437일간의 영국 생활을 마무리하고 돌아갑니다.

시간도 양과 질이 있다고 생각한다. 어떻게 사용하느냐에 따라서 시간의 가치는 상대적으로 결정이 되기 때문이다. 뭐 그리 잘 보낸 437일은 아니었지만 이제 영국에서의 삶을 정리하고 한국으로 돌아간다.?

인간이기 때문에 아쉬움도, 그리고 뿌듯함도 공존했던 시간이었다. 학교와 회사까지 정말 정해진 루트에 맞춰진 삶을 살아서 처음 과감하게 나름의 갭이어(Gap Year)를 가질 수 있었다.

잠시 반복된 프로세스에 매몰된 삶을 벗어나 시야를 넓힐 기회였다. 시야를 넓혀가는 과정에서 발생한 지식의 초조함이 있었지만, 페이스북있었지만 페이스북, 기술 너희테크니들, 치와 빵치와빵 등의 네트워크를 통해 지식의 갈증을 조금이나마 달랠 수 있었다.

그리고 나이/문화적 장벽 등을 넘어서 대화하는 법을 익힌 것은 가장 큰 자산이 아니었나 싶다. 늦바람이 좋지 않다고 하지만 마지막 학기에 친구들과 파티를 하고, 또 파티를 직접 열었던 건 꽤 잊지 못할 경험이 되었다.

이제 다시 현실(한국)로 돌아온다. 불안감과 기대감이 교차하는 순간이다. 입학한 이후 학문에 초점을 둔 1년 동안 실무에 대한 감을 잃을까 두려웠다. 하지만 1년이 지난 지금 되돌아보면 그 두려움이 많이 사라졌다. 오히려 학문을 통해 조금 더 다차원적으로 경영을 바라볼 수 있었다.

그리고 단순히 가치를 소비하는 사람보다는 조금 더 진지해졌다. 소비는 하되 과정을 관찰하는 습성이 생겼다. 그리고 메이커(Maker)가 되고 싶어졌다.?

그런 의미에서 행복했던 1년이었다. 437일, 다 잘 보낸 것은 아니지만! 여기까지 오느라 수고했다.

Read more

다중공선성은 잘못된 인과추론 결과를 만들어낼 수 있습니다.

다중공선성은 잘못된 인과추론 결과를 만들어낼 수 있습니다.

다중공선성(Multi Collinearity) * **Multi-Collinearity(다중공선성)**는 독립 변수들 간의 강한 상관관계가 존재할 때 발생합니다. 즉, 한 독립 변수가 다른 독립 변수에 의해 설명될 수 있을 정도로 상관관계가 높은 상황을 의미합니다. * 이 문제는 주로 회귀 분석에서 나타나며, 변수들 간의 관계를 해석하는 데 있어 큰 장애물이 될 수 있습니다. * 일반적인 회귀식을 $Y=

Bayesian P-Value는 불확실성을 감안하여 모델의 적합도를 평가합니다.

Bayesian P-Value는 불확실성을 감안하여 모델의 적합도를 평가합니다.

Bayesian P- Value * Bayesian P-Value는 **모델의 적합도(goodness-of-fit)**를 평가하는 데 사용됩니다. * 사후 분포(posterior distribution)를 이용하여 실제 데이터와 모델이 생성한 예상 데이터를 비교함으로써, 관측된 데이터가 모델에 의해 얼마나 잘 설명되는지를 평가합니다. * 빈도주의 p-값은 "관찰된 데이터보다 극단적인 데이터가 나올 확률"을 계산하지만, Bayesian P-Value는 "모델이 실제

Non-Identifiability는 Model Parameter를 고유하게 식별할 수 없는 현상입니다.

Non-Identifiability는 Model Parameter를 고유하게 식별할 수 없는 현상입니다.

Non Identifiability * Non-Identifiability는 주어진 데이터와 모델에 대해 특정 파라미터를 고유하게 식별할 수 없는 상황을 의미합니다. 즉, 여러 파라미터 값들이 동일한 데이터를 생성할 수 있으며, 이로 인해 특정 파라미터 값을 확정적으로 추정하기 어렵게 됩니다. * 베이지안 추론에서 Non-Identifiability는 사후 분포가 특정 파라미터 값에 대해 명확하게 수렴하지 않고, 여러 값들에 대해 비슷한 확률을

Rootgram은 큰 분산을 갖거나 비정규 형태의 데이터를 위한 히스토그램입니다.

Rootgram은 큰 분산을 갖거나 비정규 형태의 데이터를 위한 히스토그램입니다.

Rootgram * 히스토그램의 변형으로 데이터가 비정규적이거나 큰 분산을 가지는 경우, 정확한 분포를 파악하기 위해 사용됩니다. * 일반적으로 히스토그램은 데이터의 빈도를 직접적으로 나타내기 때문에, 큰 값이 빈번하게 발생하는 경우 상대적으로 작은 값을 잘 드러내지 못하는 경향이 있습니다. 반면, Rootgram은 빈도를 제곱근 형태로 변환하여, 데이터 분포의 차이를 더 잘 시각화할 수 있도록 돕습니다 * 여기서