리더로서 힘들 수 있으나, 주저 앉아서는 안됩니다.

리더로서 힘들 수 있으나, 주저 앉아서는 안됩니다.
Photo by charlesdeluvio / Unsplash

리더는 외로운 자리이고 힘들 수 있습니다. 하지만 그렇다고 해서 팀원과의 대화를 멈춰서는 안됩니다. 리더는 아래는 팀원의 대화를, 위로는 상사의 대화를 들어야 하는 중간 위치에 서 있습니다. 그래서 당연히 외로울 수 있습니다. 하지만 멈춰서는 안됩니다. 리더가 외로운 것은 당연합니다.

위대함이 발현되는 상황일 수 있습니다. 포기하면 편합니다. 편하지 않고, 힘들다는 것은 무언가를 하고 있다는 것을 의미합니다. 하드씽의 저자는 이렇게 악전고투하며 힘든 상황이야 무언가를 하고 있고 경험하고 있기 때문에 발현되는 상황이라고 말하였습니다. 어떻게 보면 지금이야말로 헤쳐나가서 결과를 만들어야 하는 시점일 수도 있습니다.

그리고 팀 구성원과 최대한 그 짐을 나누는 것이 좋습니다. 모든 것을 홀로 짊어질 필요는 없습니다. 나중에 결과를 듣게 될 팀원들이 얻게 되는 힘들 수도 있고, 이는 리더에 대한 실망으로 다가올 수 있습니다. 그래서 미리 말하는게 좋습니다. 게다가 가장 큰 책임을 진 리더가 더 힘듦을 크게 느끼고 있는 경우가 많기 때문에 최대한 부담을 구성원과 나누는 대화를 하는게 좋습니다. 대화를 통해서 짐을 나누는 것이 좋습니다.

그리고 이런 문제들의 대부분은 사실 리더 본인 자초한 경우들이 많습니다.  곰곰히 생각해보면 리더 본인이 해결하거나 피할 수도 있었습니다. 저도 그러한 적이 있었고 괴로웠지만, 결국 담담하게 받아들였습니다. 이 경우도 버티면서 대화를 저도 그러하였기에 담담하게 받아들이고, 버티면서 해결하는게 최상책일수도 있습니다.

리더는 외로운 자리이면서, 홀로 서기 어려운 자리입니다. 그렇게 모든 순간에 구성원과 함께 움직일 수 있도록 대화는 지속하는게 좋습니다.

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