• 데이터 정제: 결측치(빈칸)나 입력 오류(예: 1~5점 척도인데 55로 잘못 입력된 값)를 잡아낸다.
• 데이터 요약: 빈도, 평균, 표준편차 등을 통해 방대한 데이터를 한눈에 들어오는 표기법으로 압축한다.
• 시각적 탐색: 히스토그램이나 상자 그림(Box plot) 등을 그려 집단 간의 패턴을 직관적으로 확인한다.

분석의 첫 단추는 변수의 성격을 jamovi에게 정확히 알려주는 것이다. 프로그램은 데이터 열의 맨 위에 있는 '아이콘'을 보고 이 데이터가 평균을 낼 수 있는 숫자인지, 아니면 집단을 나누는 이름표인지 판단한다.

• 명목형 (Nominal, 겹쳐진 원 3개 아이콘): 크기나 서열의 의미가 없는 '이름표' 데이터다. Gender(성별), SNS_Purpose(이용 목적)가 여기에 해당한다. 숫자로 1(남), 2(여)라고 입력되어 있어도 절대 평균(1.5)을 내면 안 되는 데이터다.
• 연속형 (Continuous, 눈금자 아이콘): 덧셈, 뺄셈, 평균 계산이 가능한 진짜 수치 데이터다. Selfie_Count(셀카 횟수), NPI_Score(나르시시즘 점수)가 여기에 해당한다.

• Variables (변수 상자): 분석할 대상 변수를 넣는 곳이다.
• Split by (분할 상자): 명목형 변수(예: 성별, 목적)를 넣어 데이터를 그룹별로 쪼개서 볼 때 사용한다.
• Descriptives:결과표의 레이아웃을 결정한다.
  • Variables across columns: 변수를 열에 배치한다. 가독성이 좋아 기본값으로 쓰인다.
  • Variables across rows: 변수를 행(세로)에 배치한다. 분석할 변수가 아주 많아서 표가 옆으로 너무 길어질 때 사용하면 깔끔하다.
• Frequency tables: 명목형(Nominal) 및 순서형(Ordinal) 변수의 각 항목별 인원수(N)와 비율(%)을 표로 만들어 준다.

• Sample Size (표본 크기): N(정상 입력된 데이터 개수)과 Missing(빈칸/결측치 개수)을 확인한다. 결측치 확인은 필수다.
• Percentile Values (백분위수): Cut points for를 통해 데이터를 원하는 등분으로 자르는 기준점을 보거나, Percentiles로 특정 백분위(기본 25%, 50%, 75%)에 해당하는 값을 확인한다.
• Central Tendency (중심경향치): 데이터의 중심을 나타낸다. Mean(평균), Median(중앙값), Mode(최빈값), Sum(합계)을 선택할 수 있다. 이상치가 심할 땐 평균보다 중앙값이 현상을 더 정확히 반영한다.
• Dispersion (산포도): 데이터가 흩어진 정도다. Std. deviation(표준편차), Variance(분산), Range(범위: 최댓값-최솟값), Minimum(최솟값), Maximum(최댓값), IQR(사분위수 범위)을 제공한다. 최솟값과 최댓값은 코딩 오류(예: 5점 만점인데 55 입력)를 잡아낼 때 유용하다.
• Distribution (분포): Skewness(왜도)는 데이터가 좌우로 얼마나 쏠렸는지, Kurtosis(첨도)는 분포가 위아래로 얼마나 뾰족한지를 알려준다.
• Normality (정규성): Shapiro-Wilk 검정을 통해 데이터가 정규분포를 따르는지(p값 확인) 통계적으로 검증한다. (보통 50명 미만의 소표본에서 사용)
• Mean Dispersion (평균 산포): Std. error of Mean(평균의 표준오차)과 Confidence interval for Mean(평균의 95% 신뢰구간)을 도출한다. 수집한 데이터(표본)의 평균이 실제 전체 대상(모집단)의 진짜 평균을 얼마나 잘 대표하는지, 즉 도출된 평균값을 얼마나 믿을 수 있는지 통계적으로 평가할 때 쓰인다. 오차가 작고 신뢰구간이 좁을수록 평균의 정확도가 높다는 뜻이다.
• Outliers (이상치): Most extreme을 체크하면 가장 값이 크거나 작은 극단적인 N개의 값을 리스트업해 준다.

• Histograms (히스토그램): Histogram은 막대 형태로, Density는 부드러운 곡선 형태로 연속형 데이터의 분포 모양을 보여준다.
• Box Plots (상자 그림): 집단 간 비교에 가장 탁월하다. Box plot(사분위수 기반 상자), Label outliers(이상치에 ID 라벨 표시), Violin(밀도까지 둥글게 표현), Data(실제 데이터 점 표시 - Jittered(흩뿌리기), Stacked(쌓기)), Mean(평균 위치 점 표시) 옵션을 정교하게 조합할 수 있다.
• Bar Plots (막대 그래프): Bar plot을 통해 주로 명목형 변수의 빈도나 범주별 요약값을 나타낸다.
• Q-Q Plots: Q-Q 도표를 그려 데이터 점들이 대각선에 가깝게 모이는지 확인하여 정규성을 시각적으로 평가한다.

• Variables: Gender, SNS_Purpose, Selfie_Count, NPI_Score 4개의 변수를 모두 넣는다.
• Split by: 비워둔다. (처음부터 집단을 쪼개면 전체 결측치나 쏠림을 파악하기 어렵다.)
• Options: Frequency tables를 체크하여 성별과 목적별 인원수를 표로 뽑는다.
• Statistics: 기본값에 더해, Distribution 하위의 Skewness(왜도)를 체크하여 나르시시즘 점수가 한쪽으로 치우쳤는지 확인한다.

전체 데이터에 이상이 없음을 확인했다면, 이제 집단 간 차이를 눈으로 직접 확인하기 위해 변수 배치를 수정한다.

• Variables: 그래프를 그릴 연속형 숫자 변수인 Selfie_Count, NPI_Score 딱 2개만 남긴다. (명목형을 남겨두면 경고창이 뜬다.)
• Split by: 집단을 쪼갤 기준이 되는 명목형 변수인 SNS_Purpose를 이곳에 넣는다.
• Plots: Box Plots 하위의 Box plot과 Data (Jittered)를 체크한다. (상자 그림 위에 50명의 실제 데이터 점이 겹치지 않게 뿌려진다.)

가장 먼저 데이터가 분석에 온전히 투입되었는지 점검해야 한다.

• N (표본 수): 세 집단(Communication 24명, Information 15명, Show-off 11명)을 합쳐 총 50명의 데이터가 입력되었다.
• Missing (결측치): 모든 집단에서 0으로 나타났다. 즉, 누락되거나 빈칸으로 남겨진 데이터가 하나도 없는 아주 깨끗한 상태임을 의미한다. (실제 연구에서는 다를 수 있음)

집단별 나르시시즘(NPI_Score)과 셀카 업로드 횟수(Selfie_Count)의 차이를 확인한다.

• 과시형(Show-off) 집단: 나르시시즘 평균 35.55점, 셀카 업로드 14.55회로 다른 두 집단에 비해 압도적으로 높은 수치를 기록했다.
• 정보탐색형(Information) 집단: 나르시시즘 9.47점, 셀카 업로드 0.33회로 수치가 가장 낮게 나타났다.

단순히 평균만 보는 것을 넘어, 데이터가 점수대 안에서 어떻게 쏠려 있는지(왜도) 파악하는 것이 중요하다.

복잡한 숫자 표보다 더 직관적이고 강력한 도구가 바로 시각화이다. 위에서 확인한 전체 결과의 그래프를 살펴보자.

• 분포의 분리: 과시형(Show-off) 집단의 상자(Box)가 다른 두 집단과 전혀 겹치지 않고 확연히 높은 곳에 둥둥 떠 있다. 이는 통계적 검정을 하기 전부터 이미 집단 간 뚜렷한 차이가 존재함을 눈으로 보여주는 확실한 증거이다. 
• 실제 데이터 점(Jittered): 상자 위에 뿌려진 개별 유저들의 점(Data)을 보면, 과시형 유저들은 상단에 촘촘하게 모여 있는 반면 정보탐색형(Information) 유저들은 바닥에 밀집해 있는 패턴을 바로 확인할 수 있다. 

[분석 조건] jamovi Exploration - Descriptives 활용

1. 결측치: Missing 항목이 0인 것으로 보아 누락된 데이터(빈칸)는 없다.
2. 평균: 과시형(Show-off) 집단의 나르시시즘 평균 점수가 세 집단 중 가장 높다.
3. 분포 형태: 정보탐색형(Information) 집단의 나르시시즘 점수는 왜도가 -0.44로 나타나 높은 점수에 심하게 쏠려 있다.
4. 시각화: 상자 그림(Box plot)을 통해 집단 간 데이터의 분포와 중앙값(Median)의 차이를 직관적으로 비교할 수 있다.