회귀계수 뜻, 광고 효과 읽기

회귀계수는 실제 단위로 어떻게 읽습니까?

광고비가 늘어난 기간에 주문 수도 많았다는 사실만으로는 변화의 크기를 알기 어렵습니다. 단순 선형회귀는 여러 관측값에 하나의 직선을 맞춰 두 변수의 평균적인 관계를 요약합니다. 식을 말로 쓰면 ‘예상 주문 수 = 절편 + 기울기 × 광고비’입니다. 여기서 기울기는 광고비가 한 단위 달라질 때 예상 주문 수가 평균적으로 얼마나 달라지는지를 나타내는 회귀계수입니다.

광고비를 만 원, 주문 수를 건으로 기록한 식이 ‘예상 주문 수 = 16.3 + 0.59 × 광고비’라면 기울기 0.59에는 반드시 단위를 붙여야 합니다. 이 가상 자료에서는 광고비가 1만 원 많을 때 예상 주문 수가 평균 0.59건 많은 관계를 보였습니다. 광고비 10만 원 차이로 바꾸면 평균 주문 수 차이는 5.9건입니다. 계수만 외우기보다 입력 단위와 결과 단위를 연결해 문장으로 바꾸는 편이 숫자의 의미를 정확히 드러냅니다.

절편 16.3은 광고비가 0만 원일 때 직선이 제시하는 예상 주문 수입니다. 다만 아래 자료에서 관측한 광고비는 10만 원부터 50만 원까지이므로 0만 원은 자료 밖에 있습니다. 절편은 직선의 위치를 정하는 데 필요하지만, 광고를 전혀 하지 않았을 때의 실제 기본 주문량이라고 단정해서는 안 됩니다.

가상 자료에 직선을 맞추면 무엇이 보입니까?

같은 상품을 판매한 다섯 기간을 행으로 놓고, 회귀식에 들어갈 광고비와 주문 수를 열로 나누었습니다. 할인, 요일, 계절과 같은 조건은 통제하지 않은 계산용 가상 자료입니다.

판매 기간	광고비(만 원)	주문 수(건)
1기	10	22
2기	20	28
3기	30	35
4기	40	39
5기	50	46

광고비 평균은 30만 원이고 주문 수 평균은 34건입니다. 각 관측값과 직선 사이의 세로 차이를 제곱해 더한 값이 가장 작아지도록 맞추는 최소제곱법을 적용하면 기울기 0.59와 절편 16.3을 얻습니다. 미국 국립표준기술연구소(NIST)의 공학통계 핸드북도 선형 최소제곱을 관측값과 모형값 차이의 제곱합을 최소화하는 방식으로 설명합니다.

광고비 30만 원을 식에 넣는 장면을 살펴보면 계산의 역할이 구체적으로 드러납니다. 직선의 예측값은 16.3 + 0.59 × 30 = 34건이고 실제 주문은 35건입니다. 실제값에서 예측값을 뺀 1건이 이 관측값의 잔차입니다. 주문은 정수로 발생하지만 회귀식의 예측값은 평균적인 수준이므로 39.9건처럼 소수로 나올 수도 있습니다.

잔차가 양수이면 실제값이 직선보다 위에 있고, 음수이면 아래에 있습니다. 잔차를 확인하면 직선이 어느 기간을 과대 또는 과소 예측했는지 알 수 있습니다. 특정 구간에서 잔차가 한 방향으로 반복된다면 직선 관계가 적절한지, 빠진 조건이나 곡선 형태가 있는지 다시 살펴볼 필요가 있습니다.

기울기를 광고의 인과 효과라고 말할 수 있습니까?

이 자료의 기울기는 광고비와 주문 수의 연관성을 요약한 값이지 광고가 주문을 0.59건 만들어 냈다는 증거가 아닙니다. 할인 행사, 주말 여부, 계절, 재고, 검색 노출, 상품 평가처럼 두 변수에 함께 영향을 미친 조건이 기록되지 않았을 수 있습니다. 주문이 많을 것으로 예상한 시기에 광고 예산을 더 배정했다면 원인과 결과의 방향도 단순하지 않습니다.

광고 자체의 효과에 가까이 가려면 비슷한 고객 집단을 무작위로 나눠 광고 노출 조건을 달리하거나, 여러 기간의 할인율과 요일 등을 함께 기록해 비교해야 합니다. 다중회귀에서 광고비 계수는 식에 포함한 다른 조건이 같다고 볼 때의 평균적 변화량으로 읽습니다. 그렇더라도 측정하지 않은 요인의 영향이 자동으로 제거되는 것은 아닙니다.

OpenStax의 통계 교재도 회귀선이 변수 사이의 관계와 예측을 다루는 도구임을 설명하며, 관측된 연관성만으로 인과관계를 확정하지 않도록 구분합니다. 보고서에서는 ‘광고비 1만 원 증가가 주문 0.59건 증가를 일으켰다’보다 ‘광고비가 1만 원 많을 때 주문 수가 평균 0.59건 많은 관계를 보였다’라고 쓰는 것이 적절합니다.

예측은 어느 범위까지 믿을 수 있습니까?

광고비 40만 원을 식에 넣으면 예상 주문 수는 39.9건입니다. 이는 다음 기간에 정확히 39.9건이 발생한다는 뜻이 아니라, 직선이 제시하는 조건부 평균 수준입니다. 실제 주문 수는 그 주변에서 달라질 수 있으므로 개별 값을 예측할 때는 잔차의 분포와 예측구간을 함께 확인해야 합니다.

관측 범위 안에서 계산하는 내삽과 범위 밖으로 직선을 연장하는 외삽도 구분해야 합니다. 광고비 35만 원은 10만~50만 원의 관측 범위 안에 있지만 200만 원은 멀리 벗어납니다. 광고 노출이 포화되거나 잠재 고객 규모에 한계가 있으면 광고비가 커질수록 주문이 같은 비율로 늘어난다는 직선 가정이 더는 성립하지 않을 수 있습니다.

계수의 부호와 크기만으로 분석을 끝내기도 어렵습니다. 표본이 바뀔 때 계수가 얼마나 흔들릴 수 있는지 보여 주는 표준오차와 신뢰구간, 직선이 결과의 변동을 어느 정도 설명하는지 나타내는 결정계수를 함께 볼 수 있습니다. 결정계수가 높더라도 누락 변수, 외삽, 잘못된 인과 해석의 문제가 해결되는 것은 아닙니다.

보고서에서 어떤 문장으로 정리해야 합니까?

실무 보고서에는 계수의 실제 단위, 관측 범위, 분석 조건을 한 문장 안에 담는 편이 좋습니다. 이 예시는 ‘광고비 10만~50만 원을 관측한 가상 자료에서 광고비가 1만 원 많을 때 주문 수는 평균 0.59건 많은 관계를 보였으며, 할인이나 요일 등 다른 조건은 통제하지 않았다’라고 정리할 수 있습니다.

이 문장은 변화량을 알려 주면서도 인과 효과로 과장하지 않고, 식을 적용할 수 있는 범위를 함께 밝힙니다. 통계는 공식을 외워 결론을 확정하는 과목이라기보다 생활 속 숫자가 무엇을 말하고 어디까지 말할 수 없는지 판단하는 도구에 가깝습니다.

참고 자료

NIST/SEMATECH e-Handbook of Statistical Methods, Linear Least Squares Regression — 선형회귀 모형과 최소제곱 추정의 원리를 확인할 수 있습니다.

OpenStax, Introductory Statistics 2e, The Regression Equation — 회귀식의 기울기·절편·예측값 해석과 관측 관계의 한계를 다룹니다.