[책]부자의 독서법

왜 읽게 되었는가?

  • 제목에 끌렸다. 기존과 같으면 이런 책은 읽지 않는 편이다. 하지만 책의 내용이 무난하고, 여기서 내가 혹시 내 삶에 적용할 수 있는 것이 있지 않을까 싶어 읽어보게 되었다.
  • 부자라면 어떠한 책을 보더라도 책에서 교훈을 추출해낼 수 있지 않을까 하는 생각이 결정적이었던 것 같다.
  • 결론부터 말하면 적어도 적용할 포인트는 있었고, 책 난이도가 간단하여 빠르게 읽을 수 있었다.

적용해야 하는 포인트는

  • 세 포인트를 뽑으라면 질문하는 독서, 일처럼 하는 독서,113매직이었다.
  • 첫 번째로 질문하는 독서였다. 책을 읽으면서 계속해서 질문하는 습관에 관한 것이었다. 저자는 부자가 된 이유와 독서를 매칭시키려고 끊임없이 노력하는데 사실 크게 와닿지 않았다. 개인적으로 이미 독서를 좋아하고 있었고, 더 많은 내용을 뽑아내서 효율적인 삶을 꾸리고 싶은 욕심이 있었기에 책 내용에서 효율성 관점으로 보는 부분은 공감이 되는 정도의 수준이었다. 그 차원에서 책에 투영된 저자의 생각과 대화를 하기 위한 질문은 중요한 것이기에 다시 한 번 스스로에게 상기시킬 수 있었던 것 같다.
  • 두 번째로는 일처럼 하는 독서였다. 독서는 쉬는게 아니다를 다시 한 번 상기시킬 수 있던 것 같다. 책의 저자와 다양한 대화를 한다는 생각으로 집중해서 하되, 필요하면 메모도 해야 한다는 생각이 다시 들었다. 다만 책을 접거나 책에 메모를 하는 것을 극도로 싫어해서 이 부분은 어떻게 해야 할지 항상 고민이다. 현 시점에서는 1) 아이폰 Drafts 앱을 사용하거나, 2) 메모장을 하나 들고 다니는 부분을 고려중인데 정말 의지가 아닐까 생각이 든다. 지금 이 글은 기억을 해두었다가 작성하고 있지만, 그러기에는 책의 수준에 따라 한계가 있을 수 있으니 의지를 어떻게 유지할 것인지 고민해봐야겠다.
  • 마지막으로는 113매직이었다. 회의를 할 때 항상 Output을 논의한 후 진행하는 성격인데, 비슷한 관점에서 output을 염두해 두는 독서법이 113으로 1권을 1주안에 3가지로 활용하자라는 기법이다. 사실 기법이라기 보다는 좋은 패턴이라고 생각된다. 어떤 Output을 내놓는게 좋을지는 모르겠지만 나는 일처럼 하는 독서와 연결지어 볼 때 최소의 리소스로 최대의 활용을 내기 위해서는 글쓰기가 113에 속한다고 생각해서 이러한 책으로 글을 쓰는 것을 좋아하지 않음에도 쓰게 되었다.

추천할만한 책인가?

  • 그런 책이라고 보지는 않는다. How To는 모두 다양한 책과 이론을 깊이 없이 결합한 형태이기 때문에 읽는 사람들이 읽고 삶에서 실행을 하지 않을 가능성도 다분히 있는 책이기 때문에 추천하기는 어렵다.
  • 더군다나 "부자의 독서법"이라는 제목보다는 효율적인 독서방법에 대한 이야기 정도일뿐 부자라는 측면은 다소 시류에 영합하는 책이 아닌가 싶어서 더더욱 그러하였다.

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