EDA의 중요성: Anscombe의 사중집

Create Your Free Account

or

By continuing, you accept our Terms of Use, our Privacy Policy and that your data is stored in the USA.

이 연습은 강의의 일부입니다

Python으로 하는 통계적 사고 (2부)

SkillTag.level.intermediateSkillTag.label

4.8+

무료로 강의 시작하기

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.

Exercise 1: 최적 매개변수 Exercise 2: 노히터는 얼마나 자주 일어날까요?Exercise 3: 데이터가 우리의 가설을 따르나요?Exercise 4: 이 모수는 왜 최적인가요?Exercise 5: 최소제곱법을 이용한 선형 회귀 Exercise 6: 문해율/출산율 데이터 EDA Exercise 7: 선형 회귀 Exercise 8: 어떻게 최적인가요?Exercise 9: EDA의 중요성: Anscombe의 사중집

현재 연습

Exercise 10: EDA의 중요성 Exercise 11: 적절한 Anscombe 데이터에 대한 선형 회귀 Exercise 12: 모든 Anscombe 데이터에 대한 선형 회귀

"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.

Exercise 1: 부트스트랩 복제본 생성하기 Exercise 2: 용어 확실히 다지기 Exercise 3: 직접 해보는 부트스트래핑 Exercise 4: 부트스트랩 샘플 시각화 Exercise 5: 부트스트랩 신뢰 구간 Exercise 6: 다수의 부트스트랩 복제값 생성하기 Exercise 7: 평균과 SEM의 부트스트랩 복제 Exercise 8: 강수량 데이터의 신뢰구간 Exercise 9: 다른 통계량의 부트스트랩 복제본 Exercise 10: 노히터 발생률의 신뢰구간 Exercise 11: 페어 부트스트랩 Exercise 12: 페어 부트스트랩 함수 만들기 Exercise 13: 문해율/출산율 데이터의 페어 부트스트랩 Exercise 14: 부트스트랩 회귀선 그리기

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.

Exercise 1: 가설 설정과 시뮬레이션 Exercise 2: 치환 표본 생성하기 Exercise 3: 순열 표본 시각화 Exercise 4: 검정 통계량과 p-값 Exercise 5: 검정 통계량 Exercise 6: p-value란 무엇인가요?Exercise 7: 순열 복제 생성하기 Exercise 8: 뛰기 전에 살펴보기: 가설 검정 전 EDA Exercise 9: 개구리 데이터에 대한 순열 검정 Exercise 10: 부트스트랩 가설 검정 Exercise 11: 단일 표본 부트스트랩 가설 검정 Exercise 12: 두 표본 부트스트랩 가설 검정: 평균 차이

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.

Exercise 1: A/B 테스트 Exercise 2: 1964년 민권법 표결 Exercise 3: 무엇이 동등할까요?Exercise 4: 웹사이트 체류 시간에 대한 유사 사례 Exercise 5: 가장 먼저 무엇을 했어야 할까요?Exercise 6: 상관관계 검정 Exercise 7: 상관관계에 대한 귀무가설 시뮬레이션 Exercise 8: 피어슨 상관에 대한 가설 검정 Exercise 9: 네오니코티노이드 살충제에 의도치 않은 결과가 있을까요?Exercise 10: 벌 수컷 정자 수에 대한 부트스트랩 가설 검정

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!

Exercise 1: 핀치 부리와 통계의 필요성 Exercise 2: 다윈핀치 부리 깊이 EDA Exercise 3: 부리 깊이의 ECDF Exercise 4: 부리 깊이의 모수 추정 Exercise 5: 가설 검정: 2012년에 부리가 더 깊어졌나요?Exercise 6: 부리 모양의 변이 Exercise 7: 부리 길이와 깊이의 EDA Exercise 8: 선형 회귀 Exercise 9: 선형 회귀 결과 표시하기 Exercise 10: 부리 길이 대비 깊이 비율 Exercise 11: 비율 차이가 얼마나 날까요?Exercise 12: 유전율 계산 Exercise 13: 유전 가능성의 EDA Exercise 14: 자손과 부모 데이터의 상관관계 Exercise 15: 자손과 부모 데이터의 피어슨 상관 Exercise 16: 유전 가능성 측정 Exercise 17: G. scandens에서 부리 깊이는 전혀 유전되나요?Exercise 18: 마무리 생각