미래를 위하여 기록을 남겨라

어제에 이어 혼돈의 시대, 리더의 탄생을 읽고 있다. 링컨에 이어서 지금 읽고 있는 것은 시어도어 루스벨트 편이다. 종종 뉴딜을 집행해서 대공황을 타개한 FDR(프랭클린 D.루스벨트) 대통령과 헷갈리는 경우가 있는데, 시어도어 루스벨트 대통령은 거의 남남에 가까운 먼 혈족이고 먼저 대통령직을 역임했던 사람이다. 개인적으로는 이 분을  석탄파업을 종결짓기 위해 연방군을 파견했던, 아주 과격했던 인물로만 기억하고 있었다. 그런데 책을 읽던 중 그가 잘했던 부분이 매우 공감되어 이렇게 글을 남긴다.

당시 석탄파업이 미치는 국가적 중대성을 감안해서 직접 개입해 문제를 해결하고자 했다. 그리고 문제를 해결하기 위한 모임을 할 때마다 속기사를 반드시 참석시켜서 전 과정을 기록하게 하였다. 이는 미국 건국 이래 대통령 주재회의를 문서로 기록한 최초의 사례로, 이후 의사록은 정부 인쇄국을 거쳐서 소책자로 만들어졌으며, 바로 다음날 신문의 헤드라인으로 나갔다고 한다.

석탄파업이 완전히 종결된 이후에는, 책자로 남겨서 유사한 문제가 발생했거나, 발생 조짐이 보이는 곳에 유용히 활용될 수 있도록 하였고, 그 책자에 서명하여 내용을 보증하였다.

고전의 묘미는 레퍼런스로서 비슷한 문제를 먼저 생각한 이의 생각을 훔치는데 있다. 기록의 힘이 여기 있다. 특히 많은 사람에게 영향을 미치고 방향성을 제시하는 리더는 더욱 그렇다. 의사결정에 대해서 기록을 남겨놓으면 어떤 부분을 더 잘할 수 있었을지 더 고민하고 판단할 수 있다.

비단 과거의 기록이 아니어도, 생각이 날 때마다 기록을 해두는 것은 중요하다. 샤워실에서 샤워를 할 때마다 항상 아쉬운 부분이 있다. 그 때 생각난 좋은 아이디어가 막상 나오면 그 열기는 식어버리고 심지어 기억이 나지 않을 때도 있는 것이다. 역시나 기록이 필요한 시점이다.

이 책을 읽으면 읽을 수록 시어도어 루즈벨트의 리더십은 링컨과는 다른 "수성" 관점의 리더십을 잘 보여주고 있다. 시기에 맞는 리더가 있다는 생각은 몇 년전부터 하고 있었지만, 루즈벨트의 사례를 보면서 더욱 확신하게 되었다. 나는 어떠한 형태의 리더십을 가지고 있는 것일까?

여기에 따라 내가 잘할 수 있는 곳이 어디인지 판가름날 것이다.

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