린든 존슨 대통령이 보여준 비전의 리더십

혼돈의 시대, 리더의 탄생  마지막 부분을 읽고 있다. 현재 "3부 리더의 탄생 - 그들은 어떻게 세상을 이끌어가는가?"를 읽고 있고 오늘 드디어 마지막 대통령인 린든 존슨대통령 부분을 읽고 있다.

교사를 하다가 아버지를 따라 정치에 입문해서 케네디 대통령의 암살로 대통령에 오르면서 빠르게 재선까지 준비해야 했던 그는 정치 생활에서 비전을 제시하면서 동시에 보스의 면모를 가지고 있던 부분들 때문에 읽고 있는 내내 다소 부담스러운 부분이 있었다. 마치 현실에섭 볼 수 있는 팀장의 모습같기도 했기 때문이다. 실제로 베트남전쟁과 복지정책을 강행해서 이후 평가가 다소 아쉬운 부분도 한 몫한 것 같ㅋ다.

하지만 읽다보니 다른 대통령보다는 뭐랄까...실무형에 가까운 모습들을 많이 보여줘서 저자인 굿윈이 요약한 린드존슨의 보여준 비전리더십의 특징을 정리해본다.

  • 자신의 강점으로 인도하라
  • 의제를 단순화하라
  • 최대 효과를 얻는 방향으로 전투 순서를 결정하라
  • 약속을 지키고 의무를 다하라
  • 이야기를 꾸미는 힘을 키워라
  • 전략적 목표에 지지 세력을 규합하라
  • 전선을 명확히 그어라
  • 지지세력에게 규율 준수를 요구하라
  • 성공의 열쇠를 확인하라. 자존심은 잠시 제쳐두라
  • 미래의 강렬한 모습을 제시하라
  • 준비가 모든 것이다.
  • 이해당사자들에게는 걔획을 세우는데 처음부터 참여할 기회를 줘라
  • 기다려야할 때와 추진해야할 때를 알아야 한다.
  • 기념식으로 과거를 예우하고 미래를 향한 추진력을 얻어라

적다보니 내가 하고 있는 모습과 상당히 연결되는 모습이 와닿아서 좋았다. 그래서인지 반대로 실패한 이유가 궁금했는데, 마침 린든존슨 대통령은 베트남전에서 실패한 것으로 유명한지라, 저자는 이 내용을 후반부에 실었고, 앞서 언급했던 비전리더십을 전혀 발휘하지 않고, 단편적으로 의사결정을 린든존슨이 실패한 주된 이유라고 적고 있다.

이 부분을 보면서, 비전의 리더십은 비전이 없을 때 문제를 발생시킬 수 있곘다는 당연하지만,  지속하기 어렵다라는 것을 다시 한 번 느꼈고, 그래도 다행인 것이 "스토리를 만드는 것"이 내 강점이었기 때문에 비전 리더십은 개인적으로 나에게는 유효한 리더십임을 다시 한 번 느꼈다.

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