연구 목적 및 배경 설명

최근 맞벌이 부부가 증가하고 있다는 기사를 접하게 되었다. 특히나 자녀가 있는 집의 경우, 지난 몇 년간의 판데믹 동안, 자녀의 원격수업으로 인한 육아 부담으로 직업을 내려놓았다가 다시금 찾게 되면서, 그 비율이 증가하였다고 한다. 한편, 이러한 맞벌이 부모 4명 중 1명은 우울 문제를 겪는다는 조사 결과 또한 보였다. 하지만 단순히 직장으로의 복귀가 이러한 우울 문제를 유발하였다고 보는 것은 다소 안일한 시각이라고 생각된다. 그리하여 이 보고서에서는 맞벌이가 실질적으로 우울감을 겪는데 어느 정도의 영향을 주는지를 알아보고, 그 결과에 따라 우울증의 원인을 확장분석 해보려 한다. 맞벌이와 우울증의 상관관계가 깊다면, 일의 어떠한 특성이 그러한 영향을 주는지를 살펴보고, 그렇지 않다면, 단순히 일로 인해 일어난 문제가 아니라는 판단 하에, 어떠한 다른 원인요소들이 있을지 살펴볼 것이다.

데이터에 대한 개괄적인 설명

이 연구는 한국복지패널 홈페이지에서 제공하는 한국복지패널조사 데이터를 이용하여 진행되었다. 먼저 전반부에서는, 코로나가 시작되기 1년 전인 2018년부터 완화 1년 후인 2023년까지, 13차~18차의 자료를 이용한다. 실질적인 맞벌이 부부의 증가 감소 추세와 우울증 증가 감소 추세를 비교하여 보며 그 상관관계를 알아보기 위해, 근로 형태와 결혼 상태, 가족 관계 및 정신건강 분야에서의 설문을 활용했다.

이후 후반부에서는 한국복지패널조사 18차 자료를 집중적으로 활용하여 분석하였다. 전반부에서 사용한 우울증과 연관된 변수와 더불어, 우울증의 원인이 될 수 있는 다른 요소들을 선별하였다. 사회적 관계, 건강, 외부 활동과 같은 세 분야에서, 각각 두 가지 변수를 골라 활용하였다.

데이터 정제 및 가공 과정

1. 데이터 불러오기

먼저 한국복지패널에서 다운받은 데이터를 불러왔다. 같은 과정의 반복이기 때문에 2018년 자료를 불러와 변수에 할당하는 과정만 보이게 하고, 나머지는 echo = F를 통해 가렸다.

raw_wel2018 <- read.spss(file = "./Data/2018/18 Data/Koweps_hpc13_2018_beta6.sav", to.data.frame = T)
## Warning in read.spss(file = "./Data/2018/18 Data/Koweps_hpc13_2018_beta6.sav",
## : ./Data/2018/18 Data/Koweps_hpc13_2018_beta6.sav: Compression bias (0) is not
## the usual value of 100
## Warning in read.spss(file = "./Data/2018/18 Data/Koweps_hpc13_2018_beta6.sav",
## : ./Data/2018/18 Data/Koweps_hpc13_2018_beta6.sav: Very long string record(s)
## found (record type 7, subtype 14), each will be imported in consecutive
## separate variables

2. 가족확대기 부부 데이터 정제

먼저 전반부에서 우울증과의 상관관계를 살펴보기 위한 연구대상이 되는 가족확대기의 맞벌이 부부를 정제해야했다. 다만 전체 가족확대기의 부부 중 맞벌이 부부의 비중을 알아야 그 증가 감소 추세를 파악할 수 있었기 때문에 가족확대기 부부 데이터를 먼저 정제하였다. 최종적으로 가족확대기의 부부를 성립시키는 조건은 결혼 상태는 유배우자이며 가구주와의 관계가 가구주 본인이거나 혹은 배우자이면서, 집에 분가하지 않은 미성년자 첫째 자녀가 있는 사람으로 하였다. 이에 따라 아래와 같이 각 차수별 데이터를 정제하였다. 위와 동일하게 같은 과정의 반복이기 때문에 2018년 자료만 보이게 하였다. 변수명은 가족확대기 부부를 끊어서 직역, family expanding couple을 각각 약자로 하여 fam_exp_coup(차수)로 지정하였다.

기존 데이터에서 select한 변수는 각각 key - 패널간 가구머지 키변수, work - 근로형태, marriage - 결혼 상태, relationship - 가구주와의 관계, living - 동거여부, depression - 우울감을 측정할 수 있는 변수로 선별한 정신건강 분야에서의 설문 ‘(다) 상당히 우울’ 변수에 해당한다.

fam_exp_coup18 <- raw_wel2018 %>% 
  select(key = h13_merkey, work = p1302_1, marriage = h13_g10, relationship = h13_g2, living = h13_g12, depression = p1305_11) %>% 
  group_by(key) %>% 
  filter(all(relationship %in% c(10, 20, 11))) %>% 
  filter(
    any(relationship == 10 & marriage == 1) &
    any(relationship == 20 & marriage == 1) &
    any(relationship == 11 & marriage == 0 & living == 1)
  ) %>% 
  filter(relationship %in% c(10, 20)) %>% 
  ungroup

3. 가족확대기의 맞벌이 부부 데이터 정제

이후 정제한 가족확대기 부부 데이터를 기반, ’근로 형태 = 임금종사자’라는 조건을 덧붙여 가족확대기의 맞벌이 부부가 되는 데이터를 정제하였다. 변수명은 앞서 가족확대기 부부 데이터에서 근로 중이라는 조건이 붙은 것에 따라, work를 wk로 줄여 exp_wk_coup(차수)로 지정하였다.

exp_wk_coup18 <- raw_wel2018 %>%
  select(key = h13_merkey, work = p1302_1, marriage = h13_g10, relationship = h13_g2, living = h13_g12, depression = p1305_11) %>%
  group_by(key) %>%
  filter(all(relationship %in% c(10, 20, 11))) %>%  # 모든 relationship이 10, 20, 11인지 확인
  filter(
    any(relationship == 10 & work == 1 & marriage == 1) & 
    any(relationship == 20 & work == 1 & marriage == 1) & 
    any(relationship == 11 & marriage == 0 & living == 1)
  ) %>%
  filter(relationship %in% c(10, 20)) %>% 
  ungroup

4. 우울증 정도

우울증의 증가 감소 추세를 파악하기 위해 먼저 가족확대기 부부 데이터 중 depression의 답변별 빈도를 table을 통해 확인하였다. 이 부분에서는 결측치를 제거하면 비율 측정의 대상이 되는 전체 가족확대기 부부의 수가 달라질 수 있기 때문에 결측치를 제거하지 않는 방향으로 결정하였다.

table(fam_exp_coup18$depression)
## 
##   1   2   3   4   9 
## 425  78  10   3  16
## 
##   1   2   3   4   9 
## 412  49  12   3  18
## 
##   1   2   3   4   9 
## 365  50  18   5   7
## 
##   1   2   3   4   9 
## 351  70  15   2  18
## 
##   1   2   3   4   9 
## 442  80  15   3  24
## 
##   1   2   3   4   9 
## 440  69  12   4   9

데이터 분석

1. 맞벌이와 우울증의 상관관계 분석과정

우울감을 측정하기 위한 변수로 선정한 ‘(다) 상당히 우울’ 문항에 대한 답변은 아래와 같이 나뉘었다. 1. 극히 드물다 (일주일에 1일 미만) 2. 가끔 있었다 (일주일에 1-2일 간) 3. 종종 있었다 (일주일에 3-4일 간) 4. 대부분 그랬다 (일주일에 5일 이상)

이와 같은 답변 중 2번을 약한 우울감을 드러내는 답변으로, 3,4번을 강한 우울감을 드러내는 답변으로 취급하였다. 이후 연도별로 각 답변 그룹이 전체 연구 대상자 중 차지하는 비율을 구하기 위해 앞서 확인한 답변별 빈도를 이용하여, 백분율을 구하였다. 3,4번 답변 그룹의 비율은 strong depression을 의미하는 strong_dep 변수에, 2번 답변 그룹의 비율은 weak depression을 의미하는 weak_dep 변수에 각각 할당하였다. 그리고 이 두 변수를 더한 변수 depression total을 줄인 dep_tot를 추가하여, 우울감을 드러낸 답변 전체의 비율을 보여줄 수 있는 변수도 만들었다.

이후 동일한 방식으로 각 차수별 맞벌이의 비율 또한 구하여 work ratio를 의미하는 wk_ratio 변수에 할당하였다.

마지막으로 연도와 더불어 앞서 만든 네 변수를 데이터 프레임 형식으로 wk_dep_comp (comp = compare; 비교를 위한 변수 의미) 변수에 할당하였다.

year <- c(2018, 2019, 2020, 2021, 2022, 2023)

strong_dep <- c((10+3)/532*100, (12+3)/494*100, (18+5)/446*100, (15+2)/458*100, (15+3)/566*100, (12+4)/534*100)
weak_dep <- c(78/532*100, 49/494*100, 50/446*100, 70/458*100, 80/566*100, 69/534*100)
dep_tot <- strong_dep + weak_dep

wk_ratio <- c(216/532*100, 194/494*100, 194/446*100, 198/458*100, 242/566*100, 238/534*100)

wk_dep_comp <- data.frame(year, wk_ratio, strong_dep, weak_dep, dep_tot)

그리고 위 변수를 활용, 선 그래프를 만들어 연도의 흐름에 따라 변하는 맞벌이 부부, 강한 우울감 집단, 약한 우울감 집단, 전체 우울감 집단의 증가 감소 추세를 살펴보았다.

ggplot(wk_dep_comp) +
  geom_line(aes(x = year, y = strong_dep, color = "strong depression")) +
  geom_point(aes(x = year, y = strong_dep, color = "strong depression")) +
  geom_line(aes(x = year, y = weak_dep, color = "weak depression")) +
  geom_point(aes(x = year, y = weak_dep, color = "weak depression")) +
  geom_line(aes(x = year, y = dep_tot, color = "depression total")) +
  geom_point(aes(x = year, y = dep_tot, color = "depression total")) +
  geom_line(aes(x = year, y = wk_ratio, color = "dual income")) +
  geom_point(aes(x = year, y = wk_ratio, color = "dual income")) +
  labs(title = "dual income and depression",
       x = "year",
       y = "ratio (%)",
       color = "variable") +
  theme_minimal()

조사가 3~7월 동안 이루어지는 것을 감안하였을 때, 맞벌이 부부 비율의 증가 감소는, 여러 매체에서 이야기한 것과 다소 유사한 흐름을 보였다. 코로나가 시작된 이후 2020년에서 2022년까지는 약간의 감소 추세를 보였다면, 이후 코로나가 완화될 무렵인 2022년에서 2023년으로 넘어가는 부분에서는 다시 상승세를 보인다. 그러나 이러한 맞벌이 부부의 증가 감소 흐름과 우울증 집단의 증가 감소 추세를 비교하여 봤을 때 뚜렷한 상관관계가 보이지는 않았다. 이에 선 그래프만으로는 상관관계를 파악하기 어렵다 판단, 함수를 활용하여 상관관계를 계산하고 히트맵을 만들어 보았다.

cor_data <- wk_dep_comp %>% select(-year) %>% cor()

cor_data
##             wk_ratio strong_dep   weak_dep   dep_tot
## wk_ratio   1.0000000  0.4383667  0.3282194 0.5482984
## strong_dep 0.4383667  1.0000000 -0.3160656 0.1394024
## weak_dep   0.3282194 -0.3160656  1.0000000 0.8954134
## dep_tot    0.5482984  0.1394024  0.8954134 1.0000000
library(corrplot)
## corrplot 0.92 loaded
col <- colorRampPalette(c("#BB4444", "#EE9988", "#FFFFFF", "#77AADD", "#4477AA"))

corrplot(cor_data,
         method = "color",       # 색깔로 표현
         col = col(200),         # 색상 200개 선정
         type = "lower",         # 왼쪽 아래 행렬만 표시
         order = "hclust",       # 유사한 상관계수끼리 군집화
         addCoef.col = "black",  # 상관계수 색깔
         tl.col = "black",       # 변수명 색깔
         tl.srt = 0,            # 변수명 기울임
         diag = F)               # 대각 행렬 제외

이렇게 띄운 히트맵에서 전반적인 우울증 집단과 맞벌이 부부 집단의 상관관계는 0.55 정도 된다고 나왔다. 이는 분명 맞벌이가 증가함에 따라 우울증도 증가한다는 양의 상관관계는 맞았으나, 그 영향이 유의미하게 크다고 보기에는 애매한 계수였다. 그리하여 이후 이어지는 연구에서는 맞벌이 이외에 어떠한 요소가 우울증에 영향을 줄 수 있는지를 살펴보기로 하였다.

데이터 정제 및 가공

5. 확장연구를 위한 전처리

앞선 분석을 통해, 우울증에 영향을 줄 수 있는 추가적인 요소를 알아보고자 하였기 때문에, 분석에 앞서 다시금 전처리 과정을 거쳤다.

알아보고자 하는 요소로는 크게 사회적 관계, 건강, 외부활동을 꼽았기 때문에 각 분야별로 관련된 두 변수를 뽑아 새 변수에 할당하였다. 이 과정부터는 2023년 자료인 18차 자료를 집중적으로 사용하였다.

우울감 변수는 아까와 동일한 변수를 활용하였고, 그 외에는 사회적 관계 분야에서 가족관계만족도와 사회적 친분관계 만족도를 꼽아 sat_fam과 sat_soc, 건강 분야에서 보건의료비와 건강만족도를 꼽아 hlth_care와 sat_hlth으로 각각 할당하였고, 마지막으로 외부활동 분야에서 봉사활동 참여여부와 여가생활만족도를 꼽아 각각 vltr과 sat_leisure 변수로 할당하였다. (sat은 satisfaction, fam은 family, soc은 social, hlth는 health, vltr은 volunteer를 축약한 표현이다.)

welfare <- raw_wel2023 %>%  select(depression = p1805_11,
                                   sat_fam = p1803_8,
                                   sat_soc = p1803_10,
                                   hlth_care = h1807_3aq8,
                                   sat_hlth = p1803_5,
                                   vltr = p1804_4,
                                   sat_leisure = p1803_11)

이후 각 변수별로 모름/무응답에 해당하는 숫자를 결측치로 바꿔 제거한 후, 분야별로 묶어 다시 하나의 변수에 할당하였다.

welfare$depression <- ifelse(welfare$depression == 9, NA, welfare$depression)
welfare <- welfare %>% filter(!is.na(depression))

welfare$sat_fam <- ifelse(welfare$sat_fam == 9, NA, welfare$sat_fam)
welfare$sat_soc <- ifelse(welfare$sat_soc == 9, NA, welfare$sat_soc)
welfare_relationship <- welfare %>% filter(!is.na(sat_fam) & !is.na(sat_soc))


welfare$hlth_care <- ifelse(welfare$hlth_care == 9999, NA, welfare$hlth_care)
welfare$sat_hlth <- ifelse(welfare$sat_hlth == 9, NA, welfare$sat_hlth)
welfare_health <- welfare %>% filter(!is.na(hlth_care) & !is.na(sat_hlth))


welfare$vltr <- ifelse(welfare$vltr == 9, NA, welfare$vltr)
welfare$sat_leisure <- ifelse(welfare$sat_leisure == 9, NA, welfare$sat_leisure)
welfare_outdoor <- welfare %>% filter(!is.na(vltr) & !is.na(sat_leisure))

선택한 변수 중 보건의료비의 경우, 연속변수의 특성상 이상치가 존재할 수 있었기 때문에, boxplot 함수를 통해 이상치를 확인, 아래와 같이 제거하여 주었다.

boxplot(welfare$hlth_care)$stats

##      [,1]
## [1,]    0
## [2,]    8
## [3,]   16
## [4,]   32
## [5,]   68
welfare$hlth_care <- ifelse(welfare$hlth_care > 68, NA, welfare$hlth_care)
welfare_health <- welfare %>% filter(!is.na(hlth_care) & !is.na(sat_hlth))

그래프 만들기

Figure 1

Figure 1에서는 사회적 관계와 우울증의 관계를 파악해보고자 하였다. 먼저는 아까와 같은 기준으로 depression을 나누어 3,4는 “strong”, 2는 “weak”, 1은 “no_dep”으로 바꾸었다. 이후 ‘1. 매우불만족’, ‘2. 대체로 불만족’, ‘3. 그저그렇다’, ‘4. 대체로 만족’, ’5. 매우만족’으로 나뉘는 가족관계만족도와 사회적 친분관계 만족도의 답변을 각각 1과 2, 3, 4와 5 로 나누어 “low”, “so so”, “high” 로 바꾸어 주었다. 이때 응답의 순서가 뒤바뀌는 것을 막기 위해 factor를 사용하여 준 후, 각각의 비율을 구하여 반올림하여 주었다.

welfare_relationship <- welfare_relationship %>% mutate(dep_degree = ifelse(depression > 2, "strong", ifelse(depression < 2, "no_dep", "weak")))

welfare_relationship <- welfare_relationship %>% mutate(dep_satfam = ifelse(sat_fam >= 4, "high", ifelse(sat_fam == 3, "so so", "low")))
welfare_relationship <- welfare_relationship %>% mutate(dep_satsoc = ifelse(sat_soc >= 4, "high", ifelse(sat_soc == 3, "so so", "low")))

welfare_relationship$dep_satfam <- factor(welfare_relationship$dep_satfam, levels = c("high", "so so", "low"))
welfare_relationship$dep_satsoc <- factor(welfare_relationship$dep_satsoc, levels = c("high", "so so", "low"))

welfare_satfam <- welfare_relationship %>% 
  group_by(dep_satfam, dep_degree) %>% 
  summarise(n = n()) %>% 
  mutate(total = sum(n)) %>% 
  mutate(ratio = round(n/total*100, 2))
## `summarise()` has grouped output by 'dep_satfam'. You can override using the
## `.groups` argument.
welfare_satsoc <- welfare_relationship %>% 
  group_by(dep_satsoc, dep_degree) %>% 
  summarise(n = n()) %>% 
  mutate(total = sum(n)) %>% 
  mutate(ratio = round(n/total*100, 2))
## `summarise()` has grouped output by 'dep_satsoc'. You can override using the
## `.groups` argument.

우울증과 가족관계만족도

이후 구한 비율을 기반으로 가족관계만족도 정도별로 보이는 우울증 단계의 비율을 보여주는 막대그래프를 만들었다.

ggplot(welfare_satfam, aes(x = dep_satfam, y = ratio, fill = dep_degree)) +
  geom_col(width = 0.75) +
  geom_text(aes(label = paste0(round(ratio, 0))), position = position_stack(vjust = 0.5), color = "black") +
  labs(title = "Level of Depression by Family Relationship Satisfaction", x = "Family Relationship Satisfaction", y = "Proportion of Depression (%)")

그래프를 보면 확실히 가족관계만족도가 high에 해당하는 그룹에서 우울감이 없는 집단의 비율이 확연히 높고, low로 갈 수록 우울감을 가진 집단의 비율이 늘어나는 것을 볼 수 있는데, 이를 기반으로 볼 때, 가족관계만족도가 높을수록 우울감을 겪을 확률이 낮다고 볼 수 있다.

우울증과 사회적 친분관계 만족도

사회적 친분관계 만족도와의 관계 역시 위에서 구한 비율을 기반으로 막대그래프를 만들었다.

ggplot(welfare_satsoc, aes(x = dep_satsoc, y = ratio, fill = dep_degree)) +
  geom_col(width = 0.75) +
  geom_text(aes(label = paste0(round(ratio, 0))), position = position_stack(vjust = 0.5), color = "black") +
  labs(title = "Level of Depression by Social Relationship Satisfaction", x = "Social Relationship Satisfaction", y = "Proportion of Depression (%)")

이 역시 가족관계만족도와 동일하게 만족도가 높을수록 우울감을 가진 집단이 적은 모습을 보여주었다. 고로 사회적 친분관계 만족도 역시 우울감과 관계가 있다고 볼 수 있다.

Figure 2

Figure 2에서는 건강분야와 우울증의 관계를 파악해보았다. 건강분야의 두 변수로는 가구에서 지출하는 보건의료비와 개인의 건강만족도를 선정하였다.

우울증과 보건의료비

먼저 의료비를 내는 정도에 따른 우울감 정도의 차이를 살펴보고자 하였다. 이를 위해 앞서 Figure 1에서 사용한 방식과 동일하게 depression을 다시금 “strong”, “weak”, “non_dep”으로 나누어주었다. 이후 그렇게 나눈 depression의 정도를 x축, 앞서 정제 및 가공 단계에서 결측치와 이상치를 제거했던 연속변수 ’의료보건비’를 y축으로 설정하여 boxplot 모양의 그래프로 나타내었다.

welfare_health <- welfare_health %>% mutate(dep_degree = ifelse(depression > 2, "strong", ifelse(depression < 2, "no_dep", "weak")))

welfare_health <- welfare_health %>% 
  mutate(dep_degree = factor(dep_degree, levels = c("strong", "weak", "no_dep")))

ggplot(data = welfare_health, aes(x = dep_degree, y = hlth_care, colour = dep_degree)) + 
  geom_boxplot()

먼저 각 그룹의 중앙선을 살펴보았다. 전반적으로 세 그룹 모두 중앙선에 있어 큰 차이는 없었지만, 그나마 우울감이 weak한 그룹의 중앙선이 다른 두 그룹보다 조금 더 높은 것을 볼 수 있었다. 이로 미루어 볼 때 우울감이 크지는 않지만 조금 느끼는 그룹이 보건의료비에 조금 더 소비한다는 것을 알 수 있는데, 이는 우울감에 다소 익숙해졌을 수 있는 strong 그룹과 치료의 필요성을 느끼지 않을 no depression 그룹 사이에서 weak 그룹은 약간의 상담을 통해 개선하고자 하는 의지가 있는 것이라고도 추측해볼 수 있다.

우울증과 건강만족도

이어서는 건강만족도에 따른 우울감 정도의 차이를 확인해보았다. 건강만족도 또한 앞서 살펴봤던 가족관계만족도, 사회적 친분관계 만족도와 같이 ‘매우 불만족’, ‘대체로 불만족’, ‘그저그렇다’, ‘대체로 만족’, ‘매우 만족’으로 답변하는 문항이었는데, 이번에는 이를 각각 ’highly dissatisfied’, ‘mostly dissatisfied’, ‘so so’, ‘mostly satisfied’, ’highly satisfied’로 바꾸어 활용하였다. 이때 이번에는 이렇게 바꿔놓은 각 답변을 활용해 각각의 우울감 정도에서 각 답변이 차지하는 비율을 파이차트로 확인해보았다. 먼저는 filter 함수를 통해 dep_degree가 strong에 해당하는 사례만 추려낸 후, table을 통해 그 사례 속 건강만족도 답안 수를 확인하였다. 이후 답변의 다섯 단계와, 앞서 확인한 수를 data frame으로 새로운 함수에 할당하고, 그 비율 또한 반올림하여 파생변수로 할당하였다. 이후 factor를 통해 응답의 순서가 바뀌는 것을 방지하였다. 그 후 이를 파이차트로 나타내어주었다.

wel_hlt_strong <- welfare_health %>% filter(dep_degree == "strong")
table(wel_hlt_strong$sat_hlth)
## 
##   1   2   3   4   5 
##  96 259 154 114   7
dep_str_sat_hlth <- data.frame("answer" = c("highly dissatisfied", "mostly dissatisfied", "so so", "mostly satisfied", "highly satisfied"),
                               "count" = c(96, 259, 154, 114, 7))
dep_str_sat_hlth
##                answer count
## 1 highly dissatisfied    96
## 2 mostly dissatisfied   259
## 3               so so   154
## 4    mostly satisfied   114
## 5    highly satisfied     7
dep_str_sat_hlth$per <- round(dep_str_sat_hlth$count/630*100)

dep_str_sat_hlth$answer <- factor(dep_str_sat_hlth$answer, levels = c("highly dissatisfied", "mostly dissatisfied", "so so", "mostly satisfied", "highly satisfied"))

ggplot(data = dep_str_sat_hlth, aes(x = '', y = per, fill = answer))+
  geom_bar(stat = 'identity', width = 1) +
  coord_polar('y', start = 0) +
  geom_text(aes(label = paste0(round(per), "")), position = position_stack(vjust = 0.5), color = "black") +
  labs(title = "Health Satisfaction of People with Strong Depression", x = "", y = "percent")

이렇게 확인한 strong depression 집단의 파이차트에서는 건강만족도 대체로 불만족인 집단이 가장 많은 것으로 나타났다.

이어 weak depression 집단과 no depression 집단에도 동일하게 적용하여 파이차트로 나타내어주었다.

wel_hlt_weak <- welfare_health %>% filter(dep_degree == "weak")
table(wel_hlt_weak$sat_hlth)
## 
##   1   2   3   4   5 
## 168 815 818 644  29
dep_weak_sat_hlth <- data.frame("answer" = c("highly dissatisfied", "mostly dissatisfied", "so so", "mostly satisfied", "highly satisfied"),
                                "count" = c(168, 815, 818, 644, 29))
dep_weak_sat_hlth
##                answer count
## 1 highly dissatisfied   168
## 2 mostly dissatisfied   815
## 3               so so   818
## 4    mostly satisfied   644
## 5    highly satisfied    29
dep_weak_sat_hlth$per <- round(dep_weak_sat_hlth$count/2474*100)

dep_weak_sat_hlth$answer <- factor(dep_weak_sat_hlth$answer, levels = c("highly dissatisfied", "mostly dissatisfied", "so so", "mostly satisfied", "highly satisfied"))

ggplot(data = dep_weak_sat_hlth, aes(x = '', y = per, fill = answer))+
  geom_bar(stat = 'identity', width = 1) +
  coord_polar('y', start = 0) +
  geom_text(aes(label = paste0(round(per), "")), position = position_stack(vjust = 0.5), color = "black") +
  labs(title = "Health Satisfaction of People with Weak Depression", x = "", y = "percent")

weak depression 집단에서는 대체로 불만족인 집단과 그저 그렇다는 집단이 각각 33%로 가장 많은 비중을 차지하였으며 대체로 만족 집단의 경우 앞서 확인한 strong depression의 집단보다 조금 더 늘어난 모습을 보여주었다.

wel_hlt_nodep <- welfare_health %>% filter(dep_degree == "no_dep")
table(wel_hlt_nodep$sat_hlth)
## 
##    1    2    3    4    5 
##   94 1295 2564 4706  331
dep_nodep_sat_hlth <- data.frame("answer" = c("highly dissatisfied", "mostly dissatisfied", "so so", "mostly satisfied", "highly satisfied"),
                                "count" = c(94, 1295, 2564, 4706, 331))
dep_nodep_sat_hlth
##                answer count
## 1 highly dissatisfied    94
## 2 mostly dissatisfied  1295
## 3               so so  2564
## 4    mostly satisfied  4706
## 5    highly satisfied   331
dep_nodep_sat_hlth$per <- round(dep_nodep_sat_hlth$count/8990*100)

dep_nodep_sat_hlth$answer <- factor(dep_nodep_sat_hlth$answer, levels = c("highly dissatisfied", "mostly dissatisfied", "so so", "mostly satisfied", "highly satisfied"))

ggplot(data = dep_nodep_sat_hlth, aes(x = '', y = per, fill = answer))+
  geom_bar(stat = 'identity', width = 1) +
  coord_polar('y', start = 0) +
  geom_text(aes(label = paste0(round(per), "")), position = position_stack(vjust = 0.5), color = "black") +
  labs(title = "Health Satisfaction of People with No Depression", x = "", y = "percent")

마지막으로 no depression 집단에서는 대체로 만족 집단이 52%로 압도적인 비율을 보여주었으며 앞선 두 그래프에서는 1%에 불과했던 매우 만족 집단이 4%로 늘어난 모습을 볼 수 있었다. 이러한 점을 고려해볼 때, 개인의 건강만족도 또한 우울감에 꽤나 유의미한 영향을 끼치는 것으로 보인다.

Figure 3

마지막으로 Figure 3에서는 외부활동 분야와 우울증과의 관계를 살펴보았다. 외부활동 분야의 두 변수로는 봉사활동 참여여부와 여가생활 만족도를 뽑았다. 봉사활동 참여여부의 경우, 이전에 해외에서 진행된 선행연구에서많은 장수 노부부의 공통점 중 하나로 자원봉사의 빈도가 높았던 것을 언급한 연구 결과를 본 적이 있어 뽑아보았다. 앞에서와 동일하게 depression의 정도를 세 그룹으로 나누어 주었다.

welfare_outdoor <- welfare_outdoor %>% mutate(dep_degree = ifelse(depression > 2, "strong", ifelse(depression < 2, "no_dep", "weak")))

우울증과 자원봉사

앞에서 살펴본 변수들과 달리, 자원봉사활동 여부를 묻는 문항의 경우 ’1. 그렇다’와 ’2. 아니다’로 선택지가 두 가지 뿐이었다. 이에 yes or no를 줄여 yn_vltr라는 변수를 만들어 문항에 대한 답변을 o와 x로 바꾸어 할당하였다.

welfare_outdoor <- welfare_outdoor %>% mutate(yn_vltr = ifelse(vltr == 1, "o", "x"))

이후 자원봉사활동을 한 “o”의 경우는 wel_od_vltr_o로, 아닌 “x”의 경우는 wel_od_vltr_x로 변수를 새롭게 나누어 할당하였다. table을 통해 새 변수 속 각 depression의 그룹의 수를 확인한 후, 앞서 하였던 방식과 동일하게 백분율을 구하여 반올림 후 per이라는 파생변수에 할당하여 주었다. 그 후 파이차트로 만들어 주었다. 이를 통해 봉사활동을 한 사람들 중에서의 각 우울감 집단 비율, 안 한 사람들 중에서의 각 우울감 집단 비율을 보여주는 파이 차트 두 개를 확인할 수 있었다. 두 차트는 아래와 같다.

wel_od_vltr_o <- welfare_outdoor %>% filter(yn_vltr == "o")

table(wel_od_vltr_o$dep_degree)
## 
## no_dep strong   weak 
##    962     34    142
dep_wel_od_vltr_o <- data.frame("dep_degree" = c("strong", "weak", "no_dep"),
                                "count" = c(34, 142, 962))
dep_wel_od_vltr_o$per <- round(dep_wel_od_vltr_o$count/1138*100)

ggplot(data = dep_wel_od_vltr_o, aes(x = '', y = per, fill = dep_degree))+
  geom_bar(stat = 'identity', width = 1) +
  coord_polar('y', start = 0) +
  geom_text(aes(label = paste0(round(per), "")), position = position_stack(vjust = 0.5), color = "black") +
  labs(title = "Depression Levels of Volunteers", x = "", y = "percent")

wel_od_vltr_x <- welfare_outdoor %>% filter(yn_vltr == "x")

table(wel_od_vltr_x$dep_degree)
## 
## no_dep strong   weak 
##   8733    666   2533
dep_wel_od_vltr_x <- data.frame("dep_degree" = c("strong", "weak", "no_dep"),
                                "count" = c(666, 2533, 8733))
dep_wel_od_vltr_x$per <- round(dep_wel_od_vltr_x$count/11932*100)

ggplot(data = dep_wel_od_vltr_x, aes(x = '', y = per, fill = dep_degree))+
  geom_bar(stat = 'identity', width = 1)+
  coord_polar('y', start = 0) +
  geom_text(aes(label = paste0(round(per), "")), position = position_stack(vjust = 0.5), color = "black") +
  labs(title = "Depression Levels of Non-Volunteers", x = "", y = "percent")

두 차트를 보았을 때, 전반적으로 두 차트 모두 no depression 그룹의 비율이 높은 것을 볼 수 있으나, 그러한 가운데서도 봉사활동을 한 사람들에게서 no depression 그룹의 비율이 더 높은 것을 확인해 볼 수 있었다. 이는 곧 봉사활동의 경우, 안 한다고 우울감을 유발하지는 않으나, 하는 경우에 우울감을 줄이는 효과를 기대해 볼 수 있다고 할 수 있다.

우울증과 여가생활 만족도

마지막으로는 여가생활 만족도와 우울증의 관계를 막대그래프를 통해 알아보았다. 먼저는 앞선 만족도 항목들과 동일하게 다섯 개의 단계로 나뉘는 여가생활 만족도의 단계를 ‘high’, ‘so so’, ’low’로 나누어주고 factor를 통해 응답의 순서가 바뀌지 않도록 해주었다. 이후 각 만족도 답변 그룹에서 우울감 집단별로 차지하는 비율을 구하고 반올림하여 주었다.

welfare_outdoor <- welfare_outdoor %>% mutate(dep_satlsr = ifelse(sat_leisure >= 4, "high", ifelse(sat_leisure == 3, "so so", "low")))

welfare_outdoor$dep_satlsr <- factor(welfare_outdoor$dep_satlsr, levels = c("high", "so so", "low"))

welfare_satlsr <- welfare_outdoor %>% 
  group_by(dep_satlsr, dep_degree) %>% 
  summarise(n = n()) %>% 
  mutate(total = sum(n)) %>% 
  mutate(ratio = round(n/total*100, 2))
## `summarise()` has grouped output by 'dep_satlsr'. You can override using the
## `.groups` argument.

이후 이를 활용하여 만족도 그룹별 우울감 집단 비율을 나타내는 막대그래프를 만들어주었다.

ggplot(welfare_satlsr, aes(x = dep_satlsr, y = ratio, fill = dep_degree)) +
  geom_col(width = 0.75) +
  geom_text(aes(label = paste0(round(ratio, 0))), position = position_stack(vjust = 0.5), color = "black") +
  labs(title = "Level of Depression by Leisure Life Satisfaction", x = "Leisure Life Satisfaction", y = "Proportion of Depression (%)")

이 그래프를 보았을 때, Figure 1에서 본 것과 유사한 형태를 볼 수 있었는데, 여가생활 만족도가 high에서 low로 갈수록, no depression 그룹은 줄고, weak depression과 strong depression 그룹이 늘어나는 형태였다. 이를 통해 여가생활 만족도 역시 우울감과 어느 정도 관계가 있음을 알 수 있었다.

결과 설명 및 해석

이 연구는 우선 맞벌이와 우울증의 상관관계에 대해서 살펴보았다. 이후 그 상관관계가 생각보다 크지 않음을 인지, 그 외 어떠한 요인이 우울감에 영향을 줄 지에 대해 살펴보게 되었다. 이때, 사회적 관계와 건강, 외부활동, 세 가지 분야에서 두 가지 변수를 꼽아 관계성을 살펴보았는데, 전반적으로 모든 변수에서 관계성을 찾아볼 수 있었다는 점에서, 우울증은 생각보다 복합적인 요인을 기반으로 증대되고 완화된다는 것을 알 수 있었다. 먼저 사회적 관계 분야에서는, 가족관계만족도와 사회적 친분관계 만족도를 위주로 살펴보았는데, 두 변수 모두 만족도에 따라 우울감의 정도가 꽤 크게 달라지는 모습을 보여주었다. 다만 두 변수 중에서는 사회적 친분관계가 조금 더 큰 영향을 끼치는 듯 보였다. 이후 두번째로는 건강 분야를 살펴보았는데, 건강 분야에서는 보건의료비와 건강만족도 변수를 살펴보았다. 보건의료비에서는 우울감 집단별 큰 차이는 없었으나, 특이점으로 약한 우울감을 보이는 집단이 조금 더 높은 중앙값을 보였다. 이는 치료의 필요성이 적은 그룹과, 치료의 희망을 적게 가질듯한 그룹 사이에서 치료에 대한 의지를 가진 그룹의 결과라고 유추해볼 수 있었다. 건강만족도의 경우 strong depression에서 no depression 그룹으로 갈 수록 점차적으로 만족도가 좋은 그룹의 비중이 높아지는 것을 볼 수 있었다. 다만 이는 신체적 건강만을 말하는 것이 아닐 수 있다는 점에서 한 쪽이 다른 한 쪽에게 영향을 준다기보다는 다소 상호작용적인 변수일 수 있다는 점을 염두에 두어야 할 것 같다. 마지막으로는 외부활동 분야를 확인해보았다. 이 분야에서는 자원봉사 여부와 여가생활 만족도를 살펴보았는데, 자원봉사의 경우, 미참여가 우울감을 유발하지는 않지만, 참여를 통해 우울감을 개선하는 효과를 기대할 수 있다는 점을 주목해볼 수 있었다. 여가생활 만족도의 경우 가장 처음 살펴본 사회적 관계 분야의 두 변수와 비슷한 형태의 그래프를 보여주었으나, 직접적으로 비교해볼 때 만족도 high에서 low까지의 변화가 비교적 적었다는 점에서 그 영향력은 사회적 관계 분야의 두 변수보다는 조금 작다고 생각해 볼 수 있었다.