중요한 것은 꺾인 신뢰, 500원 그 이상의 여파

아내가 갑자기 매운 것이 먹고 싶다고 했다. 그렇다고 아주 매운 것은 못 먹기 때문에, 그간 먹었던 것 중 아내가 매웠다고 한 음식을 제안하며 골라보라고 하였다.  그렇게 선정된 음식이 바로 골뱅이 무침과 소면이었다.

안그래도 작년에 동네 치킨집에서 먹은 골뱅이가 기억나 배달앱에서 찾아보았다. 골뱅이 무침이 있었고 17,000원이었다. 혹시 포장도 가능할까 보니 포장으로 하면 500원 할인 옵션이 있었다. 그래서 포장으로 결제하려고 했는데 마침 나가는 길이어서 그냥 전화로 주문을 하고 가게를 찾아갔다. 지금 생각해보면, 포장은 수수료가 없다지만, 그래도 새해이고 가게에게 도움을 주고 싶은 마음으로 전화주문을 해야겠다는 생각으로 그러한 결정을 한 것 같다.

전화를 하고 15분 정도 후에 가게에 도착했다. 그리고 골뱅이 무침 가격을 물어보았다. 그런데 예상과 달리 가격은 17,000원이었다. 앱으로 주문하였을 때 더 저렴하다니 이상하였다. 앞서 언급한 것처럼 포장수수료가 없다면 결국 전화주문과 앱주문에서 포장은 동일해야 하지 않나라는 생각에서 그랬다. 500원은 17,000원의 2.9%에 해당하는 금액인데 굳이 차등을 둘 필요가 있을까 하는 생각도 들고 정책에 대한 일관성이 보이지 않아서 다소 이상하게 보였다.

모든 것(All Things)에 가격이 매겨지는 세상이다. 중소상공인이라고 해도 자본주의 앞에서는 모두 냉정하게 평가받는 세상이다. 그리고 그 냉정함은 중소상공인이 다수를 차지하는 음식배달 시장에도 빠르게 스며든지 오래이다. 저런 500원 차이를 가게가 신경써야 한다고 말하기는 여전히 동네분들이 하는 가게라서 어렵지만, 눈감아준 시간 속에 이런 부분까지 파고들어가는 몇몇 성공한 사람들이 음식시장을 빠르게 장악해나가고 있다.

2023년 설이 지나간다. 부디 나만 이런 가격차이를 인지하고 조용히 별일 없이 지나갔으면 좋겠다. 날씨가 춥고 시장도 치운 요즈음, 태어날 아이를 봐서라도 조금은 따뜻한 세상이 오래 지속되길 바라는 마음으로 글을 남긴다.

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