통제할 수 없는 것에 신경쓰지 않기

2022년 9월 26일부로 실외에서 마스크를 쓰는 의무가 해제되었다. 그 이후 밖에서 조금식 사람들이 마스크를 쓰고 다니지 않게 되었다. 여전히 대부분이 마스크를 쓰고 다니고 있지만, 이전보다 높은 Covid-19 확진자에도 우리는 더 이상 놀라지 않게 되었다. 아니 신경쓰지 않게 되었다.

나 역시 처음에는 마스크를 벗는게 다소 부담스러웠지만, 사람이 없거나 아주 적을 때,  벗는 것이 익숙해지고 있다. 문제는 실내이다. 대학교를 비롯 실내여도 마스크를 쓰지 않는 사람들이 상당히 많이 보이기 시작하였다.

처음에는 이 부분이 상당히 거슬렸다. 일명 코를 빼놓는 코스크는 양반이요, 다들 자연스럽게 쓰지 않는 모습을 점차 많이 보게 되었다. 아내가 만삭인 탓에 그런 모습을 보면서 자연스레 높은 경계심을 발휘하게 되어 처음에는 상당히 스트레스를 받았다. 말을 하자니 이후에 이어질 갈등이나 충돌이 부담스러웠기 때문이다.

그래서 대부분의 경우는 피해다녔지만, 대학원 수업이나, 회사에서는 피할 수가 없었다.  양심은 지능의 문제라는 Youtube를 보기도 하고 다양한 방법을 강구하던 차에 리스크라는 책에서 리스크와 위험의 차이를 설명하던 부분이 기억났다. 둘다 불확실성을 다루는 단어이지만, 리스크는 관리가 가능하기에 위험과 다르다.

이 관점을 여기에 적용해보면 마스크를 쓴 사람이 병균을 나에게 옮길 가능성은 관리가 가능하기 때문에 여기서 통제가 가능한 부분은 내가 마스크를 잘 쓰는 것이기 때문에 이 부분만 신경쓰는게 맞다는 결론에 이르렀다. 마스크를 대충 쓰고 다닐 사람이 병을 옮길 가능성은 관찰도 어렵고 통제도 어렵기 때문에 신경쓴다한들 종속변수로써 내가 코로나에 걸릴 여부를 낮추기는 어렵기 때문에 신경 쓴들 도움이 되지 않겠다는 결론도 함께 말이다.

삶의 다른 문제도 그렇다. 통제할 수 있는 변수의 범위를 넓히되, 통제할 수 없는 것은 신경쓰지 말자. 쓸데없이 두려워하기 전에 할 수 있는 것이 시간을 포함, 삶의 소중한 자원의 활용도를 극대화하기 위한 최선의 방법임을 다시 한 번 자각할 수 있었다.

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