碩士學位 請求論文

指導敎授 金 顯 哲

모의실험자료에 의한 요인분석방법과
Bejar방법의 차원성 식별기능의 비교

成均館大學校 大學院
敎 育 學 科
敎育學專攻
丘 南 旭
碩士學位 請求論文
指導敎授 金 顯 哲

모의실험자료에 의한 요인분석방법과
Bejar방법의 차원성 식별기능의 비교
Comparison on Efficiency of Factor Analysis and Bejar's
Method for Assessing the Dimensionality by Simulation

成均館大學校 大學院
敎 育 學 科
敎育學專攻
丘 南 旭
碩士學位 請求論文
指導敎授 金 顯 哲

모의실험자료에 의한 요인분석방법과
Bejar방법의 차원성 식별기능의 비교
Comparison on Efficiency of Factor Analysis and Bejar's
Method for Assessing the Dimensionality by Simulation

이 論文을 敎育學 碩士學位 請求論文으로 提出합니다.

2005年 10月 日

成均館大學校 大學院
敎 育 學 科
敎育學專攻
丘 南 旭
이 論文을 丘南旭의 敎育學
碩士學位 論文으로 認定함

2005年 12月 日

審査委員長

審 査 委 員

審 査 委 員
 목 차

Ⅰ. 서론 ·····························································································1

1. 연구의 필요성 및 목적 ·········································································1

2. 연구문제 ···································································································3

3. 연구의 제한점 ·························································································4

Ⅱ. 이론적 배경 ··············································································5

1. 측정과 검사 ·····························································································5
2. 고전검사이론 ···························································································6
1) 기본가정 ··························································································6

2) 문항특성 분석 ················································································7
3) 고전검사이론의 문제점 ································································9
3. 문항반응이론 ·························································································10

1) 기본가정 ························································································10
2) 문항특성곡선과 문항모수 ··························································12
3) 문항반응 모형 ··············································································14

4. 일차원성 가정 ·····················································································16
1) 일차원성의 정의 ··········································································16
2) 일차원성 가정의 이점 ································································17

2) 일차원성 가정과 지역독립성 가정의 관계 ····························18

5. 일차원성 가정의 검증방법 ·································································19

- i -
 1) 요인분석방법 ················································································19
2) 수정된 평행분석법 ······································································20

3) Bejar방법 ······················································································21
4) 잔차분석방법 ················································································22
5) Stout방법 ······················································································24

6) 비선형 요인분석방법 ··································································26

6. 선행연구 ·······························································································27

Ⅲ. 연구내용 및 방법 ··································································32

1. 모의자료의 성질 ···················································································32
2. 차원성 가정의 식별방법 ·····································································37

1) 요인분석방법 ················································································37
2) Bejar방법 ······················································································37
3. 통계프로그램 ·························································································38

Ⅳ. 연구 결과 ················································································39

1. 요인분석방법 ·························································································39

2. Bejar방법 ································································································47

V. 결론 ····························································································62

- ii -
참 고 문 헌 ····················································································65

부록 ··································································································69

ABSTRACT ·················································································76

- iii -
 표 목 차

<표 Ⅲ-1> 조건 1에서의 분산-공분산 행렬 ···············································34

<표 Ⅲ-2> 조건 2에서의 분산-공분산 행렬 ···············································35

<표 Ⅲ-3> 조건 3에서의 분산-공분산 행렬 ···············································36
<표 Ⅳ-1> 조건 1을 만족하는 검사들의 고유치 ·······································40

<표 Ⅳ-2> 조건 2를 만족하는 검사들의 고유치 ·······································41

<표 Ⅳ-3> 조건 3을 만족하는 검사들의 고유치 ·······································42
<표 Ⅳ-4> 조건 1을 만족하는 검사들의 분산의 비율 ·····························43

<표 Ⅳ-5> 조건 2를 만족하는 검사들의 분산의 비율 ·····························44

<표 Ⅳ-6> 조건 3을 만족하는 검사들의 분산의 비율 ·····························45
<표 Ⅳ-7> 첫 번째 요인과 두 번째 요인의 고유치의 비율 ···················46

<표 Ⅳ-8> 조건 1의 요인행렬 ·······································································48

<표 Ⅳ-9> 조건 1의 전체검사와 하위검사의
문항별 두 개의 난이도 ··························································49

<표 Ⅳ-10> 조건 2의 요인행렬 ·····································································50

<표 Ⅳ-11> 조건 2의 전체검사와 하위검사의
문항별 두 개의 난이도 ··························································51

<표 Ⅳ-12> 조건 3의 요인행렬 ·····································································52

<표 Ⅳ-13> 조건 3의 전체검사와 하위검사의
문항별 두 개의 난이도 ··························································53

<표 Ⅳ-14> 조건 1의 하위검사와 전체검사의 문항난이도

모수치 간의 회귀분석 결과 ··················································54
<표 Ⅳ-15> 조건 2의 하위검사와 전체검사의 문항난이도

- iv -
 모수치 간의 회귀분석 결과 ··················································56
<표 Ⅳ-16> 조건 3의 하위검사와 전체검사의 문항난이도

모수치 간의 회귀분석 결과 ··················································58

- v -
 그 림 목 차

[그림 Ⅱ-1] 문항특성곡선 ················································································13

[그림 Ⅳ-1] 조건 1에 따른 하위검사와 전체검사의

문항난이도 모수치 간의 회귀분석 결과 ····························48
[그림 Ⅳ-2] 조건 1에 따른 하위검사와 전체검사의

문항난이도 모수치 간의 회귀분석 결과 ····························50

[그림 Ⅳ-3] 조건 1에 따른 하위검사와 전체검사의
문항난이도 모수치 간의 회귀분석 결과 ····························52

- vi -
 Ⅰ. 서론

1. 연구의 필요성 및 목적

우리는 검사를 통하여 인간의 잠재적인 능력을 파악할 수 있다. 검사

를 통하여 피험자에 대한 보다 객관적인 정보를 얻을 수 있으며, 또한
피험자에게 개인적인 성숙과 발달의 지침을 제공할 수 있다. 따라서 이

와 같은 기능을 적절히 수행하기 위해서는 타당하고 믿을 만한 검사가

제작되어야 한다. 검사의 제작과 시행, 그리고 그 해석의 과정은 측정이
론을 바탕으로 한다. 측정이론은 검사의 전반적인 성질뿐만 아니라 검사

를 구성하는 문항들의 특성과 피험자들의 능력까지 파악할 수 있는 논리

적인 근거가 된다.
우리가 사용하는 측정이론은 크게 고전검사이론과 문항반응이론으로

나눌 수 있다. 고전검사이론은 관측된 검사점수에는 진점수와 오차점수

가 포함되어 있다는 단순한 기본구조를 가지고 있다. 고전검사이론은 평
행형 검사의 존재, 오차와 진점수, 오차들 간의 무상관 등을 가정으로 삼

고 있으며, 이러한 가정들 중에서 평행형 검사의 존재만 제외하면 비교

적 받아들이기가 쉬운 것들이다. 이처럼 고전검사이론의 약한 가정은 어
떤 검사의 경우에도 사용할 수 있는 매우 폭넓은 활용을 가능하게 하였

다. 그러나 고전검사이론에서는 문항이 지니고 있는 고유한 특성이 피험

자 집단의 특성에 의하여 변화되거나, 피험자의 능력이 검사 도구의 특
성에 따라 달리 추정되는 등의 약점이 있다.

따라서 이러한 고전검사이론의 단점을 극복하고자 등장한 이론이 바로

문항반응이론이다. 문항반응이론의 가장 큰 장점은 불변성개념
(invariance concept)이다. 문항반응이론의 불변성 개념에는 문항 모수

- 1 -
불변성과 피험자 능력 모수 불변성이 있다. 문항 모수 불변성이란 문항
이 가지고 있는 독특한 특성이 존재하기 때문에 문항에 반응한 피험자

집단에 의하여 문항의 특성이 변화되지 않는다는 것이고, 피험자 능력

모수 불변성이란 피험자의 능력은 어떤 검사나 문항을 택함으로써 변하
지 않고 고유한 능력수준을 갖는다는 의미이다.

이처럼 문항반응이론은 고전검사이론보다 합리적인 이론이라고 할 수

있지만, 고전검사이론과는 달리 쉽게 만족되기 어려운 강한 가정을 기초
로 한다. 문항반응이론의 가정은 크게 두 가지로 나눌 수 있다. 첫 번째

가정은 하나의 검사 도구는 인간이 지닌 하나의 특성을 측정하여야 한다

는 일차원성(unidimensionality) 가정이고, 두 번째는 어떤 능력을 가진
피험자가 하나의 문항에 응답할 때, 다른 문항의 응답에는 전혀 영향을

주지 않는다는 지역독립성(local independence) 가정이다. 이러한 강한

가정에 기초하는 문항반응이론은 그 적용범위가 제한되는 약점을 갖게
된다.

그렇지만 일차원성의 가정이 비록 쉽게 만족될 수는 없는 가정임에도

불구하고, 일차원성 가정이 만족된다면 다양한 이점이 생긴다. 먼저 검사
가 일차원성의 가정을 만족할 때, 자료에 수학적인 측정모형의 기본을

제공할 수 있고, 변인들을 관계 짓는 것이 수월해지며, 집단을 구성하고

개인차에 대한 논의 등을 수월하게 할 수 있다(Hattie, 1995). 또한 검사
가 측정하고자 하는 특성 이외의 다른 특성에 의해 오염되는 것을 피할

수 있고, 검사의 차원이 1이라는 것을 앎으로써 자료의 분석과 해석이

보다 간단해 질 수 있다(Stout, 1987).
일차원성 가정은 이와 같이 검사에 있어서 매우 중요한 역할을 하며,

특히 문항반응이론을 적용하기 위해서는 꼭 성립되어야 하는 것이다. 따

라서 제작된 검사가 일차원적인 검사인지를 확인하는 것은 중요한 일이

- 2 -
다. 그 동안 검사의 일차원성을 식별하는 다양한 방법들이 제시되어 왔
으며, 실제검사와 모의실험 등을 통하여 다양한 상황 속에서 비교ㆍ분석

되었다. 선행연구들에 의하면 일차원성이 만족되는 자료의 일차원성을

확인하는 부분에서는 대부분의 차원성 검증방법들이 효율적이었지만, 일
차원성을 위반하는 자료가 주어 졌을 때에는 소수의 방법들만이 효율인

것으로 나타나고 있다. 따라서 이 연구는 일차원성을 위반하는 여러 가

지 형태의 자료가 주어졌을 때, 비모수적 방법인 요인분석방법과 모수적
인 방법인 Bejar의 방법(Bejar's method)이 각각 차원성의 위반을 어떻

게 식별하는지 비교하는 것을 목적으로 한다.

2. 연구문제

이 연구에서는 일차원성이 만족되는 검사자료와 일차원성이 위반되는

이차원인 검사자료를 생성하여 요인분석 방법과 Bejar의 방법을 비교 한

다. 이 연구에서 요인분석 방법과 Bejar의 방법이 비교된 이유는 요인분

석 방법은 차원성을 식별하는데 있어서 가장 보편적인 비모수적 방법이
며, Bejar의 방법은 문항반응이론을 적용하여 검사의 각 문항에 대한 난

이도를 추정하여 차원성을 식별하는 대표적인 모수적방법이기 때문이다.

[연구문제 1] 일차원인 검사자료가 주어졌을 때, 요인분석 방법과 Bejar

의 방법이 각각 일차원성의 식별에 효율적인가?

[연구문제 2] 두 차원 간에 약한 상관이 있는 이차원인 검사자료가 주어

졌을 때, 요인분석 방법과 Bejar의 방법 중 어떤 방법이 차

원성 식별에 보다 효율적인가?

- 3 -
[연구문제 3] 두 차원 간에 상관이 없는 이차원의 검사자료가 주어졌을

때, 요인분석 방법과 Bejar의 방법 중 어떤 방법이 차원성

식별에 보다 효율적인가?

3. 연구의 제한점

본 연구는 다음과 같은 제한점을 지닌다.

첫째, 최근에 연구되고 있는 여러 가지 다차원 문항반응이론에 대해서

는 고려하지 않는다. 다차원 문항반응을 적용하기 위해서는 우선 검사의
차원성을 판단하여야 한다. 이 연구에서는 다차원 문항반응이론을 적용

하기 바로 전단계인 차원성을 식별하는 방법에 초점을 맞춘다.

둘째, 차원성을 식별하는 다양한 방법 중에서 요인분석 방법과 Bejar
의 방법만을 다룬다. 요인분석 방법은 대표적인 비모수적 차원성 식별

방법이기 때문에 이 연구에 포함되었으며, Bejar의 방법은 문항반응이론

을 적용하여 난이도 모수를 추정하여 차원성을 식별하는 대표적인 모수
적 차원성 식별방법이다.

셋째, 최근에 다분문항에 관한 연구가 활발히 진행되고 있지만, 이 연

구에서는 피험자의 반응이 1과 0인 이분문항의 경우만을 분석의 대상으
로 하였다.

- 4 -
 Ⅱ. 이론적 배경

1. 측정과 검사

평가란 ‘사람이나 사물의 가치를 판단한다’는 사전적인 의미를 가지며,

교육평가란 교육현장에서 어떤 사물, 현상에 대해 주관적인 판단을 하는
것을 의미한다(황정규, 1985). 이러한 주관적 판단이 체계적이고 일관적

이기 위해서는 판단의 대상이 되는 자료가 객관적일 필요가 있다. 수치

로서 자료를 표현하는 방법은 보다 객관적인 평가를 위한 합리적인 방법
이라고 할 수 있다.

사물의 속성을 구체화하기 위하여 속성에 수치를 부여하는 절차를 측

정이라고 한다. 측정의 대상에는 직접적인 측정이 가능한 것과 직접적인
측정이 불가능한 것이 있다. 교육에서 다루어지는 속성들은 인지적 영역

(cognitive domain), 정의적 영역(affective domain), 심동적 영역

(psycho-motor domain)으로 구분된다. 이 중에서 심동적 영역은 직접
측정이 가능하나 정의적, 인지적 영역은 직접 측정이 불가능한 잠재적

특성(latent trait)이라고 한다. 이러한 잠재적인 특성은 검사라는 도구를

사용하여 간접적으로 측정을 하여야 한다(성태제, 2001).

일반적으로 검사(test)란 간접적인 측정을 위한 도구 또는 체계적인

측정절차를 뜻한다. 또한 성태제(2001)에 따르면 검사는 교수적 기능, 행

정적 기능, 상담적 기능을 수행한다. 검사의 교수적 기능이란 검사가 교
과내용의 중요한 부분과 교과목표를 분명히 하고, 교사와 학생에게 피드

백을 제공하고, 동기를 유발시키고, 복습을 위한 수단이 되며, 또한 교수

법 개선과 교육과정 개편의 기초를 제공하는 것을 의미한다. 그리고 검

- 5 -
사의 행정적 기능은 검사가 학교나 교사, 학생의 평가 또는 통제에 사용
되고, 자격증 부여, 입학 사정 등에 사용되는 것을 의미한다. 검사의 상

담적 기능은 검사가 피험자의 능력과 태도 등의 정의적 행동 특성을 파

악하여 진단, 치료하는 기능을 하는 것을 의미한다.
이처럼 검사는 다양한 기능을 수행하며, 인간의 잠재적인 특성을 측정

하는 데 중요한 도구가 된다. 따라서 이들 기능을 수행하는 보다 정확하

고 타당한 검사를 만들기 위해서는 검사의 질을 분석하는 검사이론에 대
한 철저한 연구와 이해가 필요하다.

2. 고전검사이론

여러 검사이론을 통하여 검사에 대한 분석을 실시할 수 있다. 검사이

론은 크게 고전검사이론과 문항반응이론으로 나눌 수 있다. 고전검사이
론은 19세기 말부터 연구되어 현재까지 널리 사용되는 이론이다.

1) 기본가정

고전검사이론은 다섯 가지의 기본 가정에 그 기초를 두고 있다.

첫째, 관찰 점수 X는 진점수 T와 측정 오차 e의 합이라는 덧셈 모형

(additive model)을 가정한다.

X = T + e (식 1)

둘째, 관찰 점수의 기댓값은 진점수이다.

- 6 -
 E(X) = T (식 2)

여기서 진점수(true score)란 동일한 검사를 반복하여 독립적으로 시행

하면 관찰한 점수의 평균이 된다는 수학적인 개념이다.
셋째, 측정 오차 e와 진점수 T의 상관은 0이다.

 = 0 (식 3)

넷째, 측정오차는 상호간에 상관이 없다.

  = 0
 
(식 4)

다섯째, 측정오차는 다른 검사의 진점수와 상관이 없다.

  = 0
 
(식 5)

고전검사이론의 이러한 5가지의 가정은 만족하기가 쉬운 가정으로서

약한 가정이라고 한다.

2) 문항특성 분석

고전검사이론은 주로 문항난이도(item difficulty)와 문항변별도(item

discrimination)에 의하여 문항의 특성을 분석한다.

① 문항난이도(item difficulty)
문항난이도는 문항의 어렵고 쉬운 정도를 나타내는 지수로서 P로 표

- 7 -
기하며 총 피험자 중 정답을 한 피험자의 비율, 즉 정답률이 된다. 문항
난이도 지수는 정답의 백분율이기 때문에 난이도 지수가 높을수록 그 문

항은 쉬운 문항이다.
일반적으로 문항난이도를 계산할 때에는 다음과 같은 공식이 이용된
다.

R (식 6)
P = 100×
N
P : 문항난이도 지수
N : 전체 사례수

R : 정답자 수

문항난이도에 의하여 문항을 평가하는 절대적인 기준은 없으나 일반적

으로 문항난이도가 0.3 미만이면 매우 어려운 문항, 0.3 이상 0.8 미만이

면 적절한 문항, 그리고 0.8 이상이면 매우 쉬운 문항이라고 평가한다.

② 문항변별도(item discrimination)
문항변별도는 문항이 피험자의 능력을 변별하는 정도를 나타내는 지수
이다. 즉, 한 검사에서 어떤 문항에 정답을 한 피험자의 검사점수가 높고

답이 틀린 피험자의 검사 점수가 낮다면, 이 문항은 피험자를 변별하는

기능을 가졌다고 볼 수 있다.
검사총점을 기준으로 총점이 높은 학습자 집단과 총점이 낮은 학습자

집단으로 전체 학습자들을 양분하였을 때, 상위집단의 학습자가 각 문항

에서 정답을 맞히는 비율이 하위집단의 학습자가 정답을 맞히는 비율보
다 높아야 변별력이 높은 바람직한 문항이다. 만약 이러한 비율의 차가

의미 없게 나왔다면 그 문항은 상하 능력집단을 변별하는 데 아무런 역

- 8 -
할을 못한 것이며 변별력이 없는 문항이라고 한다. 일반적으로 문항변별
도는 검사총점을 준거에 따라 두 집단 혹은 세 집단으로 나누고 상위 능

력집단과 하위 능력집단간의 정답률의 차이로써 산출한다. 일반적으로

변별도를 산출하는 식은 다음과 같다.

R U- R L
D.I. = (식 7)
f
D.I. : 문항변별도 지수(item discrimination index)
RU : 상위 능력집단의 정답자 수

RL : 하위 능력집단의 정답자 수
f : 각 집단의 피험자 수

문항별도 지수에 의하여 문항을 평가하는 절대적인 기준은 없으나, 문

항변별도가 0.4 이상이면 변별력이 좋은 문항이라고 할 수 있고, 0.2 미
만인 문항은 변별력이 낮으므로 수정되어야 한다. 특히, 문항변별도가 음

수인 문항은 검사에서 반드시 제외시켜야 한다.

3) 고전검사이론의 문제점

고전검사이론은 약한 가정으로 인하여 다양한 검사에 적용하기 쉽고,

피험자의 능력추정이나 문항의 특성을 살펴보는데 있어서도 그 수식이
비교적 간단하다. 그렇지만 고전검사이론은 다음과 같은 두 가지의 큰

약점을 지니게 된다.

첫째, 고전검사이론에서 문항특성의 추정은 피험자 집단의 특성에 의
하여 변화한다. 고전검사이론을 통하여 문항난이도를 분석하면, 같은 문

항이라고 할지라도 능력 수준이 높은 피험자 집단의 응답 결과에 의하여

- 9 -
문항을 분석하면 그 문항은 쉬운 문항으로 판명되고, 능력 수준이 낮은
다른 피험자 집단의 응답결과에 따라 문항을 분석한다면 어려운 문항으

로 판명될 것이다.
문항변별도에 있어서도 피험자 집단이 이질적이면 높게 추정되고, 동
질적이라면 낮게 추정되는 경향이 있다. 따라서 고전검사이론을 적용하

여 문항을 분석하면 동일한 문항이라도 피험자 집단의 성질에 따라서 그

특성이 다르게 분석된다.
둘째, 고전검사이론을 적용하여 피험자의 능력을 추정하면, 검사도구의

특성에 따라서 피험자의 능력추정 값이 변화된다. 즉, 고전검사이론에서

는 피험자마다 고유한 능력 수준이 있음에도 불구하고 쉬운 검사도구를
사용하면 피험자의 능력은 과대 추정되고, 어려운 검사도구를 사용하면

피험자 능력은 과소 추정된다.

이러한 고전검사이론의 약점을 극복할 수 있는 합리적인 대안으로서
등장한 검사이론이 바로 문항반응이론이다.

3. 문항반응이론

문항반응이론은 20세기 중반부터 체계적인 발전을 거듭하여 왔으며,

최근에 우리나라에서도 활발한 연구가 진행되고 있다. 문항반응이론은
고전검사이론의 단점을 극복할 수 있는 동시에, 컴퓨터를 활용한 검사에

도 그 이론적인 기초가 되고 있다.

1) 기본 가정

문항반응이론은 피험자의 검사 점수에 영향을 미치는 관찰할 수 없는

- 10 -
특성들이 있다고 가정하고, 피험자의 검사점수로부터 잠재적 특성을 추
정하는 절차와 관련된 검사이론이다. 문항반응이론의 전개를 위하여 일

반적으로 지역 독립성, 단조성, 일차원성의 세 가지 기본적인 가정을 세

운다.
첫째, 지역독립성 가정은 같은 능력을 가진 피험자에게 있어서 각 문

항들은 서로 독립적이라는 것이다. 다시 말해 어떤 능력의 피험자에게

있어서도 한 문항을 맞추거나 맞추지 못하는 것은 다른 문항을 맞추고
맞추지 못하는 것에 아무런 영향을 미치지 않도록 검사가 작성되었다는

가정이다. 또한 문항의 배치 순서가 각 피험자가 각각의 문항을 맞출 확

률에 영향을 미치지 않는다는 것이다.
이종성(1986)은 지역독립성 가정을 강한 형태와 약한 형태로 분류하였

다. 강한 형태의 가정은 피험자의 검사 문항 점수는 통계적으로 독립이

라는 것이다. 이 가정은 검사 문항  에 대한 피험자의 점수는 문항 에

대한 피험자의 점수에 영향을 미치지 않음을 의미한다. 문항  의 점수를

 =0 또는 1로 채점한다면, 문항 간 지역독립성의 가정은 확률식으로 다

음과 같이 나타낼 수 있다.

 ( = 1,  = 1) =  ( = 1) ( = 1) (식 8)

즉, 어느 피험자가 문항  에 정답을 하고 문항 에 정답을 할 확률은 문

항  에 정답을 할 확률과 문항  에 정답을 할 확률의 곱과 같다. 문항 

의 정답을 아는 것이 문항  에 정답을 하는 데 영향을 미친다면 그 문

항들은 지역적으로 독립이 아니다. 이에 반하여 약한 형태의 지역독립성

의 가정은 동일한 능력을 가진 피험자에 대하여 두 문항의 점수 간에 상

관이 없다고 하면 만족된다. 검사의 차원이 고정되어 있는 경우에 두 문

- 11 -
항 간에 상관이 없다면, 이는 지역 독립성을 만족하는 것이라고 할 수
있다.

문항반응이론의 두 번째 가정인 단조성(Monotonocity)은 각 문항의

문항반응함수가 능력에 대해 단조증가(monotone nondecreasing)하는 함
수라는 가정이다. 이는 능력이 높을수록 문항을 맞출 확률이 증가한다는

가정으로서, 잘 만들어진 문항은 이 가정을 당연히 만족시키게 된다.

문항반응이론의 마지막 세 번째 가정은 일차원성 가정이다. 일차원성
이란 검사의 성취에서 잠재적인 특성이 하나만 존재하는 것을 의미한다.

다시 말하면, 일차원성 가정이란 피험자의 검사 점수에 영향을 미치는

잠재적 특성의 수인 잠재적 공간이 단일차원이라는 것으로서, 검사는 단
일 능력이나 특성을 측정하는 동질적인 문항으로 구성된다는 것이다. 그

렇지만 현실적으로 일차원성의 가정을 충족시키는 검사를 제작한다는 것

은 불가능하다. 따라서 한 검사에 있어서 여러 가지의 특성들이 존재하
지만, 그러한 특성들과 더불어 하나의 지배적인 특성이 존재한다면 일차

원성의 가정이 만족된다고 일차원성을 재정의 할 수 있다.

2) 문항특성곡선과 문항모수

문항반응이론에서는 어떤 문항에 반응하는 각 피험자는 얼마만큼의 기

초능력을 가지고 있으며, 각 피험자는 따라서 능력척도 상에서 어느 위

치의 수치를 갖는다고 가정한다. 이 때 피험자의 능력을  (theta)로 표기

하고, 각 능력수준에서 그 능력을 가진 피험자가 그 문항에 답을 맞출

확률을   로 표기한다. 이 때 피험자 능력에 따라 문항의 답을 맞출

확률을 나타내는 곡선을 문항특성곡선이라 하며 다음의 그림 [그림 Ⅱ-1]

과 같다.

- 12 -
 1.0
.9
.8
.7
.6
.5
.4
.3
.2
.1
.0

-3 -2 -1 0 1 2 3
능력( )

[그림 Ⅱ-1] 문항특성곡선

문항특성곡선은 일반적으로 S자의 형태를 나타내며, 피험자의 능력( )

은 대략 -3.0에서 +3.0 사이에 위치하게 된다. 문항특성곡선에서는 능력이 높을수

록 문항에 정답을 할 확률이 증가하지만 직선형으로 증가하지는 않는다. 문항특

성곡선은 문항난이도, 문항변별도, 문항추측도에 따라 다른 형태를 취하게 된다.

문항난이도(item difficulty)는 문항이 어느 능력수준에서 기능하는가를 나타내
는 지수로서, 문항의 어려운 정도를 의미한다. 문항특성곡선이 오른쪽에 위치할수

록 어려운 문항이 된다. 문항반응이론에서 문항난이도란 문항에 정답을 할 확률

이 0.5에 대응하는 능력수준을 말하며  로 표기한다. 일반적으로 문항난이도는

-2.0에서 +2.0 사이에 있으며 그 값이 커질수록 어려운 문항이다.

문항반응이론에서 문항변별도(item discrimination)는 문항특성곡선의 기울기와
관계가 있다. 문항특성곡선의 기울기가 가파르면 문항변별도가 높아지고, 반대로

기울기가 완만하면 문항변별도는 낮아진다. 문항변별도는 문항특성곡선 위의 문

- 13 -
항난이도를 표시하는 점에서의 문항특성곡선의 기울기를 뜻하며,  로 표기한다.

문항변별도는 일반적으로 0에서 +2.0까지의 값을 가지며 그 값이 클수록 좋은 문

항이다. 만약 문항변별도가 음수값을 지니면 이는 검사에서 제외시키는 것이 바
람직하다. 왜냐하면 이러한 문항은 피험자 능력이 높아질수록 답을 맞힐 확률이

낮아지기 때문이다.
문항추측도(item quessing)는 능력이 전혀 없는 피험자가 문항의 답을 맞힐 확

률을 말하며,  로 표기한다. 일반적으로 답지가 네 개인 문항에서의 문항추측도

의 범위는 0에서 0.20 사이가 된다. 문항추측도는 능력이 전혀 없는 피험자가 문

항의 답을 맞힐 확률을 의미하므로 이 값이 크다면 좋은 문항이 아니다.

3) 문항반응 모형

일차원성과 단조성의 가정을 만족하는 문항반응함수는 모수

(parameter)들에 의하여 표현된다. 보편적으로 사용되는 일차원의 문항
반응함수들은 로지스틱(logistic) 모형에 기초하고 있으며, 모수의 개수에

따라서 1-모수, 2-모수, 3-모수 로지스틱 모형이라고 불린다.

① 1-모수 로지스틱 모형 (1-parameter logistic model, 1PL)

  ( ) = 
      (식 9)


여기서  는 능력을 나타내고,  는 문항  의 난이도(item difficulty)에

해당하는 위치모수(location parameter)이다.  의 값이 크면 어려운 문항

이고,  의 값이 작으면 쉬운 문항이다.

- 14 -
 ② 2-모수 로지스틱 모형(2-parameter logistic model, 2PL)

  ( ) = 
       (식 10)


여기서  는 문항  의 변별도(item discrimination power)를 나타내고,

 는 1-모수 모형에서와 같은 문항 난이도를 나타낸다. 변별도  는  =

 에서의 P  ( )의 기울기를 뜻한다.  가 클수록 변별도가 커지며  가

작을수록 변별도도 작아진다.

③ 3-모수 로지스틱 모형(3-parameter logistic model, 3PL)

  ( ) =       
         (식 11)


여기서  는 추측모수(guessing parameter)로서 다항선택의 문항에서 단

지 추측의 결과로 정답을 할 확률을 말한다. 추측모수  는 문항반응함수

의 하한(lower asymptote)을 나타내는데, 만약  가 0이면 3-모수 로지스

틱 모형은 2-모수 로지스틱 모형과 같아진다.

로지스틱함수 이외에도 다른 문항반응함수로써 정규 오자이브

(Normal Ogive) 모형이 있다.

- 15 -
      
    

  ( ) =       (식 12)
∞


정규오자이브모형은 정규분포의 누가 정규분포를 가지고 문항특성곡선

의 특성을 추정할 수 있기 때문에 문항반응모형으로 사용되었지만, 정규
오자이브함수의 계산상의 복잡성으로 인하여 로지스틱함수가 보편적으로

이용되고 있다. 여기서  는 문항변별도,  는 문항난이도,  는 문항 추

측도, θ는 능력수준,  는 지수(2.718···)를 나타낸다.

3. 일차원성 가정

1) 일차원성의 정의

먼저 차원(dimension)의 의미를 살펴보기 위하여, 일련의 검사문항에

대하여 피험자의 성취에는 개의 잠재적 특성들 혹은 능력들의 집합이

있다는 것을 가정한다. 이 때  개의 잠재적 특성이 차원의 잠재적 공간

을 구성한다. 만약 피험자 집단의 검사점수에 영향을 미치는 잠재적 특

성 모두가 구체적으로 밝혀진다면 구성된 잠재적 공간은 완전하다고 하
며, 그 검사의 차원은 밝혀진 잠재적 특성의 수인  가 된다. 즉, 검사의

차원은 잠재적 특성에 의해 구성된 잠재적 공간의 차원과 동일하다. 이

러한 관점에 의하여 일차원성을 정의하면, 잠재적 공간의 차원이 1이 되
고, 그 잠재적 공간에서의 피험자 위치는 피험자가 그 특성을 지닌 정도

에 따라 결정되는 것이다. 따라서 일반적인 관점에서의 일차원성은 잠재

적 공간의 차원이 1, 즉 검사의 성취에 내재하는 잠재적 특성이 하나뿐

- 16 -
이라는 것으로 정의할 수 있다(신석기, 1994a).
Hattie(1985)는 기존의 여러 학자들이 단위 순위(unit rank), 첫 번째

요인에 의해 설명되는 분산의 백분율, 완전한 척도로부터의 편차, 상관계

수의 형태, 공통요인의 수, 신뢰도, 내적 일관성의 정도, 동질성의 정도
등의 개념을 사용하여 일차원성을 잘못 정의한 점을 밝히고, 일차원성은

여러 문항들이 동일한 능력, 성취, 태도 또는 심리 변인들을 측정하는 것

또는 자료에 깔려있는 잠재적 특성이 하나만 존재하는 것으로 정의하였
다.

박정수(1992)는 일차원성에 대하여 통계학적인 측면과 심리학적인 측

면에서 각각 정의를 제시하였다. 먼저 통계학적인 정의에서는 한 개의
잠재능력만으로도 그 검사의 자료에 대해 조건부 독립성을 만족시키는

문항반응함수를 세울 수 있다면 이것을 일차원성이 만족된다고 하였다.

이 때 조건부 독립성이란 지역독립성을 의미하는 것으로서, 어떤 능력의
피험자에게 있어서 어떤 한 문항에 정답을 하거나 오답을 하는 것이 다

른 문항에 정답을 하거나 오답을 하는 것에 어떠한 영향도 미치지 않도

록 검사가 작성되었다는 의미이다. 다음으로 심리학적인 정의에서는 한
검사의 모든 문항을 올바르게 응답하는 데 필요로 하는 인간 능력의 수

가 그 검사의 차원이며, 한 검사가 단지 하나의 잠재능력을 측정하는 것

으로 일차원성을 정의한다.
이러한 일차원성의 개념에 대한 정의들을 종합하여 보면, 일차원성이

란 검사의 성취에 있어서 잠재적인 특성이 하나 존재하는 것이라고 정리

할 수 있다.

2) 일차원성 가정의 이점

- 17 -
 일차원성 가정의 이점에 대하여 Hattie(1985)는 검사가 일차원성의
가정을 만족할 때, 자료에 수학적인 측정모형을 적용할 수 있고, 변인들

을 관계 짓는 것이 수월해지며, 검사가 재는 하나의 속성에 따라 사람들

을 순서지울 수 있고, 집단을 구성하고 개인차에 대한 논의 등을 수월하
게 한다는 점을 밝혔다. 그리고 Stout(1987)는 검사가 일차원성의 가정을

만족한다면 검사가 재고자 하는 특성이외의 다른 특성에 의해 검사가 오

염되는 것을 피할 수 있고, 검사의 차원이 1이라는 것을 앎으로써 자료
의 분석이나 해석을 위해 하위집합을 적절히 구분할 수 있으며, 문항반

응이론의 적용이 가능해진다고 하였다. 또한 박정수(1992)는 검사가 일

차원성의 가정을 만족하지 못할 때, 즉 한 검사에서 두 개 이상의 능력
이 섞여서 측정되었을 때, 문항분석과 검사점수의 해석이 곤란해진다는

점을 지적하였다. 예를 들면, 다차원적인 검사에서는 한 피험자가 어떤

문항을 맞추는 데 있어서 각각의 능력들이 어떻게 작용하였는지를 해석
하기가 어려워진다. 따라서 우리는 일차원성이 충족되는 검사를 통하여

피험자의 어느 한 가지의 고유한 능력을 정확하게 측정할 수 있다.

3) 일차원성 가정과 지역독립성 가정의 관계

검사 자료가 일차원성을 만족한다면 일차원의 값 θ가 주어진 상태의

지역 독립성이 만족될 것이다. 또한 어떤 검사자료가 일차원성을 만족하

지 못한다면 그것은 2개 이상의 차원이 있어야만 지역 독립성을 만족시

킬 수 있다는 의미가 되며, 결국 그 자료는 일차원의 지역독립성을 만족

하지 못할 것이다. 따라서 일차원성과 일차원의 지역독립성은 동치
(equivalence)가 되며, 박정수(1992)에 따르면 문항반응이론에서 일차원

성 가정이 만족하는지 만족하지 않는지를 알아내는 통계적 가설검정의

- 18 -
한 방법으로 일차원성의 가정하의 지역 독립성에 대한 가설검증을 실시
할 수 있다.

4. 일차원성 가정의 검증방법

1) 요인분석 방법

요인분석 방법은 문항집합의 차원성을 결정하는 방법들 중 가장 널리

사용하는 접근방법으로서, 추출된 각 요인은 차원 또는 특성을 나타내며,
주어진 요인에서 높은 부하치를 지닌 문항들은 그러한 차원의 좋은 측정

치로 고려된다.
요인분석은 다음과 같은 절차를 통하여 실시할 수 있다. 먼저 문항에
대한 피험자의 반응을 사용하여 상관계수행렬을 계산하고, 두 번째 단계

에서는 계산된 상관계수행렬을 사용하여 각 요인의 고유치를 계산하고,

세 번째 단계에서 고유치의 그래프를 그린다. 이 때 변곡점의 좌측에 있
는 요인의 수가 그 검사의 차원이 되는데, 만일 요인의 수가 하나라면

그 검사는 일차원적인 검사라고 할 수 있다. 그렇지만 여기서 주의할 점

은 이 요인분석 방법은 한 검사가 일차원성의 가정을 정확히 만족하기는
매우 힘들다는 사실에 기초하고 있다는 것이다. 다시 말하면, 검사 결과

에 영향을 미치는 인지적인, 개인적인 또는 검사를 치르는 방법 등과 같

은 검사 외적인 요인이 작용할 수 있으며, 검사가 측정하려고 하는 ‘주된
능력’(a dominant ability) 이외의 적은 영향력의 기타 능력들로 작용할

수 있다는 사실이다.
연구자에 따라서는 그래프를 사용하는 방법 대신 각 요인이 설명하는
분산의 양을 비교하는 방법(Tucker and Lewis, 1973), 고유치의 비율을

- 19 -
비교하는 방법(Lumsden, 1961), χ 2
검증방법(JӦreskog, 1978) 등을 사

용하고 있다. 검사가 일차원성의 가정을 만족하는지를 판단하는 요인분

석방법에 근거하는 준거로는 한 요인이 총분산의 20%를 설명할 때

(Reckase, 1979), 1 이상인 고유치를 지닌 요인의 수가 하나일 때
(Kaiser, 1970), 첫 번째와 두 번째 고유치간의 비율이 충분히 클 때

(Lumsden, 1961), 첫 번째 고유치에서 두 번째 고유치를 뺀 수치와 두

번째 고유치에서 세 번째 고유치를 뺀 수치간의 비율이 충분히 클 때

(Lord, 1980), χ 2 수치가 χ 2

분포의 기각치보다 클 때(JӦreskog, 1978)

등이 있다(Hattie, 1985).

2) 수정된 평행분석법(Modified Parallel Analysis ; MPA)

Drasgow와 Lissak(1983)은 일차원성이라는 가정을 위반하는지의 여부

를 결정하기 위하여 수정된 평행분석법(Modified Parallel Analysis)이라

는 절차를 개발하였다. 이 방법은 평행분석법(Parallel Analysis)의 변형
된 형태이다.

평행분석법은 Montanelli와 Humpheys(1976)가 “Parallel Analysis”라

는 이름으로 발표하였다. 이 방법은 공통분 추정치로 다중상관제곱치
(SMC; squared multiple correlation)를 사용하였을 때만 사용할 수 있

다. 이 방법의 논리는 다음과 같다. 비교적 의미 있는 요인구조가 들어있

는 경험 자료를 근거로 한 축소상관행렬의 고유치는 큰 값을 가져야 하
므로 요인구조가 들어 있지 않은 무선자료(random data)를 근거로 한

축소상관행렬에서 구한 고유치의 값보다 커야한다는 것이다. 따라서 경

험 자료를 근거로 한 고유치와 무선자료를 근거로 한 고유치를 스크리검
사 할 때처럼 그래프로 표시하면 처음에는 전자의 값이 후자의 값보다

- 20 -
클 동안은 서로 만나지 않는 상태(parallel)가 유지될 것이다. 그러나 경
험 자료의 요인구조가 더 이상 존재하지 않음을 나타내는 고유치에서부

터는 그 값이 무선자료를 근거로 한 값과 서로 교차하면서 평행성의 상

태가 없어진다. 따라서 평행성이 유지되는 동안에 대한 요인의 수효를
‘필요한 요인의 수효’로 결정한다. 무선 자료를 근거로 한 고유치의 계

산을 위하여 Montanelli와 Humpheys(1976)는 수리적 공식을 개발하였으

며, 개인용 컴퓨터를 통하여 평행분석법을 활용할 수 있도록 컴퓨터 프
로그램 "PARALLEL"을 개발하였다(이순묵, 1995).

평행분석법을 개선한 방법인 수정된 평행분석법(MPA)은 Drasgow와

Lissak(1983)가 개발하였다. 이 방법도 평행분석법과 마찬가지로 두 종류
의 검사 자료를 필요로 한다. 한 가지는 실제 자료에서 구한 것이고, 다

른 자료는 실제 자료에서 얻은 문항모수치들을 이용하여 순수히 일차원

적인 3모수 로지스틱 모델에 적합하도록 자료를 모의생성함으로써 얻은

것이다. 이때 모의생성된 자료를 만들기 위하여 사용된 θ값은 평균값이

0이고 분산값이 1인 정상분포곡선으로부터 추출된 것이다. 이렇게 생성

된 자료는 실제 자료와 비교할 때, 같은 수의 문항과 피험자수를 가져야

한다. MPA는 문항간의 사분상관계수(tetrachoric correlation)를 실제검사

자료와 모의생성한 자료에서 구한 후, 이를 이용하여 요인분석법을 실시
하여 구한 두 자료간의 고유치를 비교하는 것이다. 두 검사 자료간의 두

번째로 큰 고유치를 비교하였을 때, 값이 차이가 많이 날수록 실제 검사

자료가 일차원적인 검사라기보다는 다차원적임을 나타내는 것이다(윤명
희, 1993).

3) Bejar방법

- 21 -
 Bejar(1980)는 문항의 지역독립성(local independence) 가정이 만족될
때, 전체 검사를 통하여 얻은 문항 모수치나 전체 검사를 세분한 하위

검사를 통하여 얻은 문항 모수치는 동일하여야 한다고 주장하였다. 이

방법에 의하면 각 문항마다 두 개의 문항모수치가 존재한다. 한 개는 전
체검사문항을 통하여 얻은 문항 모수치이고, 다른 한 개는 논리적으로

단원을 몇 개의 하위검사로 분류시킨 후 얻은 값이다. Bejar는 첫 번째

세트의 값을 전체검사에 의한 추정값이라고 하고, 두 번째 세트의 값을
내용별로 분류한 하위검사에 기반을 두고 얻은 추정값이라고 하였다.

Bejar는 이러한 두 추정치의 값을 비교하기 위하여 다음의 방법을 제

시하였다. 먼저, 문항 당 두 개의 문항난이도 추정치 간에 차이가 있는지
없는지를 조사하기 위하여 내용별 하위검사 모수치를 전체검사 모수치에

회귀시킨 후에 회귀계수를 조사한다. 이때 그 조사결과가 검사문항의 일

차원성 가정을 만족시키는 검사라면, 내용별 하위검사와 전체검사의 문
항 난이도 모수치는 기울기가 1.0이고 절편이 0인 이론적인 축에 가까워

질 것이다. 만약 일차원성의 가정을 만족시키지 못하는 검사라면 모수치

의 분포는 이러한 이론적인 축에서 많이 벗어난다고 할 수 있다. 그렇지
만 실제적인 축과 이론적인 축의 기울기와 절편을 비교하였을 때, 기울

기는 1로서 같지만 절편이 다를 경우에는 두 개의 추정치들이 단지 상수

값 만큼 차이가 나므로 이러한 차이는 일차원성의 가정에 위배됨을 나타
내는 것은 아니다. 기울기간의 차이가 바로 일차원성 가정의 위반을 암

시하는 중요한 기준이라고 할 수 있다.

4) 잔차분석방법

잔차분석방법(residual analysis method)은 일차원적인 문항반응이론의

- 22 -
한 모형이 자료에 적합해지면 그 모형이 지닌 모든 가정을 그 자료가 만
족한다는 가정을 지닌다. 잔차분석방법은 이러한 가정을 바탕으로 하여

검사자료에 문항반응이론의 적합한 한 모형을 적용하고, 그 모형의 모수

치를 사용하여 기대되는 비율(바른 응답의 비율)을 예언한 후, 실제의 비
율과 기대되는 비율간의 차이를 분석하는 방법이다(Hambleton &

Swaminathan, 1985).
그 분석단계를 보면, 첫 번째 단계에서는 검사자료에 적합한 일차원적
인 문항반응이론의 모형을 찾아내고 적용하여 능력 모수치 및 문항 모수

치를 추정한다(Hambleton & Rovinelli, 1986). 두 번째 단계에서는 선정

된 모형이 지닌 모수치의 추정치를 사용하여 문항특성곡선을 구성하고,
능력수준집단에 따라서 각 문항에 대한 기대 반응비율(바르게 응답할 비

율)을 계산한다. 세 번째 단계에서는 첫 번째 단계에서 계산된 능력수준

집단에 근거하여 실제의 정답비율을 계산한다. 네 번째 단계에서는 능력
수준 집단에 근거하여 두 번째 단계에서 계산된 기대 반응비율과 세 번

째 단계에서는 계산된 실제의 정답비율을 비교한다. 그리고 실제의 비율

과 기대되는 비율 간에 나타나는 잔차의 절대값을 각 문항별로 계산한
후 이를 평균한다. 마지막으로 다섯 번째 단계에서는 네 번째 단계에서

계산된 평균치를 사용하여 능력수준 집단에 따른 평균 잔차를 계산하고,

표준오차를 사용하여 평균 표준잔차를 계산한다. 적은 양의 평균 잔차가
도출된다면 그 검사는 일차원적인 검사라고 할 수 있다(신석기, 1994a).

잔차분석방법을 적용할 때 흔히 나타나는 문제점은 첫 번째 단계에서

적용된 문항반응이론의 모형이 타당하지 않을 수 있다는 사실이다. 이처
럼 우리가 가진 자료에 적합하지 않은 문항반응이론의 모형이 선택될 경

우에, 잔차는 일차원성 가정의 위반이 아닌 지역독립성의 가정, 단조증가

성의 가정, 문항난이도, 문항변별도, 추측도 등의 모형의 다른 가정의 위

- 23 -
반에 의해 커질 수 있다. 그러므로 잔차분석방법에서 잔차의 수치가 큰
것으로 나타났을 때, 자료가 일차원성의 가정을 만족하지 못한다고 결론

을 내리기 전에 적용된 문항반응이론의 모형이 타당한가를 고려하여야

한다(신석기, 1994b).

5) Stout 방법

Stout의 방법은 본질적으로 하나의 주된 차원이 존재(the existence of

one dominant dimension)한다는 가정에서 일차원성을 검정한다. 본질적
일차원성(essential unidimensionality)의 가정은 전통적인 지역 독립성과

는 구별되는, 본질적인 독립성(essential independence)이라는 가정에 근

거한다. 전통적인 지역독립성 가정은 하나의 특성( θ)이 주어졌을 때, 모

든 문항 쌍들 간에 조건부 공분산(conditional covariance)이 0이 되어야

한다. 반면에 본질적 독립성 가정은 문항의 수가 무한대로 증가할 때 모
든 문항 사이의 조건부 공분산의 평균이 0에 접근한다면, 이 가정은 만

족된다. 전통적인 입장에서는 지역독립성 가정을 만족시키기 위하여 검

사 문항에 응답하는 데 필요한 특성의 수를 모두 세어서 차원성을 결정
한다. 그러나 본질적 차원성의 경우에는 본질적 독립성 가정을 만족시키

기 위해서 필요한 지배적인 특성( θ)의 수만을 세어서 차원성을 결정한

다. 즉 본질적인 일차원성 가정 하에서는 한 검사의 반응에 정확하게 하

나의 지배적인(dominant) 특성이 존재하고, 그 외에 부수적인 특성들

(nuisance traits)도 존재할 수 있다.
Stout(1987, 1990)은 본질적인 일차원성(essential unidimensionality)을

검증하기 위하여 DIMTEST라는 프로그램을 개발하였다. DIMTEST 프

로그램은 특정한 문항군이 다른 문항들에 비해서 본질적으로 일차원적인

- 24 -
지에 대한 영가설( H 0
: d e = 1)을 다차원성에 대한 대립가설( H a
:

d e
> 1)에 반하여 검증하게 된다. 본질적 일차원성이란 그 문항군이

오직 한 가지 지배적인 차원(one dominant dimension)을 가지고 있을

경우에 확보된다.
DIMTEST는 문항을 크게 세 개의 부분검사 즉, assessment subtest
1(AT1), assessment subtest 2(AT2), 그리고 partitioning subtest(PT)로

분류한다. 이 각 부분검사는 DIMTEST의 통계치인 T 값을 계산하는데

있어서 서로 다른 역할을 한다. 우선 PT는 특성 수준(trait level)에 대한
추정을 위해 사용하고, AT1은 표본 통계치, T L
, 그리고 AT2는 T L 값

에서 통계적 편파를 교정하기 위한 T B

통계치를 추정하기 위해 사용

된다. 신석기(1994a)는 DIMTEST의 구체적인 시행 절차를 다음과 같이

제시하고 있다.

① 전체검사 문항 N개중에서 자신들은 동질적이면서 나머지 N-M개

의 문항들과는 비동질적인 M개의 평가 하위집합 AT1을 구성
② n개(N-M개)의 나머지 문항집합(분리 하위집합; PT)의 점수에 따

라 피험자들을 소집단에 배정
③ k개의 하위집단에 대한 분산을 계산
④ k개의 하위집단에 대한 일차원적인 분산을 계산

⑤ 통계치 형성을 위해 각 하위집단의 분산추정치를 정규화하고, 결합

하여 T L
계산

⑥ 통계적 편중의 교정을 실시하여, T B

계산

1 K Xk
T L
(or T B ) = ∑
K k ═1 S K

2 2
X k= σ k -σ u, k
이며, S K 는 표준오차 값이다.

- 25 -
 2
σ k
은 AT 1 점수( AT 1 문항에 대한 정답수)의 분산의 추정치

2
σ u,k
은 일차원 분산추정치(본질적 일차원성의 가정이 만족된다고

하였을 때의 피험자들의 AT 1 점수의 분산의 추정치를)

⑦ 편중이 교정된 통계치( T = (T L - T B )/2 1/2

)를 계산

⑧ Z분포를 사용하여 일차원성의 가정에 대한 검증을 수행

⑨ 계산된 통계치 T 가 Z 값보다 적을 때 일차원성의 가정을 만족

6) 비선형적 요인분석방법

McDomald(1967)는 일반적으로 사용하는 요인분석방법인 선형적 요인

분석방법을 개선하기 위하여 비선형적 요인분석방법(nonlimear factor

analysis)을 개발하였다. 이 방법은 측정되는 특성 간의 관계가 비선형적
이라는 것을 가정한다. 문항반응이론의 특성곡선모형이 비선형적인 오자

이브 곡선이므로 문항반응이론의 일차원성 가정을 검증하는 데 효과적이

다. 또한 선형적인 요인분석의 경우에 각 문항의 난이도의 차이로 인하
여 요인을 과도하게 추정하는 문제점이 발생하는데, 비선형적 요인분석

방법은 이와 같은 문제를 해결할 수 있다. 분석방법은 비선형적 요인모

형을 자료에 적용하는 것을 제외하고는 선형적 요인분석방법과 동일하
다. 그렇지만 아직까지 요인의 적절한 수와 이 방법의 핵심이 되는 부분

인 다항식 항에 대한 분명한 지침이 없으며, 사용 가능한 컴퓨터 프로그

램을 구하는 것이 쉽지 않다(신석기, 1994a).

- 26 -
5. 선행연구

Hattie(1985)는 일차원성 가정의 검증방법으로 사용되던 여러 지수들

(indices)을 개괄하였다. 그는 지수들을 ‘반응형식에 근거하는 지수
(Indices Based on Answer Pattern)’, ‘신뢰도에 근거하는 지수(Indices

Based on Reliability)’, ‘주요인에 근거하는 지수(Indices Based on

Principal Components)’, ‘요인분석에 근거하는 지수(Indices Based on
Factor Analysis)’, ‘문항반응이론에 근거하는 지수(Indices Based on

Latent Trait Models)’의 다섯 가지 범주로 구분하였다. 또한 그는 기존

의 학자들이 일차원성을 정의하기 위하여 ‘신뢰도(Reliability)’, ‘동질성의
정도(Homogeneity)’, ‘내적 일관성(Internal consistency)'이라는 개념을

사용한 것에 대하여 그러한 개념들이 일차원성을 정의하기에는 충분하지

못하다고 하였다.
먼저 신뢰도가 높은 검사가 일차원성이 유지되는 검사라는 주장에 대

하여 ‘관측된 검사 점수의 분산에 대한 진점수의 분산의 비율’이 신뢰도

의 고전적인 정의이며, 이는 검사의 일차원성과는 다른 문제라고 하였다.
또한 동질성이 높으면, 일차원인 검사라는 주장에 대해서도 문항들 사이

에 상관계수가 같으면 완전히 동질적인 검사가 되지만, 이것은 비슷한

질문을 다른 문항들을 통하여 반복할 경우에 발생하게 되므로 일차원성
을 정의하기에는 부족한 설명이라고 하였다. 그리고 내적 일관성

(Internal consistency)도 또한 검사의 동질성의 정도(Homogeneity)와 유

사한 문제점을 안고 있다고 지적하였다. 따라서 Hattie(1985)는 일차원성
을 ‘검사의 전반에 내재하는 하나의 잠재적 요인(latent trait)이 존재하는

것’으로 정의하였으며, 이처럼 일차원성이 만족되는 검사라면 신뢰도도

높고, 동질적이며, 내적으로 일관된 검사라고 하였다. Hattie(1985)의 연

- 27 -
구는 이처럼 이전의 일차원성과 관련된 다양한 논의들을 총 정리하여 검
사의 차원성과 관련된 이후의 연구에 커다란 지침을 제공하고 있다.

Hambleton과 Rovinelli(1986)는 실제자료와 모의자료를 통하여 선형적

요인분석방법, 비선형적 요인분석 방법, Bejar 방법, 잔차분석방법을 비
교하였다. 이 연구에서는 모의 자료의 구성에 있어서 실제적으로 가장

자주 발견되는 모수의 범위로서 난이도는 -2.0 ～ +2.0, 변별도는 .40 ～

2.0, 그리고 추측도는 .25로 고정하였다. 이 연구결과에 따르면 네 가지의
방법 중에서 비선형적 요인분석 방법이 가장 효율적인 방법으로 밝혀졌

지만, 적절한 요인의 수와 다항식 항에 대한 분명한 지침이 없는 점, 그

리고 사용 가능한 컴퓨터 프로그램을 구하는 것이 쉽지 않다는 점 등의
문제가 있으므로 후속연구가 필요함을 강조하였다.

박정수(1992)는 문항반응이론에서의 일차원성을 검증할 수 있는 방법

으로 비모수적 방법으로서 요인분석방법, Holland와 Rosenbaum 방법,
Stout 방법을 소개하였다. 이 중에서 Stout 방법을 전산통계학 시험에

이용하여 실제자료의 일차원성을 검증하였다. 또한 윤명희(1993)는 Iowa

검사라는 다수준검사(multilevel test)의 차원성 여부를 요인분석법, 수정
된 평행분석법, Bejar의 방법, Yen의 적합도검사를 통하여 조사하고, 요

인분석법과 수정된 평행분석법이 각각의 수준검사에서 일관성 있게 내재

된 차원의 수를 추정함을 알아냈다.
윤명희(1993)는 미국의 전역에서 3학년에서 6학년 학생들을 대상으로

실시되는 아이오와 검사(Iowa Tests of Basic Skills; ITBS)에 대하여

요인분석 방법, 수정된 평행분석 방법, Bejar의 방법, Yen의 적합도 검사
방법을 통하여 그 차원성을 분석하였다. 아이오와 검사는 어휘력검사, 독

해력검사, 언어사용 및 표현능력검사, 참고문헌 사용능력검사, 수학 문제

해결력검사, 수학 계산능력검사로 이루어진 검사이다. 아이오와 검사의

- 28 -
차원성을 분석한 결과, 요인분석을 이용한 방법과 수정된 평행분석법은
각각의 검사에서 학년 별로 일관성 있게 내제된 차원의 수를 추정하였지

만, Bejar의 방법과 Yen의 적합도 검사 방법은 학년별로 일관성 있는 결

과가 나타나지 않았다. 이 연구를 통하여 요인분석 방법과 수정된 평행
분석 방법이 효율적인 차원성 식별방법임을 알 수 있었으며, 동시에 아

이오와 검사가 각 학년별로 같은 수의 특성을 일관되게 측정하는 검사라

는 사실을 또한 확인할 수 있었다.
신석기(1994a)는 모의자료를 생성하기 위하여 문항의 난이도와 변별도

의 범위를 넓은 범위와 좁은 범위로 나누고, 추측도도 또한 추측이 심한

경우와 낮은 경우로 나누었다. 그리고 일차원의 가정을 만족하는 자료와
이차원인 자료를 생성하였다. 이차원인 자료는 자료의 구성형태에 따라

서 완전검사, 부분혼합검사, 혼합검사의 세 가지로 나누어지며, 차원간의

상관은 .05와 .40으로 낮은 상관과 높은 상관으로 구분된다. 이러한 방식
에 의하여 56종류의 모의자료를 생성하여, 선형적 요인분석방법, Stout

방법, Bejar 방법, 잔차분석방법을 비교하였다. 그 결과 선형적 요인분석

방법과 Stout 방법이 다양한 상황에서 비교적 효율적인 방법임을 밝혔으
나, 이 두 가지 방법도 두 가지 차원을 동시에 측정하는 문항들만 구성

된 혼합검사에서는 그다지 효율적이지 않은 것으로 밝혀졌다.

Nandakumar(1994)는 Stout의 방법, Holland와 Roseabum방법, 비선
형 요인분석방법(nonlinear factor analysis)을 모의자료와 실제자료를 통

하여 비교하고, 세 방법이 모두 일차원성 자료를 확인하는 부분에서는

유효하였으나, 일차원성의 위반에 대해서는 DIMTEST 프로그램을 활용
하는 Stout의 방법이 가장 효율적임을 밝혔다. Nandakumar의 연구에서

도 신석기(1994)의 연구에서와 마찬가지로 난이도와 변별도의 범위를 넓

은 범위와 좁은 범위로 나누었으며, 추측도는 .20으로 고정시켰다. 그리

- 29 -
고 이차원인 자료를 두 가지의 능력을 각각 측정하는 문항들과 동시에
측정하는 문항들의 세 부분으로 이루어진 한 가지 형태로 한정하였다.

이차원인 자료에 있어서 차원간의 상관은 .3과 .7로서 .3은 차원 간에 낮

은 상관을 .7은 차원간의 높은 상관을 의미한다. DIMTEST는 두 차원간
의 상관이 .7에 이르기까지 일차원성과 이차원성을 구분할 수 있는 것으

로 밝혀졌다(Nandakumar & Stout, 1993; Stout, 1987). 이러한 형태의

이차원 자료는 신석기(1994a)의 연구에서 지정한 두 차원간의 상관(.05와
.40)과 구별되는 것이며, 신석기 연구의 혼합검사에 해당된다. 이 연구에

서는 모의자료의 문항수를 25개와 50개로 구분하여 검사의 길이에 따른

검증방법의 차이를 살펴보고자 하였다. 차원성을 식별하는데 있어서 문
항이 많은 검사가 보다 유용한 결과를 도출할 것이라는 기대와는 달리

이 연구에서 검사의 길이는 별다른 영향이 없는 것으로 나타났다. 이것

은 다시 말하면, 검사의 길이는 25개의 문항으로도 충분하다고 할 수 있
다.

손원숙(2003)은 Stout 방법과 위계적 군집분석(Hierarchical

Agglomerative Clustering; HAC)기법을 사용하여 선다형 문항과 구성형
문항으로 이루어진 수학 학업성취도 검사의 차원성을 살펴보았다. 이 연

구에서는 다분문항에서도 사용될 수 있는 Stout의 POLY-DIMTEST 프

로그램을 사용하여 선다형 문항과 구성형 문항이 서로 동일한 내용을 측
정한다고 하여도 차원상으로는 서로 구별되고 있음을 밝혀냈다.

이러한 선행연구들의 결과를 종합하여 볼 때, 대부분의 차원성 검증

방법들이 검사자료의 일차원성을 확인하는데 있어서는 효율적이지만, 일
차원성을 위반하는 검사자료를 검증하는데 있어서는 효율적이지 못하였

다. 그리고 모의자료의 구성에 있어서 난이도와 변별도의 범위와 추측도

의 높고 낮음은 검증방법들의 효율성 비교에 큰 영향을 미치지는 않는

- 30 -
것으로 밝혀졌으며, 이러한 요인들보다는 이차원인 모의자료를 구성하는
방식에 따라서 검증방법들의 효율성이 차이가 날 수 있음을 확인할 수

있었다.

- 31 -
 Ⅲ. 연구내용 및 방법

본 연구에서는 일차원성을 검증하는 방법으로 선형적 요인분석 방법과

Bejar의 방법을 비교해 보고자 한다. 선형적 요인분석방법은 자료의 차

원성을 검증하기 위하여 가장 보편적으로 쓰이는 비모수적 방법이고,

Bejar의 방법은 하나의 검사를 전체검사와 하위검사로 나누어 각각의 난
이도를 문항반응이론을 통하여 도출한 후 이를 회귀분석하여 그 결과를

통하여 차원성을 알아보는 대표적인 모수적 방법이다. 두 방법을 비교하

기 위하여 통계프로그램인 SAS를 사용하여 일차원인 모의자료와 두 종
류의 이차원인 모의자료를 각각 5 세트씩 총 15개의 자료를 생성하여,

두 가지 검증방법을 적용하고 그 결과를 비교하였다.

1. 모의자료의 생성

이 연구에서는 일차원인 검사와 차원간의 상관이 다른 두 종류의 이차

원인 검사를 통하여 요인분석 방법과 Bejar의 방법 중에서 어떠한 방법

이 검사의 차원성식별에 효율적인지를 비교하기 위하여 SAS/IML프로그

램을 통하여 다음과 같은 조건으로 모의자료를 생성하였다.
첫째, 모의자료의 각 검사의 문항 수는 20문항이며, 표본의 크기는

1,000명이다. 문항은 맞으면 1점, 틀리면 0점을 부여하는 이분문항으로

구성하였다.
이처럼 이분문항으로 이루어진 자료를 만들기 위하여 먼저 각 문항에

대하여 평균이 0이고, 표준편차가 1인 표준정규분포를 하는 난수

(random number)를 생성하였고, 여기에 각 문항의 분산-공분산

- 32 -
(variance-covariance)행렬을 곱하여 자료들을 생성하였다. 그리고 최종
적으로 생성된 값이 0보다 크면 정답인 1을, 생성된 값이 0보다 작으면

오답인 0을 부여하였다.
둘째, 검사의 차원은 일차원과 이차원이다. 차원이 1인 경우는 요인분
석 방법과 Bejar의 방법이 일차원인 검사를 제대로 식별하는지 알아보기

위한 것이며, 차원이 2인 경우는 두 가지 방법이 일차원성 가정의 위반

을 얼마나 효율적으로 검증하는지 확인하기 위한 것이다.
셋째, 일차원인 검사는 각 문항간의 상관은 0.67이며, 분산은 0.03, 공

분산은 0.02로 하였다.

넷째, 이차원인 검사를 두 가지의 형태로 구성하였다. 하나는 두 차원
간의 상관계수가 0.33으로 어느 정도 상관이 있는 경우이며, 다른 하나는

두 차원간의 상관계수가 0으로 전혀 상관관계를 갖지 않는 경우이다. 이

상의 실험조건을 정리하면 다음과 같다.

(1) 조건 1 : 일차원인 검사로서 각 문항간의 상관계수는 0.67이다.

(2) 조건 2 : 이차원인 검사로서 각 차원 내 문항간의 상관계수는
0.67이고 두 차원간의 상관계수는 0.33이다.

(3) 조건 3 : 이차원인 검사로서 각 차원 내 문항간의 상관계수는

0.67이고 두 차원간의 상관계수는 0이다.

이와 같은 조건에서 한 종류의 일차원 검사와 두 종류의 이차원 검사

를 각각 5세트 씩, 총 15개의 모의자료를 생성하여 요인분석 방법과
Bejar 방법을 적용하여 검사의 차원성 식별에 대한 효율성을 분석하였

다.
조건 1의 20개 문항 간 분산-공분산(variance-covariance)행렬은 다음

- 33 -
 
과 같으며, 각 문항 간 상관계수는     이 된다.


<표 Ⅲ-1> 조건 1에서의 분산-공분산 행렬

문항 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
1 0.03 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02
2 0.02 0.03 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02
3 0.02 0.02 0.03 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02
4 0.02 0.02 0.02 0.03 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02
5 0.02 0.02 0.02 0.02 0.03 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02
6 0.02 0.02 0.02 0.02 0.02 0.03 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02
7 0.02 0.02 0.02 0.02 0.02 0.02 0.03 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02
8 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.03 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02
9 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.03 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02
10 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.03 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02
11 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.03 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02
12 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.03 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02
13 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.03 0.02 0.02 0.02 0.02 0.02 0.02 0.02
14 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.03 0.02 0.02 0.02 0.02 0.02 0.02
15 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.03 0.02 0.02 0.02 0.02 0.02
16 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.03 0.02 0.02 0.02 0.02
17 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.03 0.02 0.02 0.02
18 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.03 0.02 0.02
19 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.03 0.02
20 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.03

두 차원간의 상관이 0.33인 조건 2에서의 분산-공분산 행렬(variance

-covariance)은 다음과 같다. 이 조건에서 각 차원 내 문항간의 상관계수


는    이 되며, 두 차원 간 문항의 상관계수는



   이 된다.


- 34 -
 <표 Ⅲ-2> 조건 2에서의 분산-공분산 행렬

문항 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
1 0.03 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01
2 0.02 0.03 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01
3 0.02 0.02 0.03 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01
4 0.02 0.02 0.02 0.03 0.02 0.02 0.02 0.02 0.02 0.02 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01
5 0.02 0.02 0.02 0.02 0.03 0.02 0.02 0.02 0.02 0.02 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01
6 0.02 0.02 0.02 0.02 0.02 0.03 0.02 0.02 0.02 0.02 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01
7 0.02 0.02 0.02 0.02 0.02 0.02 0.03 0.02 0.02 0.02 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01
8 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.03 0.02 0.02 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01
9 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.03 0.02 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01
10 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.03 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01
11 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.03 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02
12 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.02 0.03 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02
13 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.02 0.02 0.03 0.02 0.02 0.02 0.02 0.02 0.02 0.02
14 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.02 0.02 0.02 0.03 0.02 0.02 0.02 0.02 0.02 0.02
15 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.02 0.02 0.02 0.02 0.03 0.02 0.02 0.02 0.02 0.02
16 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.02 0.02 0.02 0.02 0.02 0.03 0.02 0.02 0.02 0.02
17 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.02 0.02 0.02 0.02 0.02 0.02 0.03 0.02 0.02 0.02
18 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.03 0.02 0.02
19 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.03 0.02
20 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.03

조건 3에서의 분산-공분산(variance-covariance)행렬은 다음과 같다.


이 조건에서 각 차원 내 문항 간 상관계수는   



이 되며, 두 차원 간 문항의 상관계수는    이 된


다.

- 35 -
 <표 Ⅲ-3> 조건 3에서의 분산-공분산 행렬

문항 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
1 0.03 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0 0 0 0 0 0 0 0 0 0
2 0.02 0.03 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0 0 0 0 0 0 0 0 0 0
3 0.02 0.02 0.03 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0 0 0 0 0 0 0 0 0 0
4 0.02 0.02 0.02 0.03 0.02 0.02 0.02 0.02 0.02 0.02 0 0 0 0 0 0 0 0 0 0
5 0.02 0.02 0.02 0.02 0.03 0.02 0.02 0.02 0.02 0.02 0 0 0 0 0 0 0 0 0 0
6 0.02 0.02 0.02 0.02 0.02 0.03 0.02 0.02 0.02 0.02 0 0 0 0 0 0 0 0 0 0
7 0.02 0.02 0.02 0.02 0.02 0.02 0.03 0.02 0.02 0.02 0 0 0 0 0 0 0 0 0 0
8 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.03 0.02 0.02 0 0 0 0 0 0 0 0 0 0
9 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.03 0.02 0 0 0 0 0 0 0 0 0 0
10 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.03 0 0 0 0 0 0 0 0 0 0
11 0 0 0 0 0 0 0 0 0 0 0.03 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02
12 0 0 0 0 0 0 0 0 0 0 0.02 0.03 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02
13 0 0 0 0 0 0 0 0 0 0 0.02 0.02 0.03 0.02 0.02 0.02 0.02 0.02 0.02 0.02
14 0 0 0 0 0 0 0 0 0 0 0.02 0.02 0.02 0.03 0.02 0.02 0.02 0.02 0.02 0.02
15 0 0 0 0 0 0 0 0 0 0 0.02 0.02 0.02 0.02 0.03 0.02 0.02 0.02 0.02 0.02
16 0 0 0 0 0 0 0 0 0 0 0.02 0.02 0.02 0.02 0.02 0.03 0.02 0.02 0.02 0.02
17 0 0 0 0 0 0 0 0 0 0 0.02 0.02 0.02 0.02 0.02 0.02 0.03 0.02 0.02 0.02
18 0 0 0 0 0 0 0 0 0 0 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.03 0.02 0.02
19 0 0 0 0 0 0 0 0 0 0 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.03 0.02
20 0 0 0 0 0 0 0 0 0 0 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.03

위의 첫 번째 단계의 모의자료 생성절차를 수식으로 나타내면 다음과

같다.

(1) 상호 독립적이고 정규분포를 하는 1000× 20 차원의 행렬  ( =1,

2, 3)가 생성되었다. 이를 위하여 SAS(SAS Institute Inc., 2004)의

NORMAL function이 사용되었다.


(2) 행렬  는     로 전환되었는데, 여기서  는    를

만족하는 하위삼각행렬(lower triangular)이다.

이 때  는 위의 <표 Ⅲ-1>부터 <표 Ⅲ-3>에 제시된 분산-공분산

(variance-covariance)행렬을 나타낸다. 부록 1, 2, 3에서는 각각 조건 1,

2, 3에서의 모의자료 생성을 위한 SAS/IML 프로그램이 수록되었다.

- 36 -
2. 차원성 가정의 식별방법

본 연구에서 사용하는 검증방법은 비모수적 방법인 선형적 요인분석과

모수적 방법인 Bejar의 방법이며, 각 방법의 분석 절차는 다음과 같다.

1) 요인분석 방법

① 모든 문항에 대한 모든 피험자의 반응을 준비한다.

② 상관계수행렬을 계산한다.
③ 요인분석을 실시한다.

④ 요인분석 결과로서 5개의 요인을 추출한다.

⑤ 1 이상인 고유치를 지닌 요인의 수 및 가장 큰 고유치와 두 번째로
큰 고유치의 비율, 한 요인이 설명하는 분산의 비율을 계산한다.

⑥ 1 이상인 고유치를 지닌 요인의 수가 하나이거나 또는 두 고유치간의

비율이 충분히 클 때, 그리고 하나의 요인이 총분산의 20%를 설명할
때 검사는 일차원성의 가정을 만족하는 것으로 간주된다.

2) Bejar 방법

① 요인분석을 통하여 하나의 전체검사를 두 개의 하위검사로 나눈다.

② 전체검사와 하위검사 문항들에 문항반응이론을 적용한다.

③ 각 문항 당 전체검사와 하위검사에 관한 두 개의 문항난이도 추정치
를 추정한다.

④ 두 문항난이도 추정치간의 회귀분석을 실시한다.

⑤ 기울기 1.00, 절편 0.00인 회귀식과의 비교에서 편차가 적을 때, 일차

- 37 -
 원성의 가정을 만족하는 것으로 간주된다.

4. 통계프로그램

본 연구에서 사용한 프로그램은 SAS와 SPSS 12.0, 그리고 BILOG

-MG이다. SAS/IML 프로그램을 통하여 일차원 자료와 상관관계가 다른

두 종류의 이차원 자료를 생성하였으며, SPSS 12.0을 통하여 선형적 요
인분석 방법과 Bejar 방법에서의 회귀분석을 실시하였다. 그리고

BILOG-MG를 통하여 Bejar 방법에서 필요한 문항 난이도를 추정하였

다.

- 38 -
 Ⅳ. 연구 결과

1) 요인분석 방법

총 15개의 자료에 대하여 주성분분석(principle component analysis)방

법을 통하여 요인을 추출하였다. 다음 <표 Ⅳ-1>부터 <표 Ⅳ-7>에서는
차원이 1인 5개의 자료와 차원이 2인 10개의 자료에 대한 요인분석의 결

과가 제시 되었다. 우선 <표 Ⅳ-1>부터 <표 Ⅳ-3>에는 Kaiser(1970)의

기준에 의한 요인분석결과가 제시되었으며, <표 Ⅳ-4>부터 <표 Ⅳ-6>
에는 Reckase(1979)의 기준에 의한 요인분석 결과가 제시되었다. 또한

<표 Ⅳ-7>에는 Lumsden(1961)의 기준에 의한 요인분석 결과가 제시되

었다. 일차원인 자료들을 각각의 준거에 따라 살펴보면 다음과 같다.
Kaiser(1970)는 고유치가 1 이상인 요인의 수가 하나일 때, 일차원인

검사라고 하였다. <표 Ⅳ-1>을 보면, 조건 1에 따라서 생성된 일차원인

모의자료들은 모두 Kaiser의 준거를 만족함을 알 수 있다. 다섯 개의 자
료에서 첫 번째 요인의 고유치가 모두 9 이상이며, 두 번째 요인의 고유

치는 1 미만임을 확인할 수 있다.

- 39 -
 <표 Ⅳ-1> 조건 1을 만족하는 검사들의 고유치

요인＼자료 1 2 3 4 5

1 9.672 9.656 10.099 9.323 9.640

2 0.697 0.729 0.688 0.722 0.712

3 0.680 0.710 0.652 0.690 0.681

4 0.649 0.652 0.619 0.669 0.669

5 0.640 0.638 0.605 0.640 0.664

고유요인≥1
인 요인의 1 1 1 1 1
갯수

조건 2에 따라서 생성된 모의자료들을 Kaiser(1970)의 준거에 비추어

살펴볼 때, 5개의 검사에서 고유치가 1 이상인 요인들이 2개씩 존재한

다. 또한 첫 번째 요인의 고유치들이 두 번째 요인의 고유치보다 2배 이

상임을 알 수 있다. 그리고 세 번째 요인부터는 1 미만의 고유치 값들을
갖는다. 이러한 결과는 두 차원 사이에 0.33의 상관이 있는 이차원 자료

는 주로 두 가지의 차원으로 구성되어 있으며, 하나의 차원이 다른 하나

의 차원보다 더 큰 영향력이 있다고 해석할 수 있다.

- 40 -
 <표 Ⅳ-2> 조건 2를 만족하는 검사들의 고유치

요인＼자료 1 2 3 4 5

1 7.127 7.384 7.311 7.082 6.935

2 3.365 2.903 2.963 3.267 3.167

3 0.683 0.679 0.703 0.679 0.707

4 0.634 0.665 0.663 0.669 0.671

5 0.611 0.658 0.638 0.644 0.653

고유요인≥1
인 요인의 2 2 2 2 2
갯수

조건 3을 만족하는 5개의 모의자료에 대한 요인분석 결과는 <표 Ⅳ

-3>과 같다. 이 결과에서도 조건 2에 따른 요인분석 결과와 마찬가지로
고유치가 1이상인 요인들이 5개의 자료에서 각각 2개씩 존재함을 알 수

있다. 또한 그 값들이 약 5로써 서로 비슷하다. 따라서 두 차원 간에 상

관이 전혀 없는 이차원 자료에서는 2개의 요인이 거의 같은 비율로서 검
사의 주요한 차원을 형성하고 있음을 알 수 있다.

- 41 -
 <표 Ⅳ-3> 조건 3을 만족하는 검사들의 고유치

요인＼자료 1 2 3 4 5

1 5.448 5.312 5.449 5.538 5.402

2 5.085 5.153 5.210 4.725 5.322

3 0.653 0.687 0.641 0.691 0.656

4 0.648 0.638 0.629 0.685 0.634

5 0.612 0.624 0.619 0.653 0.622

고유요인≥1
인 요인의 2 2 2 2 2
갯수

Kaiser(1970)는 고유치의 값을 준거로 하여 차원의 수를 정의한 반면

에, Reckase(1979)는 한 요인이 총분산의 20% 이상을 설명할 때 그 검

사는 일차원인 검사라고 하였다. <표 Ⅳ-4>를 보면, 조건 1에 따라 생성

된 5개의 모의자료 모두에서 제 1 요인의 분산의 설명비율이 20%를 넘
는다는 것을 알 수 있다. 자료 4의 경우를 보면 첫 번째 요인의 분산의

비율이 약 47%로서 5개의 자료들 중에서 가장 작지만, 이것은

Reckase(1979)의 준거인 20%보다는 더 큰 값이다. 따라서 조건 1에 따
라서 생성된 자료들은 Reckase(1979)의 준거를 사용하였을 경우 모두 일

차원인 검사로 판단할 수 있다.

- 42 -
 <표 Ⅳ-4> 조건 1을 만족하는 검사들의 분산의 비율(%)

요인＼자료 1 2 3 4 5

1 48.360 48.281 50.493 46.617 48.198

2 3.486 3.623 3.441 3.612 3.558

3 3.399 3.551 3.262 3.449 3.405

4 3.247 3.262 3.094 3.343 3.347

5 3.199 3.192 3.023 3.201 3.321

합 61.691 61.909 63.313 60.223 61.829

<표 Ⅳ-5>는 조건 2에 따라서 생성된 모의자료들의 분산의 설명비율

을 나타내고 있다. Reckase(1979)의 준거에 비추어 살펴보았을 때, 5개의
검사들은 총분산에 대한 설명비율이 20%를 넘는 요인이 모두 한 개씩만

존재한다. 따라서 Reckase(1979)의 준거에 따르면, 조건 2에 따라 생성된

두 차원 간에 어느 정도의 상관관계를 갖는 5개의 이차원 검사들은 모두
일차원인 검사로 식별된다. 이것은 Kaiser(1970)의 준거에 따른 분석과는

다른 결과이다.

- 43 -
 <표 Ⅳ-5> 조건 2를 만족하는 검사들의 분산의 비율(%)

요인＼자료 1 2 3 4 5

1 35.633 36.921 36.557 35.412 34.676

2 16.825 14.514 14.816 16.344 15.834

3 3.417 3.397 3.516 3.393 3.533

4 3.171 3.324 3.316 3.344 3.357

5 3.057 3.288 3.192 3.219 3.264

합 62.102 61.443 61.397 61.701 60.663

<표 Ⅳ-6>은 조건 3을 만족하는 자료들의 총분산에 대한 설명비율을

나타낸다. 5개의 자료에서 분산의 비율이 20%이상인 요인이 두 개씩 존
재하고 있음을 알 수 있다. 이러한 결과를 Reckase(1979)의 준거에 적용

하면, 조건 3을 만족하는 자료들은 모두 이차원이라고 할 수 있다. 따라

서 두 차원 간에 상관이 전혀 없는 자료들의 차원성을 식별하는 경우에
는 Reckase(1979)의 준거 역시 효율적이라고 할 수 있다.

- 44 -
 <표 Ⅳ-6> 조건 3을 만족하는 검사들의 분산의 비율(%)

요인＼자료 1 2 3 4 5

1 27.240 26.559 27.245 27.688 27.010

2 25.427 25.766 26.052 23.625 26.608

3 3.266 3.436 3.206 3.455 3.280

4 3.239 3.192 3.144 3.423 3.170

5 3.061 3.122 3.095 3.263 3.111

합 61.232 62.075 62.744 61.454 63.179

Kaiser(1970)와 Reckase(1979)의 준거 이외의 다른 준거로는 Lumsden

(1961)의 준거가 있다. Lumsden(1961)은 첫 번째 요인과 두 번째 요인
간에 그 고유치의 비율이 충분히 클 때, 일차원인 검사라고 하였으며, 일

반적으로 그 비율이 4이상이 될 때, 일차원인 자료로 판단할 수 있다고

하였다.
<표 Ⅳ-7>은 세 가지의 조건에 따른 15개의 자료들에 관한 첫 번째

요인과 두 번째 요인 사이의 고유치의 비율을 제시한 것이다. 조건 1에

따라서 생성된 5개의 자료들은 그 비율이 모두 12 이상으로 4보다 크기
때문에 일차원인 자료라고 할 수 있다. 반면에 조건 2를 만족하는 자료

들은 첫 번째 요인과 두 번째 요인 사이의 고유치의 비율이 5개의 자료

에서 모두 약 2의 값을 보이고 있으며, 조건 3을 충족하는 5개 자료들의
비율도 또한 약 1로써 4 미만의 값을 나타내고 있다. 따라서 조건 2와

조건 3의 자료들은 모두 이차원인 자료라고 할 수 있다. 결론적으로

Lumsden(1961)의 준거는 세 가지 조건의 모의자료들의 차원성을 식별하
는데 있어서 효율적이었다.

- 45 -
<표 Ⅳ-7> 첫 번째 요인과 두 번째 요인의 고유치간의 비율

차원＼자료 1 2 3 4 5

조건 1 13.88 13.32 14.68 12.91 13.54

조건 2 2.12 2.54 2.47 2.17 2.19

조건 3 1.07 1.03 1.05 1.17 1.01

요인분석 방법에 의하여 차원성을 식별한 이상의 결과들을 종합하여

보면, 요인분석의 결과를 토대로 하여 차원성에 대한 판단을 내릴 때,

Kaiser(1970)의 준거와 Lumsden(1961)의 준거를 사용하는 것이
Reckase(1979)의 준거를 따르는 것보다 비교적 효율적이었다.

Kaiser(1970)가 제시한 고유치 1을 준거로 하는 차원성 식별방법에 대

해서는 세 가지 조건의 15개의 자료에서 모두 만족스런 결과가 도출되었
다. 또한 Lumsden(1961)이 제시한 준거인 첫 번째 요인의 고유치와 두

번째 요인의 고유치의 비율로 차원성을 식별하는 방법도 모든 자료에서

효율적이었다.
그렇지만 Reckase(1979)의 준거도 또한 <표 Ⅳ-4>와 <표 Ⅳ-6>에서

제시된 바와 같이 조건 1과 조건 3에서는 분명하게 차원성을 식별하고

있었으며, <표 Ⅳ-5>에서 확인할 수 있듯이 조건 2의 두 번째 요인의
분산의 비율도 각각 약 17%, 약 15%, 약 15%, 약 17%, 약 16%로써

Reckase(1979)의 준거인 20%와 큰 차이가 나지는 않았다.

결론적으로 Kaiser(1970)와 Reckase(1979)의 준거를 사용한 요인분석
방법은 검사의 차원성을 식별하는데 있어서 효율적인 방법인 것으로 나

- 46 -
타난 반면에 Lumsden(1961)의 준거는 차원 간에 약한 상관(0.33)이 존재
하는 경우에는 효율적인 방법이 되지 못하는 것으로 나타났다.

2) Bejar방법

Bejar의 방법을 적용하기 위하여 총 15개의 자료들에 대하여 우선 요

인분석을 실시하여 각각의 자료들을 두 부분으로 분리하였다. 그리고
BILOG-MG 프로그램의 “2-모수 문항반응모형”을 적용하여 전체자료와

분리된 자료들의 각각의 문항에 대한 난이도를 추정하였다. 여기서 문항

반응이론의 세 가지의 모형 중에서 특별히 “2-모수 문항반응모형”을 사
용한 이유는 모의자료를 생성할 때, 문항의 추측도가 0으로 고정되어

“3-모수 문항반응모형”을 사용하는 것이 의미가 없었으며, 또한 1000명

의 피험자를 대상으로 20문항으로 이루어진 자료들을 분석함에 있어서
“1-모수 문항반응모형”보다는 별별도 모수가 추가된 “2-모수 문항반응모

형”이 더욱 안전하게 난이도 모수를 추정할 수 있기 때문이다.

<표 Ⅳ-8>은 조건 1의 5개의 자료들에 대하여 요인분석을 실시하여
두 개의 요인에 대한 요인계수를 제시한 요인행렬이다. 조건 1을 만족하

는 5개의 자료들은 모두 일차원인 자료들로서 요인분석 결과 20개의 문

항에서 모두 첫 번째 요인의 요인계수들의 평균값이 약 0.7로써 의미 있
는 값을 가지며, 두 번째 요인계수들은 대체로 그 값이 0에 근접하여 각

문항에 큰 영향을 미치지 못하고 있음을 알 수 있다. 그러므로 조건 1의

자료들은 전체검사가 하나의 차원을 일관성 있게 측정하는 검사들이며,
요인분석을 통하여 전체검사를 두 개의 하위검사로 분리할 수는 없었다.

따라서 이러한 5개의 각각의 자료를 1번부터 10번, 11번부터 20번의 문

항으로 이루어진 두 개의 검사로 반분하여 두 개의 하위검사를 생성하였

- 47 -
다.

<표 Ⅳ-8> 조건 1의 요인행렬

자료 1 2 3 4 5
문항 요인1 요인2 요인1 요인2 요인1 요인2 요인1 요인2 요인1 요인2
1 0.692 -0.122 0.689 -0.184 0.701 0.166 0.675 0.190 0.696 0.184
2 0.704 -0.066 0.701 -0.229 0.712 0.201 0.691 -0.190 0.668 -0.107
3 0.683 -0.404 0.680 0.327 0.731 0.178 0.699 -0.066 0.686 -0.236
4 0.684 -0.228 0.720 0.192 0.696 -0.025 0.683 -0.224 0.708 0.079
5 0.696 0.252 0.678 0.217 0.723 -0.257 0.674 -0.143 0.705 -0.144
6 0.723 0.095 0.711 -0.161 0.698 -0.144 0.692 0.013 0.682 0.314
7 0.697 0.134 0.672 0.019 0.701 -0.218 0.655 0.343 0.696 0.302
8 0.675 0.251 0.697 -0.057 0.730 -0.164 0.683 -0.260 0.680 -0.170
9 0.690 -0.118 0.697 0.129 0.718 -0.085 0.693 0.211 0.696 -0.266
10 0.708 -0.038 0.684 0.242 0.729 0.063 0.705 -0.027 0.683 0.204
11 0.685 -0.120 0.707 -0.081 0.696 0.126 0.650 -0.220 0.688 -0.189
12 0.713 -0.175 0.698 -0.216 0.703 0.131 0.666 -0.156 0.704 -0.141
13 0.702 -0.027 0.692 -0.278 0.712 -0.109 0.647 0.275 0.724 0.006
14 0.713 0.078 0.701 0.255 0.712 -0.029 0.714 0.162 0.683 0.097
15 0.697 -0.158 0.684 -0.162 0.688 0.407 0.694 0.334 0.699 -0.300
16 0.698 0.016 0.689 0.256 0.728 -0.021 0.669 -0.047 0.722 0.194
17 0.707 0.235 0.684 -0.234 0.694 0.133 0.709 -0.021 0.670 0.015
18 0.715 0.089 0.689 0.245 0.696 -0.250 0.714 -0.233 0.712 0.015
19 0.672 -0.068 0.729 -0.066 0.729 0.199 0.677 -0.015 0.661 0.211
20 0.650 0.385 0.689 0.029 0.712 -0.291 0.661 0.078 0.717 0.069

<표 Ⅳ-9>는 전체검사를 반분한 후에 BIGLOG-MG 프로그램의 ‘2-

모수 문항반응모형’을 사용하여 난이도를 구한 것이다. 전체검사와 하위
검사의 난이도의 값들은 대체적으로 0임을 알 수 있다.

- 48 -
<표 Ⅳ-9> 조건 1의 전체검사와 하위검사의 문항별 두 개의 난이도

자료 1 2 3 4 5
문항 전체 하위 전체 하위 전체 하위 전체 하위 전체 하위
1 -0.023 -0.022 -0.019 -0.016 0.016 0.020 0.006 0.002 -0.020 -0.015
2 0.017 0.019 -0.016 -0.013 0.040 0.044 -0.060 -0.064 -0.020 -0.016
3 -0.021 -0.019 -0.041 -0.038 0.100 0.103 -0.007 -0.011 -0.048 -0.044
4 0.014 0.016 -0.070 -0.067 0.038 0.042 -0.003 -0.008 -0.013 -0.008
5 -0.044 -0.044 -0.072 -0.069 -0.031 -0.027 -0.029 -0.033 0.002 0.007
6 0.002 0.004 -0.017 -0.013 0.111 0.112 -0.060 -0.065 -0.117 -0.115
7 -0.023 -0.022 -0.063 -0.060 0.013 0.016 -0.019 -0.024 -0.013 -0.009
8 -0.040 -0.039 0.023 0.027 -0.040 -0.036 -0.048 -0.053 -0.048 -0.043
9 -0.017 -0.016 -0.089 -0.087 0.025 0.028 -0.044 -0.049 -0.020 -0.015
10 0.038 0.041 -0.087 -0.084 0.048 0.051 -0.016 -0.021 -0.010 -0.006
11 0.004 0.001 -0.070 -0.070 0.107 0.109 -0.063 -0.057 0.046 0.044
12 0.050 0.047 -0.071 -0.071 0.054 0.053 -0.009 -0.004 0.014 0.012
13 -0.068 -0.072 -0.041 -0.040 -0.040 -0.040 -0.033 -0.027 -0.055 -0.058
14 -0.024 -0.029 0.027 0.028 0.038 0.037 -0.059 -0.052 -0.045 -0.047
15 0.005 0.002 -0.059 -0.059 0.014 0.013 -0.025 -0.019 0.030 0.028
16 -0.017 -0.020 0.009 0.011 0.067 0.066 -0.055 -0.049 0.014 0.011
17 -0.013 -0.016 -0.078 -0.078 0.033 0.033 -0.050 -0.043 -0.052 -0.054
18 -0.004 -0.007 -0.050 -0.050 0.082 0.083 -0.044 -0.036 -0.056 -0.059
19 0.020 0.018 -0.023 -0.021 -0.027 -0.028 -0.042 -0.035 0.035 0.034
20 -0.085 -0.089 -0.086 -0.088 0.031 0.032 -0.029 -0.024 -0.095 -0.099

<표 Ⅳ-10>은 조건 2를 만족하는 5개의 자료들의 요인계수를 나타내

는 요인행렬이다. 조건 2에 해당하는 5개의 자료들에 대하여 요인분석을

실시한 결과 20문항으로 이루어진 모든 자료에서 조건 1에서와 마찬가지

로 첫 번째 요인의 요인계수가 두 번째 요인의 요인계수보다 컸다. 그렇
지만 두 번째 요인의 요인계수 값이 양수의 값과 음수의 값으로 분명하

게 나뉘어 각각 10개의 문항에 영향을 미치고 있었다. 따라서 첫 번째

요인과 두 번째 요인이 함께 영향을 미치는 문항 10개와 첫 번째 요인은
영향을 미치는 반면에, 두 번째 요인은 부적인 영향을 미치는 10개의 문

항으로 전체검사를 두 개의 하위검사로 양분하였다. 제시된 <표 Ⅳ-10>

의 요인행렬을 통하여 20개의 문항으로 이루어진 조건 2의 모의자료들은
10개의 문항에서는 두 가지 차원을 동시에 측정하는 문항이며 나머지 10

- 49 -
개의 문항은 주로 하나의 차원만을 측정하는 문항이라는 사실을 알 수
있다.

<표 Ⅳ-10> 조건 2의 요인행렬

자료 1 2 3 4 5
문항 요인1 요인2 요인1 요인2 요인1 요인2 요인1 요인2 요인1 요인2
1 0.617 0.393 0.592 0.376 0.573 0.415 0.599 0.388 0.571 0.435
2 0.580 0.402 0.615 0.385 0.599 0.367 0.595 0.403 0.584 0.375
3 0.569 0.438 0.583 0.396 0.609 0.389 0.573 0.390 0.579 0.415
4 0.584 0.412 0.600 0.371 0.614 0.341 0.582 0.400 0.589 0.361
5 0.583 0.407 0.614 0.397 0.580 0.426 0.573 0.419 0.615 0.392
6 0.617 0.409 0.583 0.416 0.590 0.366 0.606 0.408 0.583 0.380
7 0.576 0.438 0.581 0.364 0.618 0.352 0.585 0.407 0.584 0.426
8 0.586 0.419 0.577 0.396 0.626 0.379 0.587 0.428 0.596 0.419
9 0.593 0.418 0.584 0.389 0.596 0.407 0.582 0.399 0.606 0.392
10 0.622 0.402 0.591 0.399 0.605 0.421 0.596 0.425 0.575 0.378
11 0.598 -0.417 0.640 -0.366 0.599 -0.429 0.605 -0.380 0.576 -0.388
12 0.643 -0.400 0.618 -0.410 0.629 -0.392 0.578 -0.397 0.557 -0.421
13 0.587 -0.396 0.596 -0.415 0.613 -0.373 0.603 -0.402 0.604 -0.404
14 0.643 -0.377 0.648 -0.405 0.602 -0.401 0.608 -0.399 0.593 -0.369
15 0.587 -0.433 0.607 -0.370 0.625 -0.371 0.621 -0.400 0.585 -0.384
16 0.600 -0.442 0.629 -0.346 0.617 -0.330 0.611 -0.376 0.609 -0.413
17 0.599 -0.406 0.648 -0.345 0.594 -0.368 0.563 -0.403 0.592 -0.410
18 0.587 -0.393 0.628 -0.285 0.609 -0.377 0.621 -0.466 0.608 -0.389
19 0.605 -0.373 0.607 -0.349 0.593 -0.395 0.619 -0.375 0.593 -0.344
20 0.594 -0.409 0.604 -0.413 0.598 -0.379 0.590 -0.408 0.574 -0.448

<표 Ⅳ-11>은 요인행렬을 바탕으로 전체 검사를 두 부분으로 나눈

후, 조건 1에서와 마찬가지로 “2-모수 문항반응모형”을 사용하여 난이도

를 구한 결과이다. 각 문항의 난이도의 값은 대체적으로 0에 가깝다.

- 50 -
<표 Ⅳ-11> 조건 2의 전체검사와 하위검사의 문항별 두 개의 난이도

자료 1 2 3 4 5
문항 전체 하위 전체 하위 전체 하위 전체 하위 전체 하위
1 -0.042 -0.038 0.027 0.021 -0.004 -0.008 -0.026 -0.026 0.001 -0.004
2 0.059 0.050 0.051 0.042 0.024 0.017 0.019 0.015 -0.035 -0.036
3 -0.061 -0.051 -0.032 -0.030 -0.025 -0.027 -0.118 -0.106 0.016 0.009
4 -0.015 -0.014 0.081 0.069 0.003 -0.002 0.034 0.028 0.012 0.006
5 -0.041 -0.036 0.044 0.035 -0.004 -0.008 0.009 0.006 0.028 0.020
6 -0.091 -0.080 -0.039 -0.036 -0.036 -0.036 0.046 0.038 -0.021 -0.023
7 -0.008 -0.007 0.054 0.045 -0.059 -0.058 0.025 0.020 0.005 -0.001
8 -0.067 -0.057 -0.006 -0.007 -0.075 -0.072 0.041 0.033 0.033 0.023
9 0.007 0.005 0.046 0.037 -0.015 -0.018 -0.081 -0.073 -0.010 -0.014
10 -0.037 -0.033 0.079 0.065 -0.095 -0.087 -0.013 -0.013 -0.021 -0.023
11 -0.032 -0.033 -0.016 -0.023 -0.025 -0.028 0.043 0.045 0.030 0.029
12 0.006 0.001 0.025 0.015 -0.034 -0.037 0.043 0.044 0.035 0.032
13 -0.007 -0.011 0.035 0.023 -0.021 -0.025 0.020 0.023 0.008 0.009
14 -0.081 -0.081 0.001 -0.006 -0.052 -0.053 0.039 0.041 0.001 0.003
15 -0.102 -0.094 0.013 0.004 -0.027 -0.031 -0.015 -0.008 0.022 0.022
16 -0.070 -0.066 -0.051 -0.055 -0.014 -0.019 0.021 0.026 -0.034 -0.028
17 -0.073 -0.070 -0.023 -0.029 0.014 0.007 0.079 0.078 0.058 0.053
18 -0.081 -0.077 0.083 0.075 0.044 0.034 0.072 0.066 -0.072 -0.062
19 0.010 0.005 0.031 0.022 -0.092 -0.088 -0.052 -0.043 0.699 -0.010
20 -0.049 -0.049 0.032 0.021 -0.077 -0.076 0.065 0.064 0.679 -0.019

<표 Ⅳ-12>은 조건 3의 자료들의 요인행렬을 제시한 것이다. <표 Ⅳ

-12>에서 알 수 있듯이 조건 3의 자료들은 조건 2의 자료들과는 달리,

두 가지의 차원을 동시에 측정하는 문항들은 없었으며, 자료 1, 2, 4, 5에

서는 1번부터 10번까지의 문항들은 첫 번째 요인을 측정하고 있으며, 11
번부터 20번까지의 문항들은 두 번째 요인을 측정하고 있다. 그런데 자

료 3에서는 1번부터 10까지의 문항들은 두 번째 요인을 측정하고 있고

11번부터 20번까지의 문항들은 첫 번째 요인을 측정하여 다른 4개의 자
료들과는 다른 형태를 보이고 있다. 이러한 요인분석의 결과를 토대로

하여 전체검사를 각각 다른 차원을 측정하는 문항들로 구성되는 두 개의

검사로 양분하였다. 그러나 조건3의 문항자료들이 두 개의 요인을 측정
하고 있다는 점에서는 공통점을 갖는다.

- 51 -
 <표 Ⅳ-12> 조건 3의 요인행렬

자료 1 2 3 4 5
문항 요인1 요인2 요인1 요인2 요인1 요인2 요인1 요인2 요인1 요인2
1 0.643 0.350 0.665 -0.262 0.442 0.599 0.595 0.425 0.708 0.237
2 0.643 0.391 0.714 -0.178 0.457 0.571 0.597 0.432 0.709 0.224
3 0.602 0.418 0.699 -0.221 0.450 0.553 0.625 0.403 0.694 0.206
4 0.615 0.378 0.713 -0.158 0.477 0.572 0.592 0.384 0.684 0.244
5 0.625 0.392 0.727 -0.162 0.452 0.558 0.603 0.383 0.715 0.211
6 0.618 0.390 0.674 -0.181 0.448 0.588 0.611 0.429 0.702 0.227
7 0.606 0.362 0.705 -0.211 0.424 0.580 0.591 0.410 .677 0.234
8 0.619 0.348 0.700 -0.216 0.442 0.579 0.587 0.433 0.707 0.229
9 0.641 0.351 0.714 -0.143 0.409 0.575 0.609 0.370 0.696 0.221
10 0.654 0.368 0.715 -0.143 0.437 0.583 0.603 0.371 0.685 0.246
11 -0.439 0.554 0.176 0.662 0.603 -0.418 -0.476 0.557 -0.198 0.697
12 -0.374 0.599 0.181 0.705 0.602 -0.466 -0.435 0.564 -0.246 0.695
13 -0.422 0.613 0.185 0.688 0.597 -0.439 -0.415 0.547 -0.218 0.693
14 -0.375 0.582 0.135 0.699 0.595 -0.395 -0.437 0.575 -0.240 0.664
15 -0.390 0.364 0.223 0.670 0.571 -0.463 -0.440 0.522 -0.247 0.697
16 -0.299 0.621 0.163 0.692 0.584 -0.431 -0.474 0.513 -0.211 0.688
17 -0.385 0.640 0.194 0.696 0.594 -0.409 -0.421 0.591 -0.255 0.705
18 -0.394 0.586 0.224 0.703 0.553 -0.462 -0.431 0.542 -0.202 0.676
19 -0.384 0.623 0.171 0.702 0.628 -0.402 -0.433 0.558 -0.226 0.723
20 -0.421 0.604 0.245 0.700 0.656 -0.456 -0.417 0.583 -0.252 0.689

<표 Ⅳ-13>는 조건 3의 자료들을 요인행렬에 비추어 전체검사를 두

개의 하위검사로 나눈 후 BILOG-MG 프로그램의 ‘2-모수 문항반응모형’

을 사용하여 문항 당 2개의 난이도를 구하여 이를 제시한 것이다. 다른
두 조건에서와 마찬가지로 난이도의 값이 대체적으로 0에 근접하고 있

다.

- 52 -
<표 Ⅳ-13> 조건 3의 전체검사와 하위검사의 문항별 두 개의 난이도

자료 1 2 3 4 5
문항 전체 하위 전체 하위 전체 하위 전체 하위 전체 하위
1 0.034 0.039 -0.20 -0.014 -0.099 -0.035 0.039 0.043 0.012 0.013
2 -0.005 -0.001 -0.022 -0.016 -0.136 -0.051 -0.014 -0.012 0.000 0.001
3 -0.031 -0.029 0.031 0.039 0.153 0.048 -0.014 -0.012 -0.010 -0.010
4 0.002 0.005 0.051 0.061 -0.132 -0.050 -0.011 -0.009 -0.015 -0.016
5 -0.013 -0.010 0.047 0.057 0.044 0.010 0.016 0.019 -0.005 -0.005
6 0.025 0.030 0.040 0.047 -0.326 -0.107 -0.020 -0.017 0.032 0.033
7 0.011 0.014 -0.011 -0.004 -0.022 -0.011 0.007 0.010 0.020 0.021
8 0.051 0.055 0.016 0.024 -0.281 -0.094 0.006 0.010 -0.028 -0.029
9 0.002 0.005 -0.013 -0.007 0.095 0.023 -0.033 -0.031 0.084 0.088
10 -0.022 -0.019 -0.002 0.005 -0.080 -0.030 0.041 0.045 0.012 0.012
11 -0.071 -0.024 0.175 0.060 -0.007 0.006 0.329 0.066 0.150 0.054
12 0.094 0.011 0.326 0.100 -0.036 -0.023 0.097 0.032 0.161 0.050
13 -0.014 -0.016 0.073 0.027 -0.024 -0.012 0.334 0.080 0.000 0.007
14 0.202 0.038 -0.052 -0.007 0.042 0.057 0.288 0.069 0.059 0.022
15 0.173 0.029 0.272 0.100 0.032 0.046 0.242 0.054 0.000 0.007
16 0.134 0.032 -0.090 -0.020 0.006 0.019 0.063 0.022 0.127 0.044
17 0.268 0.052 0.223 0.073 0.029 0.044 0.121 0.039 0.141 0.044
18 0.153 0.024 0.009 0.009 -0.021 -0.009 0.319 0.070 0.011 0.009
19 0.086 0.009 0.186 0.058 -0.005 0.009 -0.032 0.007 0.020 0.014
20 -0.015 -0.016 0.105 0.042 -0.039 -0.028 0.105 0.035 0.229 0.066

이러한 과정을 통하여 각 문항은 전체검사와 하위검사의 두 개의 난이

도 모수치를 갖게 되며, 이를 다시 하위검사의 문항난이도 모수치를 전

체검사의 문항 난이도 모수치에 회귀시켜서 얻은 기울기와 절편이 이론

적인 축(기울기 1.0, 절편 0)에 근접할 때 일차원인 검사라고 할 수 있다.
<표 Ⅳ-14>는 조건 1의 5개의 자료들에 대하여 하위검사를 전체검사

에 회귀 시킨 후의 기울기와 절편을 제시한 것이다. 기울기의 값들을 살

펴보면, 0.999, 0.997, 0.990, 0.964로 자료 4의 기울기 값인 0.964를 제외
하고는 대체적으로 1에 아주 근접하다는 사실을 알 수 있다. 또한 절편

은 5개의 자료에서 자료 4와 5에서는 0이었으며, 자료 1과 자료 2, 그리

고 자료 3에서도 그 값이 각각 0.001, -0.003, -0.002로써 0과 거의 같음
을 알 수 있었다. 따라서 이러한 기울기와 절편의 값들은 조건 1의 자료

- 53 -
들이 일차원이라는 사실을 말해 주는 것이라고 할 수 있다.

<표 Ⅳ-14> 조건 1의 하위검사와 전체검사의 문항난이도 모수치 간

의 회귀분석 결과

차원 자료 기울기 절편

1 0.997 0.001

2 0.999 -0.003

조건 2 3 0.999 -0.002

4 0.964 0.000

5 0.990 0.000

[그림 Ⅳ-1]은 Bejar의 방법을 통하여 조건 1의 자료들에서 얻어진 결

과를 기울기가 1이고 절편이 0인 이론적인 축과 비교하여 제시한 것이
다. 네 번째 자료의 분석결과인 검사 4를 제외하고, 나머지 자료들에서는

대체로 이론적인 축 위에 값들이 분포하고 있음을 알 수 있다. 비록 검

사 4에서의 값들이 이론적인 축 위에 놓여있지는 않지만, 대체로 기울기
가 1인 형태를 유지하고 있다는 사실에서 자료 4도 또한 일차원인 자료

라고 판단할 수 있다.

- 54 -
 검사 1 검사 2
A A
0.05 0.025 A
A
A
A
AA 0.000
AAA
전 0.00 A 전 A
AA
A
체 A
AA 체 -0.025
검 A AA 검 AA
사 사
AA -0.050 A
-0.05 A
A
A AAAA
-0.075 A
A AAA

-0.05 0.00 0.05 -0.075 -0.050 -0.025 0.000 0.025

하위검사 하위검사

검사 3 검사 4
AA A
A
0.00 A
A A A
0.08
A A
A
전 A
A 전 -0.02
A
체 0.04 A AA 체 A A
검 AA 검 A
A
사 AAA 사 -0.04 A AA
0.00 A A
A
A AA A
A -0.06 A
-0.04 AA

-0.04 0.00 0.04 0.08 -0.06 -0.04 -0.02 0.00

하위검사 하위검사

검사 5
A
0.04 A
A

A AA
A
0.00
AA
전 AA
체
검 -0.04 AAA
사 AA

-0.08
A

A
-0.12
-0.12 -0.08 -0.04 0.00 0.04

하위검사

[그림 Ⅳ-1] 조건 1에 따른 전체검사와 하위검사의 문항난이도 모수

치 간의 회귀분석 결과

- 55 -
 두 번째로 <표 Ⅳ-15>는 조건 2의 5개의 자료들에 대하여 하위검사
와 전체검사의 회귀분석 결과이다. <표 Ⅳ-15>에서 제시된 기울기의 값

들을 살펴보면, 그 값들이 0.999, 0.997, 0.991, 0.975로 조건 1의 일차원인

자료들처럼 1과 가깝다는 것을 알 수 있다. 절편도 또한, 5개의 자료에서
0.002, 0.006, 0.002, -0.008로서 0이라고 할 수 있다. 따라서 Bejar의 방법

은 조건 2의 자료들을 일차원인 자료들로 식별하고 있다고 결론 내릴 수

있다.

<표 Ⅳ-15> 조건 2의 하위검사와 전체검사의 문항난이도 모수치 간의

회귀분석 결과

차원 자료 기울기 절편

1 0.997 0.002

2 0.997 0.006

조건 2 3 0.999 0.006

4 0.975 -0.008

5 0.991 0.002

[그림 Ⅳ-2]는 Bejar의 방법을 통하여 조건 2의 자료들에서 얻어진 값

들을 기울기가 1이고 절편이 0인 이론적인 축과 비교하여 나타낸 것이
다. [그림 Ⅳ-1]에서처럼 [그림 Ⅳ-2]의 다섯 개의 자료들도 대체적으로

이론적인 축 위에 분포하고 있다. 따라서 Bejar의 방법은 두 차원 사이

의 상관이 0.33으로 차원 사이에 어느 정도의 상관이 있는 자료를 식별
하는데 있어서 효율적이지 못하다고 판단할 수 있다.

- 56 -
 검사 1 검사 2
A
A
0.08 AA

AA
AA
A AA
전 0.00 AA
전 0.04 A
A
A
체 A 체 A
검 A 검 A
사 A
A
AA 사 0.00
A
A
A A
A A
AA
AA A
A
A -0.04
A A
-0.10
-0.05 0.00 0.05 -0.04 0.00 0.04 0.08

하위검사 하위검사

검사 3 검사 4
A 0.10
A
AA
0.03 A A
A AA AAA
AAAA
A A
전 0.00 A 전 0.00 AA
체 A
AA
체 A
AAA
검 -0.03 AA 검 A

사
A
사 A

A -0.10
-0.06
AA

-0.09 AA
A

-0.075 -0.025 0.025 -0.10 0.00

-0.050 0.000

하위검사 하위검사

검사 5
A
0.05
A A
A A
A
전 AA
A A
체 0.00
A A
검 AA

사 A
A
A A

-0.05

-0.05 0.00 0.05

하위검사

[그림 Ⅳ-2] 조건 2를 만족하는 자료들의 전체검사와 하위검사의 문

항난이도 모수치 간의 회귀분석 결과

- 57 -
 세 번째로 <표 Ⅳ-16>은 조건 3의 5개의 자료들에 대하여 전체검사
를 하위검사에 회귀시킨 후, 기울기와 절편을 제시한 것이다. <표 Ⅳ

-16>에서 제시된 기울기의 값들은 살펴보면, 그 값들이 0.936, 0.910,

0.895, 0.548로서 조건 1과 조건 2의 자료들과는 달리 비교적 1과 많은
차이가 발생하고 있음을 확인할 수 있다. 그렇지만 5개 자료의 절편은

각각 0.027, 0.018, 0.017, 0.000, -0.019로 0이라고 할 수 있다. 비록 절편

은 0에서 상당히 근접하였지만, 기울기의 값이 1과 분명히 차이가 나는
만큼, Bejar의 방법이 두 차원 간 상관이 0인 이차원 자료들을 효율적으

로 식별한다고 말할 수 있다.

<표 Ⅳ-16> 조건 3의 하위검사와 전체검사의 문항난이도 모수치 간의

회귀분석 결과

차원 자료 기울기 절편

1 0.737 0.027

2 0.910 -0.019

조건 2 3 0.936 0.018

4 0.895 0.000

5 0.548 0.017

[그림 Ⅳ-3]은 조건 3의 자료들을 Bejar의 방법을 사용하여 분석한 후

그 결과를 기울기가 1이고 절편이 0인 이론적인 축이 제시된 그림으로
나타낸 것이다. [그림 Ⅳ-3]은 조건 3의 자료들이 분명하게 기울기가 1

이고 절편이 0인 이론적인 축에서 벗어나고 있음을 보여주고 있다. <표

Ⅳ-17>에서 제시된 바와 같이 절편의 값이 0이라고 하여도 기울기의 값
이 1과 차이가 난다면, 그러한 자료들은 일차원성을 위반하는 자료라는

- 58 -
사실을 그림을 통하여 명확하게 알 수 있다. 따라서 <표 Ⅳ-16>과 [그
림 Ⅳ-3]을 통하여 확인할 수 있는 사실은 Bejar의 방법을 적용함에 있

어서 절편보다는 기울기가 더 큰 의미를 갖는다는 사실이다.

- 59 -
 검사 1 검사 2
A A
0.30
A
A
0.20 A
A
0.20 AA
전 A 전
체 A
체
검 검 A
0.10 AA 0.10
사 사 A
AA
A A A
A A A
A
0.00 A A
A AA A
0.00 A A
A AA A A
A
A
-0.10
-0.02 0.00 0.02 0.04 0.000 0.025 0.050 0.075 0.100

하위검사 하위검사

검사 3 검사 4
A AA A

A 0.30 A
0.10
A A A
AA
0.00 AA A 0.20
전 AAA 전
AA
체 A 체 A
검 -0.10 A 검 0.10 AA
사 AA 사 A
AA
A A
-0.20 0.00
A A AA A
A
-0.30 A -0.10
-0.10 0.00 -0.025 0.000 0.025 0.050 0.075

하위검사 하위검사

검사 5
A

0.20
A
A
전 0.15 A
A
체
검 0.10 A
사 A
0.05
A
A A
AA A
A A A A
0.00 AA
A

0.00 0.05 0.10

하위검사

[그림 Ⅳ-3] 조건 3에 따른 전체검사와 하위검사의 문항난이도 모수

치 간의 회귀분석 결과

- 60 -
 세 가지 조건의 자료들에 대하여 Bejar의 방법을 사용하여 차원성을
식별한 이상의 결과를 정리하면 다음과 같다. 먼저 Bejar의 방법은 일차

원인 자료들의 차원성을 확인하는데 효율적이었다. 조건 1의 5개의 모의

자료들은 모두 그 차원이 1로 생성되었으며, Bejar의 방법을 적용하였을
때, 일차원인 자료들로써 식별되었다. 그렇지만 두 차원 간 상관이 0.33

인 조건 2의 모의자료들은 Bejar의 방법을 사용하였을 때, 이차원이 아

닌, 일차원 자료들로 식별되었다. 따라서 Bejar의 방법은 두 차원 사이에
어느 정도의 상관관계를 갖는 이차원인 자료들의 차원성을 식별하는 부

분에 있어서는 효율적이지 못하다고 할 수 있다. 반면에, 두 차원의 상관

계수가 0인 이차원 자료의 차원성을 식별하는데 있어서 Bejar의 방법은
효율적이었다. 특히 조건 3의 모의자료들에 대하여 [그림 Ⅳ-3]에서 확

인할 수 있듯이 Bejar의 방법은 분명하게 일차원성의 위반을 식별하고

있다.
본 연구에서는 Bejar의 방법을 적용함에 있어서 단순히 기울기의 값과

절편의 값을 그 숫자로써 비교하지 않고, 기울기가 1이고 절편이 0인 이

론적인 축과 대비시켜 그림으로 제시하였다. 이처럼 Bejar의 방법을 적
용한 결과를 그림으로 나타내보면, 각 자료들의 차원성에 대한 정보를

보다 명확하게 얻을 수 있으며, 또한 절편의 값보다는 기울기의 값이

Bejar의 방법을 적용함에 있어서 더욱 중요한 기준이 된다는 사실을 밝
혀낼 수 있었다.

- 61 -
 V. 결론

이 연구에서는 검사의 일차원성을 식별하는 방법에 대하여 비모수적

방법인 요인분석 방법과 모수적인 방법인 Bejar의 방법을 비교하여 보았

다. 전술한 연구문제에 대한 결과는 다음과 같다.

먼저, 일차원인 검사자료가 주어졌을 때 요인분석 방법과 Bejar의 방
법이 각각 일차원성의 식별에 효율적인가라는 첫 번째 연구문제에 대해

서는 요인분석 방법과 Bejar의 방법이 모두 효율적인 것으로 나타났다.

특히 요인분석 방법의 경우에는 Kaiser(1970), Reckase(1979), Lumsden
(1961)의 준거에 모두 합당한 결과가 나타났으며, Bejar의 방법에 있어서

도 5개의 모의자료에서 하위검사를 전체검사에 회귀시켜 구한 난이도와

절편의 값이 1과 0에 근접하면서 대체로 만족스런 결과가 도출되었다.
두 번째로, 두 차원 간에 어느 정도 상관이 있는 이차원인 검사자료가

주어졌을 때, 두 방법 중에서 어떤 방법이 효율적인가라는 연구문제에

대해서는 요인분석 방법은 대체로 효율적이었으나 Bejar의 방법은 그렇
지 못하고 이차원인 자료를 일차원으로 식별하였다. 이처럼 Bejar의 방

법이 이차원인 자료를 일차원의 자료로 식별한 이유는 요인행렬을 분석

하여 볼 때, 5개 자료의 각각 20문항 모두에서 첫 번째 요인에 부하되는
요인계수의 값이 두 번째 요인에 부하되는 요인계수의 값보다 크기 때문

이라고 해석해 볼 수 있다. 또한 요인분석에 의한 방법도 Kaiser(1970)와

Lumsdem(1961)의 준거에 따르면 5개의 자료를 이차원의 자료로 올바로
식별하고 있었지만, Reckase(1979)의 준거는 만족하지 못하였다. 그렇지

만 5개의 각각의 자료에서 Reckase(1979)의 준거인 첫 번째 요인이 총분

산을 설명하는 비율이 20%는 되어야 한다는 기준에서 크게 미달되지는
않는 비율이 도출되었다.

- 62 -
 세 번째 연구문제인 두 차원 사이에 상관이 없는 이차원인 검사자료가
주어졌을 때, 요인분석 방법과 Bejar의 방법 중 어떠한 방법이 차원성

식별에 보다 효율적인가에 대해서는 두 가지 방법 모두 효율적이었다.

요인분석 방법에서는 Kaiser(1970)와 Reckase(1979) 그리고
Lunsden(1961)의 준거를 통하여 검사자료가 이차원임을 분명하게 판단

할 수 있었으며, 또한 Bejar의 방법에 있어서도 전체검사와 하위검사를

회귀분석한 결과 절편의 값은 대체로 0이었으나, 기울기 값이 1에서 벗
어나 있었다. 특히 그림을 통하여 일차원성의 위반을 명확하게 확인할

수 있었다.
이상의 결과를 토대로 하여 검사의 차원성을 식별하는 데 있어서 요인
분석에 의한 방법이 Bejar의 방법보다 효율적인 방법이라고 할 수 있다.

비록 요인분석 방법에서 제시되는 준거들이 명확한 수학적 근거를 갖는

것은 아니지만, 요인분석 방법은 각 요인의 고유치와 분산의 설명 비율
등을 통하여 검사의 차원성에 대한 보다 구체적인 정보를 제공해 줄 수

있다. 따라서 어떤 검사의 차원성을 식별하기 위하여 다양한 방법들을

적용함에 있어서 요인분석 방법을 다른 방법들과 함께 사용하여 그 결과
들을 서로 비교해 보는 작업이 필요할 것이다. 이 연구에서는 Bejar의

방법이 차원 사이에 상관이 있는 이차원 자료의 차원성 식별에는 부적합

한 것으로 밝혀졌지만, 이러한 결과는 어떠한 문항반응모형을 사용하느
냐에 따라서 달라질 수도 있을 것이다. 전체검사를 몇 개의 하위검사로

분리하였을 때, 검사의 일차원성이 보장되는 경우라면 전체검사와 분리

된 하위검사의 문항들의 난이도 사이에 완벽한 상관관계를 이룰 것이라
는 Bejar의 기본적인 가정은 타당하다고 할 수 있으며, 난이도를 도출하

는 방식이 차원성의 식별에 영향을 줄 수 있다. 따라서 Bejar의 방법을

적용하는데 있어서, 1-모수 문항반응모형, 2-모수 문항반응모형, 3-모수

- 63 -
문항반응모형을 각각 사용하여 그 결과를 비교해 보는 것도 의미 있는
연구가 될 것이다.

세 가지 조건의 총 15개의 모의자료를 생성하여 그 차원성을 요인분석

방법과 Bejar의 방법을 통하여 분석한 결과, 요인분석 방법을 적용함에
있어서 특정한 하나의 준거를 따르기보다는 이 연구에서처럼 Kaiser

(1970)와 Reckase(1979), 그리고 Lumsden(1961)의 준거를 함께 사용하는

것이 검사의 차원성에 관한 보다 유용한 정보를 얻을 수 있다는 사실을
확인할 수 있었다. 그리고 Bejar의 방법을 적용하면서 요인계수가 제시

되는 요인행렬을 토대로 전체검사를 두 개의 하위검사로 나누었으며, 이

과정을 통하여 각 문항에 부하되는 요인계수도 각각의 문항들이 어떠한
차원의 영향을 받고 있는지 구체적으로 밝혀주는 중요한 근거가 됨을 알

수 있었다. 따라서 Kaiser(1970)와 Reckase(1979) 그리고 Lumsden(1961)

의 준거와 더불어 요인계수도 차원성 식별의 하나의 준거가 될 수 있을
것이다.

또한, Bejar의 방법으로 차원성을 식별함에 있어서, 전체검사의 문항난

이도와 하위검사의 문항난이도를 회귀분석한 후에 기울기와 절편의 값을
비교할 때, 기울기가 1이고 절편이 0인 이론적인 축이 제시된 그림을 기

준으로 하여 회기분석 후의 값들이 어떻게 분포하는지를 확인하는 것이

단순히 숫자를 비교하여 차원성을 식별하는 방식보다 더 명확한 정보를
제공한다는 사실을 알 수 있었다. 아울러 Bejar의 방법에서 절편보다는

기울기의 차이가 검사의 차원성에 더 큰 영향을 미치는 요소임이 밝혀졌

다.

- 64 -
 참 고 문 헌

민경석(2004). 문항반응이론에서의 다차원적 접근, 교육평가연구, 17,

15-31.
박정수(1992). 문항반응이론에서의 일차원성에 관한 통계적 가설 검정.

한국교육, 19, 73-87.

박정수, 조완현(1994). 문항반응이론에서의 추정방법과 대입학력고사의
문항분석, 한국통계학회 논문집, 1(1), 192-205.

성태제(2001). 문항반응이론의 이해와 적용. 서울: 교육과학사.

손원숙(2003). 학업성취도 검사의 차원성 검증: DIMTEST와 HAC 프로
그램 적용, 교육평가연구. 16, 93-110.

신석기(1994a). 검사의 일차원성 가정에 관한 검증방법의 비교분석. 부산

대학교 대학원 박사학위논문.
신석기(1994b). 일차원성 가정에 관한 검증방법의 효율성 비교, 교육평가

연구, 7, 221-239.
윤명희(1993). 성취검사자료에서의 문항반응이론 차원성 접근방법에 대
한 연구, 교육평가연구, 6, 147-167.

이순묵(1995). 요인분석. 서울: 학지사.

이순묵(2003). 요인분석의 기초. 서울: 교육과학사.
이종성(1986). 고전검사이론과 문항반응이론, 교육평가연구, 1, 149-177.

황정규(1985). 학교학습과 교육평가. 서울: 교육과학사.

Bejar, I. I. (1980). A procedure for investigating the unidimensionality
of achievement tests based on item parameter estimates, Journal

of Eduational Measurement, 17, 283-296.

Bejar, I. I. (1988) An approach to assessing unidimensionality

- 65 -
 revisited, Applied Psychological Measurement, 12, 377-379.
Drasgow. F. & Lissak. R. I. (1983). Modified parallel analysis: a

procedure for examining the latent dimensionality of

dichotomously scored item responses, Journal of Applied
Psychology, 68, 363-373.

Drasgow. F. & Parsons, C. (1983) Application of unidimensional item

response theory models to multidimensional data, Applied
Psychological Measurement, 7, 189-199.

Hambleon, R. K. & Rovinelli, R. J. (1986). Assessing the

dimensionality of a set of test items, Applied Psychological
Measurement, 10, 287-302.

Hambleton, R. K. & Swaminathan, H. (1985). Item Response Theory:

Principle and Applications. Boston: Kluwer-Nijhoff Publishing.
Hattie, J. A. (1985). Methodology review: Assessing unidimensionality

of tests and items, Applied Psychological Measurement, 9,

139-164.
JӦreskog, K. G. (1978). Structural analysis of covariance and

correlation matrices. psychometrika, 43, 443-447.

Kaiser, H. F.(1970), A second generation little jiffy. In J. Hattie(1985),
Methodology review: Assessing unidimensionality of tests and

items, Applied Psychological Measurement, 9, 139-146.

Liou, M. (1988), Unidimensionality versus statistical accuracy : A note
on Bejar's method for detecting dimensionality. Applied

Psychological Measurement, 12, 381-389.

Lumsden, J. (1961). The construction of unidimensional tests.

- 66 -
 Psychological Bulletin, 58, 122-131.
Lumsden, J. (1976). Test theory. Annual Review of Psychology, 27,

251-280.
Lord, F. M. (1980). Applications of item response theory to practical
testing problems. In J. Hattie(1985), Methodology review:

Assessing unidimensionality of tests and items, Applied

Psychological Measurement, 9, 139-164.
Montanelli, R. G. , & Humphreys, L. G. (1976). Latent roots of

random data correlation matrices with squared multiple

correlations on the diagonal: A Monte Carlo study,
Psychometrika, 41, 341-348.

Nandakumar, R. (1994). Assessing dimensionality of a set of item

responss-Compaison of different approaches. Journal of
Educational Measurement, 31(1), 17-35.

Nandakumar, R & Stout, W. F. (1993). Refinement of Stout's

procedure for assessing latent trait dimensionality. Journal of
Educatonal Statistics, 18, 41-68.

Reckase, M. D. (1979). Unifactor latent trait models applied to

multifactor traits: Results and implications. In J. Hattie(1985),
Methodology review: Assessing unidimensionality of tests and

items, Applied Psychological Measurement, 9, 139-164.

SAS Institute Inc. (2004). SAS/IML Software: Usage and Reference,
Version 8, 1st ed. Cary, NC: Author.

Stegelmann, W. (1983). Expanding the Rasch model to a general

model having more than one dimension, Psychometrika, 48,

- 67 -
 259-267.
Stout, W. (1987). A nonparametric approach for assessing latent trait

unidimensionality. Psychometrika, 53(4), 589-617.

Tucker, L. R. & Lewis, C. (1973). A reliability coefficient for
maximum likelihood factor analysis, Psychometrika. 38, 1-10

Way, W. D., Ansley, T. N. & Forsyth, R. A. (1988). The

comparative effects of compensatory and noncompensatory
two-dimensional data on unidimensional IRT estimates, Applied

Psychological Measurement, 12, 239-252.

Yen, W. M. (1981). Using simulation results to choose a latent trait
model, Applied Psychological Measurement, 5, 245-262.

- 68 -
부록

1. 조건 1의 SAS/IML 프로그램

OPTIONS LS=80 PS=490;

PROC IML SYMSIZE=350;

************************************************;
* *;
* SUBROUTINE1: SIMULATION CONDITIONS *;
* *;
************************************************;
START DESIGN;
RESET LINESIZE=75;
NSIMUL=5;
SEED=12345;
N1=1000;
VC={
0.03 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02
0.02 0.03 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02
0.02 0.02 0.03 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02
0.02 0.02 0.02 0.03 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02
0.02 0.02 0.02 0.02 0.03 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02
0.02 0.02 0.02 0.02 0.02 0.03 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02
0.02 0.02 0.02 0.02 0.02 0.02 0.03 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02
0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.03 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02
0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.03 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02
0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.03 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02
0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.03 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02
0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.03 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02
0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.03 0.02 0.02 0.02 0.02 0.02 0.02 0.02
0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.03 0.02 0.02 0.02 0.02 0.02 0.02
0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.03 0.02 0.02 0.02 0.02 0.02
0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.03 0.02 0.02 0.02 0.02
0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.03 0.02 0.02 0.02
0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.03 0.02 0.02
0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.03 0.02
0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.03
};
CONDID = 1;
FINISH;

- 69 -
*********************************;
* *;
* SUBROUTINE2: DEFINITION *;
* *;
*********************************;
START DEFINE;
U=ROOT(VC);
U=U`;
Z1=J(20, N1, 0);
FINISH;
****************************************************************;
*
* SUBROUTINE3: GENERATE NORMAL DISTRIBUTION DATA *;
*
****************************************************************;
START NORMAL;
G1=J(20, N1, 0);
DO I = 1 TO N1;
DO J = 1 TO 20;
Z1[J, I] = NORMAL(SEED);
END;
END;
G1 = U * Z1;
DO I = 1 TO N1;
DO J = 1 TO 20;
IF G1[J,I] >= 0 THEN G1[J,I]=1;
ELSE G1[J,I] = 0;
END;
END;
G1 = G1`;
FINISH;

*************************************;
* *;
* SUBROUTINE4: OUTPUT PRINT *;
* *;
*************************************;
START OUTPUT;
PRINT CONDID;
PRINT G1;
FINISH;

- 70 -
START MAIN;
RUN DESIGN;
RUN DEFINE;

DO CASE=1 TO NSIMUL;
RUN NORMAL;
RUN OUTPUT;
END;
FINISH;
RUN MAIN;

2. 조건 2의 SAS/IML 프로그램

OPTIONS LS=80 PS=490;

PROC IML SYMSIZE=350;
***********************************************;
* *;
* SUBROUTINE1: SIMULATION CONDITIONS *;
* *;
***********************************************;
START DESIGN;
RESET LINESIZE=75;
NSIMUL=5;
SEED=34567;
N1=1000;
VC={
0.03 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01
0.02 0.03 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01
0.02 0.02 0.03 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01
0.02 0.02 0.02 0.03 0.02 0.02 0.02 0.02 0.02 0.02 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01
0.02 0.02 0.02 0.02 0.03 0.02 0.02 0.02 0.02 0.02 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01
0.02 0.02 0.02 0.02 0.02 0.03 0.02 0.02 0.02 0.02 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01
0.02 0.02 0.02 0.02 0.02 0.02 0.03 0.02 0.02 0.02 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01
0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.03 0.02 0.02 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01
0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.03 0.02 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01
0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.03 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01
0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.03 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02
0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.02 0.03 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02
0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.02 0.02 0.03 0.02 0.02 0.02 0.02 0.02 0.02 0.02
0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.02 0.02 0.02 0.03 0.02 0.02 0.02 0.02 0.02 0.02
0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.02 0.02 0.02 0.02 0.03 0.02 0.02 0.02 0.02 0.02
0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.02 0.02 0.02 0.02 0.02 0.03 0.02 0.02 0.02 0.02
0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.02 0.02 0.02 0.02 0.02 0.02 0.03 0.02 0.02 0.02
0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.03 0.02 0.02
0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.03 0.02
0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.03

- 71 -
};
CONDID = 2;
FINISH;

*********************************;
* *;
* SURROUTINE2: DEFINITION *;
* *;
*********************************;
START DEFINE;
U=ROOT(VC);
U=U`;
Z1=J(20, N1, 0);
FINISH;

***************************************************************;
* *;
* SUBROUTINE3: GENERATE NORMAL DISTRIBUTION DATA *;
* *;
***************************************************************;

START NORMAL;
G1=J(20, N1, 0);
DO I = 1 TO N1;
DO J = 1 TO 20;
Z1[J, I] = NORMAL(SEED);
END;
END;
G1 = U * Z1;
DO I = 1 TO N1;
DO J = 1 TO 20;
IF G1[J,I] >= 0 THEN G1[J,I]=1;
ELSE G1[J,I] = 0;
END;
END;
G1 = G1`;
FINISH;

- 72 -
*************************************;
* *;
* SUBROUTINE4: OUTPUT PRINT *;
* *;
*************************************;

START OUTPUT;
PRINT CONDID;
PRINT G1;
FINISH;

START MAIN;
RUN DESIGN;
RUN DEFINE;

DO CASE=1 TO NSIMUL;
RUN NORMAL;
RUN OUTPUT;
END;
FINISH;
RUN MAIN;

3. 조건 3의 SAS/IML 프로그램

OPTIONS LS=80 PS=490;

PROC IML SYMSIZE=350;

************************************************;
* *;
* SUBROUTINE1: SIMULATION CONDITIONS *;
* *;
************************************************;

START DESIGN;
RESET LINESIZE=75;
NSIMUL=5;
SEED=23456;
N1=1000;

- 73 -
VC={
0.03 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0 0 0 0 0 0 0 0 0 0
0.02 0.03 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0 0 0 0 0 0 0 0 0 0
0.02 0.02 0.03 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0 0 0 0 0 0 0 0 0 0
0.02 0.02 0.02 0.03 0.02 0.02 0.02 0.02 0.02 0.02 0 0 0 0 0 0 0 0 0 0
0.02 0.02 0.02 0.02 0.03 0.02 0.02 0.02 0.02 0.02 0 0 0 0 0 0 0 0 0 0
0.02 0.02 0.02 0.02 0.02 0.03 0.02 0.02 0.02 0.02 0 0 0 0 0 0 0 0 0 0
0.02 0.02 0.02 0.02 0.02 0.02 0.03 0.02 0.02 0.02 0 0 0 0 0 0 0 0 0 0
0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.03 0.02 0.02 0 0 0 0 0 0 0 0 0 0
0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.03 0.02 0 0 0 0 0 0 0 0 0 0
0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.03 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0.03 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02
0 0 0 0 0 0 0 0 0 0 0.02 0.03 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02
0 0 0 0 0 0 0 0 0 0 0.02 0.02 0.03 0.02 0.02 0.02 0.02 0.02 0.02 0.02
0 0 0 0 0 0 0 0 0 0 0.02 0.02 0.02 0.03 0.02 0.02 0.02 0.02 0.02 0.02
0 0 0 0 0 0 0 0 0 0 0.02 0.02 0.02 0.02 0.03 0.02 0.02 0.02 0.02 0.02
0 0 0 0 0 0 0 0 0 0 0.02 0.02 0.02 0.02 0.02 0.03 0.02 0.02 0.02 0.02
0 0 0 0 0 0 0 0 0 0 0.02 0.02 0.02 0.02 0.02 0.02 0.03 0.02 0.02 0.02
0 0 0 0 0 0 0 0 0 0 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.03 0.02 0.02
0 0 0 0 0 0 0 0 0 0 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.03 0.02
0 0 0 0 0 0 0 0 0 0 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.03
};

CONDID = 3;
FINISH;

**********************************;
* *;
* SURROUTINE2: DEFINITION *;
* *;
**********************************;

START DEFINE;
U=ROOT(VC);
U=U`;
Z1=J(20, N1, 0);
FINISH;

***************************************************************;
* *;
* SUBROUTINE3: GENERATE NORMAL DISTRIBUTION DATA *;
* *;
***************************************************************;

START NORMAL;

- 74 -
 G1=J(20, N1, 0);
DO I = 1 TO N1;
DO J = 1 TO 20;
Z1[J, I] = NORMAL(SEED);
END;
END;
G1 = U * Z1;
DO I = 1 TO N1;
DO J = 1 TO 20;
IF G1[J,I] >= 0 THEN G1[J,I]=1;
ELSE G1[J,I] = 0;
END;
END;
G1 = G1`;
FINISH;

*************************************;
* *;
* SUBROUTINE4: OUTPUT PRINT *;
* *;
*************************************;

START OUTPUT;
PRINT CONDID;
PRINT G1;
FINISH;

START MAIN;
RUN DESIGN;
RUN DEFINE;

DO CASE=1 TO NSIMUL;
RUN NORMAL;
RUN OUTPUT;
END;
FINISH;
RUN MAIN;

- 75 -
 ABSTRACT

Comparison on Efficiency of Factor Analysis and Bejar's

Method for Assessing the Dimensionality by Simulation

Nam Wook Koo

Department of Education

Graduate School

Sungkyunkwan University

Item response theory(IRT) has three strong assumptions. One of

them is the unidimensionality assumption. If a test is unidimensional,

the test could give us the accurate information about the trait of
testee and also we can apply IRT to it. Therefore, it is important to
detect the dimensionality of the test.

In this study, 15 data were generated under three different

conditions. First 5 data suffice unidimensionality assumption, second 5
data which coefficient of correlation is 0.33 have two-dimensionality
and the last 5 data which coefficient of correlation is 0 are
two-dimensional.
The efficiency of factor analysis and Bejar's method in assessing
dimensionality was compared with these data. The results show that
factor analysis is the more efficient method than Bejar's method

- 76 -
especially when two latent traits of two-dimensional data are weakly
related.

- 77 -