두려움은 미래를 예측할 수 있는 능력이고 분할정복과 함께 활용할 수 있다.

어렸을 때, 여린 성격 때문에 툭하면 울었던 기억이 났다. 많이 우는 아이는 울보 또는 찡찡이라고 놀림받곤 하는데 나도 예외는 아니었던 거같다. 아래이미지는 꾸러기 수비대의 막내인 찡찡이로 평소 전투력은 제로지만, 울 때 발사되는 초 필살기 울음포 찡찡 광선은 매우 강력한 무기로 나온다.(...)

200


Source: 나무위키

여튼 마음이 여린탓에 두려움도 많았는데, 이런 두려움은 나에게 항상 스트레스로 다가왔던 어느날, 생각을 한 순간에 바꿔준 사건이 있었는데, 그 것은 만화책에서 보았던 대사였다. 두려움이 많은 아이에게 한 어른이 해주는 대사였는데, 자세히 기억은 안나지만 이런 느낌이었다.

두렵다는 것은 미래를 남들보다 먼저 내다볼 수 있기 때문에 그런거야.

그 이후로, 두렵다는 감정은 꽤나 소중한 감정이 되었다. 그리고 두려울 때마다 분할정복(Divide & Conquer)을 활용하면 그 두려움은 작아졌고 두려움을 헤쳐나갈 수 있게 되었다.  데이비드 슈워츠 박사는 그의 저서 "리더의 암시법"에서 루즈벨트 부인의 예를 들면서 내가 헤쳐나온 방식과 비슷한 사례를 소개해주었다. 그 사례는 다음과 같다다.

해냄으로써 그 경험을 통해 힘과 용기와 자신감을 얻게 됩니다. 그러므로 우리는 스 스로에게 이렇게 말해야 합니다. '난 두려움을 이기며 지금까지 살아 왔어. 또 다른 두려운 일이 닥친다 해도 의연히 맞이할 수 있어.'•우 리는 스스로 할 수 없다고 생각하는 일을 해야 합니다." 다시 말해 루즈벨트 부인은 행동함으로써 즉 두려움을 정면으로 맞 이함으로써 또한 스스로 '나는 두려워하는 일을 할 수 있고 실제로 해 낼 거야' 라는 생각을 함으로써 두려움을 이겨냈던 것이다

이렇게 두려움을 다른 관점으로 바라보기 시작하니, 두려움은 살짝 아픈 "침"과 같은 느낌으로 해석되기 시작하였다.두려움으로 인해서 피했던 업무에 대해서 시도하는 빈도가 늘어나기 시작하였다. 이는 자신의 일이 옳다는 생각이 강해지게 되면서 업무에 대한 의욕이 늘어남에 따른 자연스러운 결과였던것 같다.

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