가설 검정에서 0.05, 0.01, 0.10과 같은 알파(\(\alpha\)) 수준의 역할을 가장 잘 설명하는 것은 무엇인가요?
이 연습은 강의의 일부입니다
이론을 실습으로 바꾸는 인터랙티브 연습 중 하나를 만나보세요
실험 설계에 대한 지식을 쌓으면 최적의 분석 도구로 가설을 검정하고, 작업의 위험을 정량화할 수 있습니다. 이 장에서는 실험 설계의 기본 개념과 블로킹, 층화 등 다양한 설계 방식을 다지며 시작합니다. 이어서 실험 데이터의 정규성을 확인하기 위한 시각적·분석적 검정을 배우고 적용해 봅니다.
요인 설계, 무작위 블록 설계, 공변량 보정에 초점을 맞춰 고급 실험 설계 기법을 파고듭니다. 이러한 방법론은 실험 결과의 정확성, 효율성, 해석 가능성을 높이는 데 핵심적입니다. 이론적 통찰과 실습을 결합해 다양한 연구 분야에서 복잡한 실험을 설계, 구현, 분석하는 데 필요한 역량을 갖추게 됩니다.
t-검정, ANOVA, 카이제곱 검정 등 통계 검정을 숙달하고, 사후 분석과 검정력 분석의 핵심을 깊이 있게 학습하세요. 상황에 맞는 적절한 검정을 선택하고, p-value와 오류를 해석하며, Python의 강력한 라이브러리를 활용해 표본 크기와 효과 크기를 결정하기 위한 검정력 분석을 능숙하게 수행하는 방법을 배웁니다.
현재 연습
실험 데이터 분석의 복잡성에 뛰어들어 봅니다. pandas로 인사이트를 종합하고, scipy.stats로 이분산성과 같은 데이터 이슈를 처리하며, Mann-Whitney U 같은 비모수 검정을 적용합니다. 복잡한 데이터를 변환, 시각화, 해석하는 추가 기법을 익혀 다양한 실험 환경에서 견고한 분석을 수행하는 능력을 강화하세요.
