[책]8.5/10, 숫자에 약한 사람들을 위한 통계학 수업

한 줄평

  • 통계에 대한 하나의 에세이를 읽는 것 같은 좋은 책

책을 되짚어 보기 위한 질문들

책에 대해 가장 좋았던 부분들

  • 원서 기준 “통계의 아름다움” 타이틀이 마음에 들었다. 번안한 제목은 아무래도 독서층을 노리고 한 것 같으나, 통계를 전공했고 데이터를 좋아하는 사람에게 있어 가벼운 주제부터 검정, 베이즈 등의 주제까지 너무나도 재미있게 다루고 있었다.

책에 대해서 가장 아쉬웠던 부분

  • 수식을 최대한 자제하려다보니 말이 길어지고 말이 길어지다보니 자연스레 번안한 글도 길어지게 되어서 이해를 종종 못하는 경우가 있었다. 물론 번역의 질이 좋지 않다는 뜻은 아니다.

비슷한 부류의 책이 기억난다면?

  • “논쟁거리로 배우는 통계학 “을 비롯해서 “틀리지 않는 법” 등 이야기 중심의 통계학 입문서들이 기억에 났다.

가장 기억나는 문구는?

-“상대위험도만 제공하고 절대위험도는 제공하지 말라” (p.390) 이었다. 저 문구는 미디어의 관행에 대한 이야기로서, 절대위험도, 상대위험도 모두 제공해야 한다. 굳이 저 문구가 기억난 이유는 업무를 하다보면 비율을 상당히 많이 접한다. 그만큼 숨길 수 있고, 뽐낼수 있는 수치이기 때문이다. 따라서 수치를 볼 때 항상 조심해야 한다. 통계 역시 그런 것이다. 적절히 숨길 수 있다. 그래서 때론 거짓말하기 가장 쉬운 방법이라고 불린다.

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