명시하지 않는다. 선행 연구가 부족하거나 방향을 예측하기 어려운 탐색적 연구(exploratory study)에 적합하며, 통계적으로는 양측 검정(two-tailed test)에 해당한다.
| 구분 | 방향적 가설 | 비방향적 가설 |
|---|---|---|
| 방향 명시 | 있음 (더 높다, 더 낮다, 증가한다) | 없음 (차이가 있다, 관계가 있다) |
| 검정 방식 | 단측 검정 | 양측 검정 |
| 적합한 상황 | 선행 연구·이론적 근거 충분 | 탐색적 연구, 선행 연구 부족 |
| 표현 예시 | “A집단의 성적이 B집단보다 높을 것이다” | “A집단과 B집단의 성적에 차이가 있을 것이다” |
가설과 변수 연결하기
가설을 올바르게 설정하려면 변수의 역할을 먼저 명확히 해야 한다. 변수를 잘못 분류하면 가설 진술이 모호해지고, 잘못된 통계 검정을 선택하는 직접적인 원인이 된다. 양적 연구 방법 완전 가이드에서 다루듯이, 변수 분류와 측정 척도 결정은 연구 설계의 출발점이다.
변수의 유형
- 독립변수(IV, Independent Variable): 연구자가 조작하거나 선행한다고 가정하는 원인 변수. 예: “자기주도학습 훈련 여부”, “교수법 유형”, “직업훈련 이수 시간”.
- 종속변수(DV, Dependent Variable): 독립변수의 영향을 받아 변화한다고 가정하는 결과 변수. 예: “학업 성취도”, “직무 만족도”, “기말고사 성적”.
- 매개변수(Mediator): 독립변수와 종속변수 사이에서 그 관계를 중간에서 전달하는 변수. 예: “자기효능감”이 학습법과 성적 사이를 매개한다.
- 조절변수(Moderator): 독립변수와 종속변수 간 관계의 강도나 방향을 바꾸는 변수. 예: “학년”에 따라 교수법의 효과가 달라진다면 학년이 조절변수다.
조작적 정의(operational definition)의 중요성
가설에 등장하는 변수는 반드시 조작적으로 정의되어야 한다. 조작적 정의란 추상적인 개념을 측정 가능한 방식으로 구체화하는 것이다.
- “스트레스” → PSS-10(Perceived Stress Scale) 총점
- “학업 성취도” → 중간·기말고사 평균 점수(100점 환산)
- “직무 만족도” → 리커트 5점 척도 직무 만족 측정 문항 평균값
조작적 정의 없이 “스트레스가 학업에 영향을 미칠 것이다”라고만 쓰면, 무엇을 어떻게 측정해야 할지 알 수 없다. 심사위원이 가장 먼저 묻는 것 중 하나가 “이 개념을 어떻게 측정했나요?”라는 점을 기억하라. 올바른 연구 설계 방법에서는 변수의 조작적 정의를 연구 설계 단계에서 확정할 것을 강조한다.
가설에서 통계 검정으로

가설의 형태와 변수의 특성이 통계 검정 선택을 결정한다. 잘못된 검정을 적용하면 결과 해석 전체가 틀어진다. 아래 표는 가설 유형별 적합한 통계 검정을 정리한 것이다.
| 가설 유형 | 독립변수 척도 | 종속변수 척도 | 권장 검정 |
|---|---|---|---|
| 두 집단 평균 차이 | 명목 (2집단) | 연속 (등간/비율) | 독립표본 t검정 |
| 사전·사후 비교 | 시점 (2시점) | 연속 | 대응표본 t검정 |
| 3집단 이상 평균 차이 | 명목 (3집단+) | 연속 | 일원분산분석(ANOVA) |
| 두 연속변수 선형 관계 | 연속 | 연속 | 피어슨 상관분석 |
| 예측 또는 영향력 분석 | 연속 (1개+) | 연속 | 단순/다중 회귀분석 |
| 범주형 변수 간 독립성 | 명목/서열 | 명목/서열 | 카이제곱 검정(χ²) |
| 순위 데이터 두 집단 비교 | 명목 (2집단) | 서열/비정규 연속 | Mann-Whitney U 검정 |
통계 검정 선택에 앞서 반드시 데이터 정규성(normality)을 확인해야 한다. 표본이 충분히 크다면 중심극한정리(Central Limit Theorem)에 의해 정규성 가정이 어느 정도 완화되지만, 표본 크기가 작은 경우 Shapiro-Wilk 검정이나 Q-Q plot으로 정규성을 먼저 검토해야 한다. 각 검정 기법의 구체적인 실행 절차와 APA 결과 표 작성법은 논문 통계 분석 방법 완전 가이드에서 확인할 수 있다.
좋은 연구 가설 설정을 위한 5가지 조건
가설의 품질은 방법론 심사에서 직접적으로 평가된다. 다음 5가지 조건을 체크리스트로 활용하면 심사에서 지적받을 위험을 크게 줄일 수 있다.
- 명확성(Clarity): 변수와 관계를 모호하지 않게 서술한다. “학습이 좋아지면 성적도 좋아질 것이다”처럼 애매한 표현은 피한다. 어떤 변수가 어떤 변수에 어떤 방향으로 영향을 미치는지 명시해야 한다.
- 검증 가능성(Testability): 현재 사용 가능한 자료 수집 방법과 통계 기법으로 검증할 수 있어야 한다. “사회는 점점 더 복잡해질 것이다”는 검증 불가능하다.
- 이론적 근거(Theoretical grounding): 선행 연구나 이론에서 논리적으로 도출되어야 한다. 근거 없는 가설은 연구자의 편향에 불과하다. 문헌고찰에서 도출한 이론적 프레임과 가설이 연결되어야 한다.
- 구체성(Specificity): 독립변수와 종속변수가 명확히 명시되어야 하며, 조작적 정의와 함께 제시되어야 한다.
- 반증 가능성(Falsifiability): 데이터가 가설을 부정할 가능성이 있어야 한다. 항상 참인 진술은 학문적 가설이 아니다.
흔한 오류와 수정 예시
논문 방법론 심사에서 가장 자주 지적받는 가설 관련 오류를 정리했다.
오류 1: 변수를 명시하지 않은 가설
✗ 잘못된 예: “교육이 취업에 영향을 미칠 것이다.”
✓ 수정 예: “직업훈련 이수 시간(독립변수)이 많을수록 취업 후 첫 직장 월급(종속변수)이 높을 것이다.”
오류 2: 반증 불가능한 가설
✗ 잘못된 예: “열심히 공부하면 성적이 오를 것이다.”
✓ 수정 예: “주당 자기주도학습 시간이 3시간 이상인 학생의 기말고사 평균 점수가 3시간 미만인 학생보다 유의하게 높을 것이다.”
오류 3: 가설을 연구질문으로 서술
✗ 잘못된 예: “자기효능감이 학업 성취도에 영향을 미치는가?”
✓ 수정 예: “자기효능감 수준이 높을수록 학업 성취도가 유의하게 높을 것이다.”
오류 4: 가설과 통계 검정의 불일치
✗ 문제 상황: “성별에 따른 SNS 이용 유형의 차이”를 가설로 설정했는데 피어슨 상관분석을 사용한다. 성별은 명목변수, SNS 이용 유형도 범주형 변수이므로 피어슨 상관분석은 부적합하다.
✓ 수정: 가설에 맞는 카이제곱 검정(χ²)으로 교체하거나, 가설을 두 연속변수 간 관계로 재설정한다.
오류 5: 너무 많은 가설
학위논문에서 가설은 연구문제에서 파생된 핵심 예측만 포함해야 한다. 가설이 지나치게 많으면 연구 초점이 분산되고, 다중 비교 문제(multiple comparison problem)로 1종 오류(Type I error) 위험이 커진다. 부 가설이 많아질 경우 Bonferroni 교정 등 다중 비교 보정 절차를 방법론 장에 명시해야 한다. 연구 주제를 집중적으로 좁히는 방법은 논문 주제 선정 완전 가이드를 참고하라.
단계별 가설 작성 실전 예시
교육학 분야의 연구 시나리오를 바탕으로 가설 설정 전 과정을 단계별로 보여준다.
연구 시나리오
대학원생 A는 “플립드 러닝(flipped learning)이 대학생의 수업 참여도와 기말고사 성적에 미치는 영향”을 연구하려 한다.
1단계: 연구질문 확정
“플립드 러닝을 적용한 집단과 전통 강의식 수업을 받은 집단 간에 수업 참여도와 기말고사 성적에 유의한 차이가 있는가?”
2단계: 변수 정의
- 독립변수: 수업 방식 (플립드 러닝 집단 vs. 전통 강의 집단) — 명목변수
- 종속변수 1: 수업 참여도 (수업 참여 관찰 체크리스트 총점) — 등간변수
- 종속변수 2: 기말고사 성적 (100점 만점 환산 점수) — 비율변수
3단계: 선행 연구 검토 및 가설 방향 결정
플립드 러닝 관련 선행 연구들은 전통 강의식 수업에 비해 학습자 참여도와 성취도가 높아지는 경향을 보고하고 있다. 이에 방향적(단측) 가설을 설정한다.
4단계: 가설 진술
- H₀: 플립드 러닝 집단과 전통 강의 집단 간 수업 참여도 및 기말고사 성적에 유의한 차이가 없다.
- H₁a: 플립드 러닝 집단의 수업 참여도 점수가 전통 강의 집단보다 유의하게 높을 것이다.
- H₁b: 플립드 러닝 집단의 기말고사 성적이 전통 강의 집단보다 유의하게 높을 것이다.
5단계: 통계 검정 선택
두 집단, 연속형 종속변수 → 독립표본 t검정 적용. 정규성 가정이 충족되지 않을 경우 Mann-Whitney U 검정으로 대체. 두 종속변수를 동시에 비교할 경우 다변량 분산분석(MANOVA) 사용을 고려한다.
완성된 방법론 장 가설 절의 구조
- 연구 모형 제시 (화살표 모형 또는 서술)
- 가설 H₀, H₁a, H₁b 기술
- 각 가설에 적용할 통계 검정 명시
- 유의수준(α = .05) 설정 명시
이 전체 과정은 양적 연구 방법론의 핵심 흐름이다. 가설과 연구 설계를 일관되게 연결하는 방식이 심사에서 가장 높은 평가를 받는다. 영어 논문에서 가설을 포함한 방법론을 어떻게 서술하는지 비교하고 싶다면, tesify.app의 Research Methodology Types 영문 가이드에서 국제 학술지 기준 방법론 서술 방식을 확인할 수 있다.
자주 묻는 질문
영가설과 귀무가설은 같은 말인가요?
네, 같은 개념입니다. 영가설(零假說)과 귀무가설(歸無假說)은 Null Hypothesis(H₀)를 번역한 두 가지 표현입니다. 한국 학계에서는 두 용어 모두 사용되며, 사회과학 분야에서는 ‘영가설’이 더 자주 쓰입니다. 두 용어 모두 “집단 간 차이가 없다” 또는 “변수 간 관계가 없다”는 기본 전제를 담습니다.
질적 연구에서도 가설을 설정해야 하나요?
아닙니다. 가설 설정은 주로 양적 연구(quantitative research)에서 요구됩니다. 질적 연구는 미리 결론을 예측하기보다 현상을 탐색하고 의미를 구성하는 데 초점을 두기 때문에, 공식적인 H₀/H₁ 가설 대신 ‘연구질문(research question)’을 사용합니다. 혼합 연구에서는 양적 파트에서 가설을, 질적 파트에서 연구질문을 병행하는 방식이 일반적입니다.
가설 검정에서 p값이 0.05보다 크면 어떻게 해야 하나요?
p값이 α(.05)보다 크면 영가설을 기각하지 못합니다. 이것은 “연구가설이 틀렸다”는 의미가 아닙니다. “현재 표본과 분석 결과만으로는 통계적으로 유의한 차이나 관계를 확인하기 어렵다”는 뜻입니다. 표본 크기(통계적 검정력), 측정 도구의 신뢰도, 연구 설계상의 한계를 논의 장에서 성실히 기술하는 것이 올바른 접근입니다.
가설은 방법론 장 어디에 쓰나요?
일반적으로 가설은 방법론 장의 ‘연구 모형 및 가설 설정’ 절에서 서술됩니다. 연구 문제 → 연구 모형 → 가설의 순서로 제시하는 것이 일반적이며, 이후 ‘분석 방법’ 절에서 각 가설에 적용할 통계 검정을 설명합니다.
가설은 몇 개가 적당한가요?
학사논문은 2–4개, 석사논문은 3–6개 내외가 일반적입니다. 가설 수가 너무 많으면 연구 초점이 분산되고, 다중 비교 문제(multiple comparison problem)로 1종 오류 위험이 높아집니다. 부 가설이 많아질 경우 Bonferroni 교정 등 다중 비교 보정 절차를 방법론 장에 명시해야 합니다.
Tesify가 연구 가설 설정에 어떻게 도움이 되나요?
Tesify는 연구 주제와 선행 연구를 입력하면 방법론 구조 설계 — 가설 초안, 변수 정의, 적합한 통계 검정 제안 — 를 지원하는 학술 AI 도구입니다. 초안 작성 후에는 독창성 자가 점검 기능으로 학문적 진실성을 확인할 수 있습니다. 무료로 시작할 수 있으며, 가설 설정 단계부터 활용하면 방법론 장 전체의 일관성을 높이는 데 도움이 됩니다.
Tesify로 가설 설정부터 방법론 장 작성까지
연구 주제와 변수를 입력하면 Tesify가 가설 초안, 적합한 통계 검정, 방법론 장 구조를 함께 설계해 드립니다. 학문적 진실성을 지키면서 논문 작성 시간을 단축하세요.
