Yimhyehwa

이원분산분석 - 주 요인의 상호작용이 미치는 효과에 대한 검정

2026-04-08T01:24:38Z

1. Learning Focus 이번 시간은 이원분산분석(Two-way ANOVA)에 대해 살펴보겠습니다. 이원분산분석은 두 개의 독립 변수(요인)가 하나의 종속 변수(결과)에 미치는 영향을 동시에 확인하는 검정 방법입니다. 이러한 이원분산분석은 세 가지의 효과를 검정합니다. 주효과 1(Main Effect A), 주효과 2(Main Effect B),

반복측정 ANOVA - 동일한 관측 대상에 대한 측정 시점의 변화 검정

2026-04-05T08:36:12Z

1. Learning Focus 우리는 현재 평균 차이의 통계적 유의성을 검정하는 과정을 학습 중입니다. 먼저 단일표본 t-검정을 통해 하나의 평균이 기준 값과 통계적으로 유의한 차이를 보이는지 검정했습니다. 다음으로 독립표본 t-검정을 통해 서로 다른 두 집단의 평균 차이를 통계적으로 검정했습니다. 이어 대응표본 t-검정에서는 같은 대상을 두 번 측정했

Welch's ANOVA - 이분산성에 따른 대안적 분산분석

2026-04-01T05:18:56Z

Welch's ANOVA는 보통의 분산분석(ANOVA)에서 비교하려는 그룹들의 분산이 제각각인 '이분산성' 상태일 때, 일반적인 ANOVA 대신에 활용하는 검정 방법입니다. Welch's ANOVA는 데이터가 많이 퍼져 있는 그룹의 영향력을 체계적으로 조절하여, 통계 검정의 결론이 왜곡되지 않도록 보정하는 역할을 합니다. Welch's ANOVA를 통해 집

확률분포의 연결된 세계관 - 정규분포 l 카이제곱분포 l t-분포 l F-분포

2026-03-28T10:13:16Z

1. Learning Focus 세상에는 수많은 데이터 분포(확률변수에 대한 분포, '확률분포')가 있습니다. 저는 기초통계와 관련한 학습 과정을 연재하면서 정규분포, t-분포, F-분포를 활용하여 데이터 분포에 관한 이해를 더하고 가설검정 등을 통해 통계적인 유의성을 살펴보는 데 사용했습니다. 저와 달리 어떤 사람은 확률분포를 통계 관련 시험을 위해 공

일원분산분석 - 세 개 이상 집단의 차이를 검증하는 방법에 대해

2026-03-27T11:50:59Z

[ 이번 단원의 핵심 요약 ] 일원분산분석(One-way ANOVA)은 독립된 세 집단 이상의 평균 차이를 비교하는 방법입니다. 세 집단 이상에서 t-검정을 반복하게 되면 제1종 오류가 누적되므로, 전체 평균의 차이(변동성)를 한 번에 검정하는 ANOVA가 필요합니다. ANOVA는 전체 변동을 [집단 간의 변동]을 [집단 내의 변동]으로 나눈 뒤, 그 비율

변수에 대하여 - 변수의 유형과 관계에 따른 정리

2026-03-26T01:27:55Z

1. Learning Focus 우리는 통계학의 핵심적인 기초 개념들을 차례로 살펴보고 있습니다. 이러한 학습 과정은 근본적으로 개별 데이터와 데이터가 모여 있는 분포의 의미를 이해하는 것이었습니다. 실제 가설검정을 통한 분석 단계에서는 평균의 차이가 단순히 표본의 변동성에 따른 우연의 결과인지, 아니면 실제로 유의한 효과가 있는 차이인 것인지를 검정하는

대응표본 t-검정 - 동일 집단에 대한 전/후 차이의 효과 검정

2026-03-24T03:10:13Z

1. Learning Focus 우리는 현재 표본을 이용하여 평균의 차이가 함의하고 있는 통계적 유의성을 검정하는 일련의 t-test를 살펴보고 있습니다. 단일표본 t-검정을 통해 하나의 표본 평균이 특정한 기준 값과 다른지를 알아보았고, 독립표본 t-검정을 통해 서로 다른 두 집단의 평균의 차이가 통계적으로 유의하게 다른지를 학습했습니다. 그 과정에서

독립표본 t-검정 - 서로 다른 두 집단의 차이는 우연인가, 유의한 차이인가

2026-03-22T09:30:20Z

1. Learning Focus 우리는 모집단과 표본을 구분하는 것을 시작으로 데이터의 중심과 산포를 살펴봤습니다. 이어서 표본 분산 계산 시에 분모를 n-1로 나누는 원리를 통해 모수 추정의 불편을 제거하기 위한 통계학의 지혜를 엿보았고, 데이터 분포를 이해하고 해석하는 개념인 PDF(확률밀도함수), CDF(누적분포함수), 정규분포, 표준정규분포, z-

검정력(1-β) - 실제로 효과 있음을 발견할 확률에 대해

2026-03-25T15:07:43Z

1. Learning Focus 지난 시간에 단일표본 t-검정(One sample t-test)에 대해서 알아보았습니다. 우리가 계산한 t-통계량은 유의수준 5%, 양측검정 방식에 따라 시행한 결과 Target과 실제 측정 값(평균) 간의 차이가 통계적으로 유의하다는 것을 발견했습니다. 단지 통계적인 유의성을 발견한 것에 그치지 않고, 차이(효과)의 크기

단일표본 t-검정 - 목표 값과 측정 값의 차이는 우연인가, 유의한 차이인가

2026-03-19T01:27:36Z

1. Learning Focus 지금까지 표본 평균의 분포(중심극한정리), 평균의 표준오차(SEM), 신뢰구간(CI), 그리고 가설검정을 위한 개념과 단계별 절차를 살펴봤습니다. 특히 가설검정 단원을 학습하면서 모수에 대한 정보가 없고, 표본이 부족한 경우에 널리 활용되고 있는 t-분포를 통해 귀무가설의 기각 여부를 판단하는 새로운 개념도 짚어보았습니다.

가설검정(Hypothesis Testing) - 관찰된 차이는 우연인가, 유의한 결과인가

2026-03-16T06:39:31Z

1. Learning Focus 지금까지 우리는 표본을 이용하여 모집단의 평균이 어느 범위에 존재할 것인지 추정하는 방법을 학습했습니다. 그러나 실제 분석에서는 단순한 추정을 넘어 "수집한 데이터에서 발견한 관측 값의 차이가 표본의 우연한 변동에 기인하는 것인지, 아니면 실제로 존재한다고 봐야 할 정도로 유의한 차이(효과)인 것인지" 판단하는 과정으로 나

신뢰구간(CI) - 모집단 평균(μ)을 신뢰수준과 함께 제시하는 개념

2026-03-12T11:28:20Z

1. Learning Focus 정규분포는 평균 μ, 표준편차 σ의 좌우 대칭 분포입니다. 이를 표준정규분포로 변환할 때는 z-score를 통해 표준화 과정을 거칩니다. 표준화 과정을 거쳐 변환된 z값은 평균이 0이고, 표준편차가 1인 정규분포의 모양을 갖게 됩니다. 중심극한정리에 따르면, 표본의 크기가 충분히 크다면 표본의 평균은 모집단의 평균 μ, σ

평균의 표준오차(SEM) - 표본 평균의 변동을 정량적으로 측정할 수 있는 개념

2026-03-10T05:11:15Z

1. Learning Foucs 지난 시간에 학습한 중심극한정리에 따르면 표본의 크기 n이 충분히 크다면, 표본 평균의 분포는 다음과 같이 정규분포의 형태를 갖게 됩니다. 우리는 중심극한정리를 통해 표본의 평균이 정규분포를 따른다는 사실을 알게 되었습니다. 하지만 그 평균이 수치적으로 얼마의 변동성(흔들림)을 갖게 되는지 정량적으로 판단하긴 어렵습니다

중심극한정리 - 표본 평균의 분포는 정규분포라는 질서를 이룬다

2026-03-07T00:20:29Z

1. Learning Focus 안녕하세요? 오늘은 어떤 날을 보내셨을지 모르겠습니다. 이번 단원을 시작하기에 앞서 학습의 여정을 잠시 돌아보겠습니다. 우리는 데이터가 어디에 모여 있는지(중심 경향), 얼마나 흩어져 있는지(산포)를 배웠고, 데이터의 변동과 관련하여 표본의 분산을 계산할 때 왜 n이 아닌 n-1로 나누어야 하는지 그 미묘한 차이를 짚어봤습

표준정규분포 - 심화편: z-score의 이해

2026-03-04T10:24:01Z

1. Learning Focus 지난 단원에서 우리는 데이터 분포를 해석하는 기초를 다졌습니다. 평균과 표준편차를 통해 개별 데이터 포인트의 구체적인 위치를 파악했다면, 확률밀도함수(PDF)와 누적분포함수(CDF)를 통해서는 Data Set의 전체적인 흐름을 읽는 법을 배웠습니다. PDF가 데이터의 밀집도를 보여주는 '지도'라면, CDF는 특정 구간에 데

데이터의 분포와 해석 - PDF, CDF, 정규분포와 표준정규분포

2026-02-28T11:52:00Z

1. Learning Focus 지금까지 우리는 데이터를 이해하는 가장 기초적인 도구들을 차근차근 쌓아왔습니다. 모집단과 표본의 차이를 구분했고, 평균과 중앙값과 같은 데이터의 중심 경향을 측정하는 방법을 통해 "Data Set의 중심(가운데)"를 읽는 법을 배웠습니다. 또한 분산과 표준편차를 통해 데이터가 얼마나 흩어져 있는지를 구체적으로 파악하는 방법

표본 분산, n-1로 나누는 이유 - 불편추정량(Unbiased estimator)에 대한 이해

2026-02-25T00:06:00Z

1. Learning Focus 우리는 앞선 시간에서 데이터의 산포를 구체적인 수치로 파악할 수 있는 개념인 표준편차와 분산에 대해 살펴보았습니다. 분산(s의 제곱)은 표본의 개별 관측 값과 평균과의 차이인 편차를 제곱하여 모두 더한 후, 이를 표본의 크기인 n이 아닌 n-1로 나눈 값입니다. 그리고 표준편차(SD or s)는 분산의 제곱근입니다. 여기서

데이터의 산포(2) - 표준편차와 분산

2026-02-21T13:58:02Z

1. Learning Focus 데이터의 산포(1) 편에서는 데이터의 양 끝값의 거리를 나타내는 범위(Range)와 사분위 범위(IQR) 등을 통해 Data Set에 대한 전체적인 '구역'을 나누는 법을 배웠습니다. 하지만 범위와 IQR과 같은 개념만으로는 데이터 하나하나가 평균에서 얼마나 떨어져 있는지 그 세밀한 움직임을 설명하기에는 조금 부족할 것입니

데이터의 산포(1) - 범위(Range) & 사분위 범위(IQR)

2026-02-18T11:56:59Z

1. Learning Focus 우리는 앞서 데이터의 중심 경향을 나타내는 몇 가지 측정 방법과 개념을 살펴봤습니다. 이번에는 데이터가 퍼져 있는 정도(산포)를 설명하는 데 사용되는 범위(Range), 사분위 범위(Interquartile range, IQR), 표준편차와 분산(Standard deviation and Variance)에 대해서 알아보겠습

데이터의 중심 경향 - 평균(Mean), 중앙값(Median), 최빈값(Mode)

2026-03-09T15:36:36Z

1. Learning Focus 첫 시간은 우리가 관측하여 얻은 표본의 중심 경향을 설명하는 데 사용할 수 있는 다양한 측정 방법에 대해서 살펴보겠습니다. 표본의 중심 경향을 나타내는 통계 개념으로는 평균(Mean), 중앙값(Median), 최빈값(Mode)이 있습니다. 2. 평균(Mean) 먼저 우리가 익히 알고 있는 평균에 대해 살펴보겠습니다. 평