방금 1920년 규칙 변경이 노히트 경기 비율에 영향을 주었는지 가설 검정을 잘 수행하셨어요. 하지만 데이터로 가장 먼저 무엇을 했어야 할까요?
이 연습은 강의의 일부입니다
이론을 실습으로 바꾸는 인터랙티브 연습 중 하나를 만나보세요
통계적 추론을 할 때 우리는 확률의 언어로 말합니다. 데이터를 설명하는 확률분포에는 모수가 있습니다. 따라서 통계적 추론의 주요 목표는 이 모수의 값을 추정하는 것으로, 이를 통해 데이터를 간결하고 명확하게 설명하고 그로부터 결론을 도출할 수 있습니다. 이 장에서는 데이터에 가장 잘 맞는, 즉 데이터를 가장 잘 설명하는 최적의 모수를 찾는 방법을 배웁니다.
"pull yourself up by your bootstraps"는 아무런 도움 없이 스스로 어려운 일을 해낸다는 고전적인 관용구입니다. 통계적 추론에서는 데이터 수집을 무한히 반복할 수 있다면 어떤 일이 벌어질지 알고 싶어 합니다. 이 과제는 불가능하지만, 실제로 가진 데이터만으로도 무한히 많은 실험과 거의 같은 결과에 근접할 수 있을까요? 답은 예스입니다! 이를 가능하게 하는 기법이 바로 이름 그대로 부트스트래핑입니다. 이 장에서는 이 대단히 강력한 도구를 소개합니다.
이제 모델이 주어졌을 때 모수를 정의하고 추정하는 방법을 알게 되셨습니다. 그런데 모델이 참일 때 현재의 데이터를 관측하는 것이 얼마나 그럴듯한지라는 질문이 남습니다. 이 질문에 답하는 도구가 바로 가설 검정입니다. 가설 검정은 추론을 완성하는 마지막 단계와도 같습니다. 이 장을 마치면 해커 통계를 활용해 가설을 신중하게 구성하고 검정할 수 있게 됩니다.
이전 장에서 보셨듯이 가설 검정은 다소 까다로울 수 있습니다. 귀무가설을 정의하고, 이를 어떻게 시뮬레이션할지 정하며, p-값을 계산하기 위해 "더 극단적"임의 의미를 명확히 해야 합니다. 모든 기술이 그렇듯 연습이 완성을 만듭니다. 이 장에서는 가설 검정을 충분히 연습할 기회를 제공합니다.
현재 연습
지난 40여 년 동안 Peter와 Rosemary Grant는 매년 갈라파고스 제도의 Daphne Major 섬을 찾아 다윈 핀치에 대한 데이터를 수집해 왔습니다. 이번 장에서는 통계적 추론 역량을 활용해 그들의 데이터를 분석하며, 데이터를 통해 진화가 실제로 일어나는 장면을 직접 확인하게 됩니다. 강의를 마무리하기에 더없이 흥미진진한 여정이 될 거예요!
