[R] - 가설 검정과 확률 분포

가설검정 가설과 가설 검정 모집단에 대한 새로운 주장을 대립가설 ( alternative hypothesis )이라고 하고 기존의 주장을 귀무가설(null hypothesis)이라고 합니다. 통계적 검정 ( statistical test ) 또는 가설검정 ( hypothesis test )이란 표본 데이터를 기반으로 모집단에 대한 새로운 주장의 옳고 그름을 추론하는 과정을 말합니다. 가설검정 절차 가설검정은 기본적으로 귀무가설이 사실이라는 가정 하에서 수행됩니다. 표본으로부터 검정하고자 하는 검정통계량( test statistic )을 계산합니다. 검정통계량과 그 확률분포로 부터 p-값( p-value )을 계산합니다. - 귀무가설이 사실이라는 가정하에서 관측한 통계량과 같거나 그보다 더 극단적인 값이 ..

• format_list_bulleted R programming & 통계
• · 2023. 7. 20.

[R] - 데이터의 표본(Sample)과 모집단(Population)의 정의 + 신뢰도 분석 , 크론바흐 알파계수(Cronbach's coefficient) 내적 일관성

통계 데이터 분석 다시 시작 !! R을 사용해서 통계에 집중한 데이터 분석 연습을 다시 해볼까 합니다 :) 표본(Sample) 및 모집단(Population) 표본 ( Sample ) 데이터 수집에 포함된 참여자의 집단을 의미한다. 모집단으로부터 추출된 관측값이나 측정값의 집합. 표본 데이터의 특성을 그대로 기술하는 기술 통계 ( descriptive statistics)의 대상 모집단 ( Population ) 우리가 궁극적으로 결론을 도출하고자하는 대상이 되는 집단입니다. 관심의 대상이 되는 모든 개체의 관측값이나 측정값의 집합. 표본 데이터의 특성으로부터 수학적 확률 이론을 토대로 그 데이터가 속해있을 것으로 예상되는 전체 모집단의 특성을 추론하는 추론 통계 ( inferential statisti..

• format_list_bulleted R programming & 통계
• · 2023. 7. 17.

[R] 차원 분석 - 주성분 분석 (PCA)

주성분 분석 개요 주성분 분석 ( Princial component analysis, PCA )은 서로 상관관계를 갖는 많은 변수를 상관관계가 없는 소수의 변수로 변환하는 차원 축소 기법입니다. 주의해야 할 점은 데이터 하나한에 대한 성분을 분석하는 것이 아닌 여러 데이터들이 모여 하나의 분포를 이룰 때, 이 분포의 주성분을 분석하는 것입니다. 주성분이란 그 방향으로 데이터들의 분산이 가장 큰 방향 벡터를 의미합니다. 변환에 사용되는 소수의 변수를 주성분(princial component) 또는 성분(component)이라고 합니다. 주성분 분석을 토대로 1. 회귀분석에서 설명 변수의 개수 결정 2. 인자분석의 전초작업 3. 군집분석의 전초작업으로 사용됩니다. 주성분 분석 모델 주성분 분석 모델에서 주성..

• format_list_bulleted R programming & 통계
• · 2022. 1. 25.

[R] 시계열 데이터 분석 - Time Series Analysis, part 2

지수예측모델 지수예측모델(exponential forecasting model)은 단순하면서도 비교적 우수한 단기예측 성능을 보입니다. 지수예측모델은 1. 단순지수평활법(simple exponential smoothing) : 수준 추정 2. 홀트지수평활법(Holt exponential smoothing) : 수준, 기울기 추정 3. 홀트-윈터스지수평활법(Holt-Winters exponential smoothing): 수준, 기울기, 계절 요인 추정 으로 구분할 수 있습니다. 모델을 선정할 때, 시계열의 핵심 성분 (추세, 계절성)과 이러한 성분이 평활법에 어떻게 들어갈지 감안해야 합니다. R 에서는 forcast::ets() 함수를 이용해 지수예측모델을 생성할 수 있는데요. 다음 그림을 보면 이해하기..

• format_list_bulleted R programming & 통계
• · 2022. 1. 20.

[R] 시계열 데이터 분석 - Time Series Analysis , part 1

시계열 분석 개요 - time series analysis 시계열분석(time series analysis)은 시간의 흐름에 따라 일정한 간격으로 사건을 관찰하여 기록한 데이터(=시계열 데이터)를 바탕으로 미래의 관측값을 예측(forecasting)하는 분석 기법입니다. 과거의 관측값을 분석하여 이를 모델링하고, 이 예측 모델을 바탕으로 미래의 관측값을 예측하는 것이지요. 시계열 데이터는 일반적으로 추세 성분(trend component), 계절 성분(seasonal component), 불규칙 성분(irregular component) 등으로 구성되며 이 성분들에 의해 변동된다고 가정합니다. 시계열 분석 절차 1. 시계열 데이터 생성 2. 탐색적 분석을 통해 데이터의 특성 이해 - 시각화(visuali..

• format_list_bulleted R programming & 통계
• · 2022. 1. 18.