LITTLE BY LITTLE

목차5.1 관리자 교육의 효과 5.2 회귀분석과 보정 5.3 성향점수 5.3.1 성향점수 추정 5.3.2 성향점수의 직교화 5.3.3 성향점수 매칭 5.3.4 역확률 가중치 5.3.5 역확률 가중치의 분산 5.3.6 안정된 성향점수 가중치 5.3.7 유사 모집단 5.3.8 선택편향 5.3.9 편향-분산 트레이드오프 5.3.10 성향점수의 양수성 가정 5.4 디자인 vs 모델 기반 식별 5.5 이중 강건 추정 5.5.1 처치 모델링이 쉬운 경우 5.5.2 결과 모델링이 쉬운 경우 5.6 연속형 처치에서의 일반화 성향 점수 5.7 요약5장. 성향점수 4장에서는 선형회귀분석을 사용하여 교란 요인을 보정하는 방법과, 직교화를 활용한 편향 제거라는 개념을 소개했다. 5장에서는 또다른 편향 제거 방법 중 하나인 성..

목차4.1 선형회귀의 필요성4.1.1 모델이 필요한 이유4.1.2 A/B테스트와 회귀분석4.1.3 회귀분석을 통한 보정4.2 회귀분석 이론4.2.1 단순선형회귀4.2.2 다중선형회귀4.3 프리슈-워-로벨 정리와 직교화4.3.1 편향 제거 단계4.3.2 잡음 제거 단계4.3.3 회귀 추정량의 표준오차4.3.4 최종 결과 모델4.3.5 FWL 정리 요약4.4 결과 모델로서의 회귀분석4.5 양수성과 외삽4.6 선형회귀에서의 비선형성4.6.1 처치 선형화4.6.2 비선형 FWL과 편향 제거4.7 더미변수를 활용한 회귀분석4.7.1 조건부 무작위 실험4.7.2 더미 변수4.7.3 포화회귀모델4.7.4 분산의 가중평균과 회귀분석4.7.5 평균 제거와 고정효과4.8 누락 변수 편향4.9 중립 통제변수4.9.1 잡음 ..

목차4.1 선형회귀의 필요성4.1.1 모델이 필요한 이유4.1.2 A/B테스트와 회귀분석4.1.3 회귀분석을 통한 보정4.2 회귀분석 이론4.2.1 단순선형회귀4.2.2 다중선형회귀4.3 프리슈-워-로벨 정리와 직교화4.3.1 편향 제거 단계4.3.2 잡음 제거 단계4.3.3 회귀 추정량의 표준오차4.3.4 최종 결과 모델4.3.5 FWL 정리 요약4.4 결과 모델로서의 회귀분석4.5 양수성과 외삽4.6 선형회귀에서의 비선형성4.6.1 처치 선형화4.6.2 비선형 FWL과 편향 제거4.7 더미변수를 활용한 회귀분석4.7.1 조건부 무작위 실험4.7.2 더미 변수4.7.3 포화회귀모델4.7.4 분산의 가중평균과 회귀분석4.7.5 평균 제거와 고정효과4.8 누락 변수 편향4.9 중립 통제변수4.9.1 잡음 ..

목차3.1 인과관계에 대해 생각해보기 3.1.1 인과관계 시각화 3.1.2 컨설턴트 영입 여부 결정하기 3.2 그래프 모델 집중 훈련 3.2.1 사슬 구조 3.2.2 분기 구조 3.2.3 충돌부 구조 3.2.4 연관성 흐름 치트 시트 3.2.5 파이썬에서 그래프 쿼리하기 3.3 식별 재해석 3.4 조건부 독립성 가정과 보정 공식 3.5 양수성 가정 3.6 구체적인 식별 예제 3.7 교란 편향 3.7.1 대리 교란 요인 3.7.2 랜덤화 재해석 3.8 선택 편향 3.8.1 충돌부 조건부 설정 3.8.2 선택편향 보정 3.8.3 매개자 조건부 설정 3.9 요약3.3 식별 재해석인과 그래프에 대한 이해를 통해서 '편향'의 본질을 더 정확하게 파악할 수 있다.더 중요한 것은, 편향을 없애려면 무엇을 해야 하는지..

목차3.1 인과관계에 대해 생각해보기 3.1.1 인과관계 시각화 3.1.2 컨설턴트 영입 여부 결정하기 3.2 그래프 모델 집중 훈련 3.2.1 사슬 구조 3.2.2 분기 구조 3.2.3 충돌부 구조 3.2.4 연관성 흐름 치트 시트 3.2.5 파이썬에서 그래프 쿼리하기 3.3 식별 재해석 3.4 조건부 독립성 가정과 보정 공식 3.5 양수성 가정 3.6 구체적인 식별 예제 3.7 교란 편향 3.7.1 대리 교란 요인 3.7.2 랜덤화 재해석 3.8 선택 편향 3.8.1 충돌부 조건부 설정 3.8.2 선택편향 보정 3.8.3 매개자 조건부 설정 3.9 요약3장에서는, 인과추론의 두 단계인 '식별'과 '추정' 중 더 어려운 식별 부분을 더 자세히 다룬다. 데이터로 매개변수를 추정하기 전 그래프 모델에 대한..

목차2.1 무작위 배정으로 독립성 확보하기2.2 A/B 테스트 사례2.3 이상적인 실험2.4 가장 위험한 수식2.5 추정값의 표준오차2.6 신뢰구간2.7 가설검정2.7.1 귀무가설2.7.2 검정통계량2.8 P값2.9 검정력2.10 표본 크기 계산2.11 요약2.1 무작위 배정으로 독립성 확보하기: 독립성 가정을 만족하면 실험군과 대조군의 평균을 비교하여 간단히 ATE를 식별할 수 있다.(1장) 실험군과 대조군에서 처치 이외에 나머지 조건이 동일하다면(=편향이 없다면) 연관관계는 인과관계가 된다. (=적어도 실험군과 대조군의 잠재적 결과에 대한 기댓값이 같다)(1장) 잠재적 결과가 처치와 독립인 경우 연관관계와 인과관계가 동일해진다. 라는 말이, 처치와 결과 사이의 독립성을 이야기하는 것이 아니라는 점이 ..

목차1.1 인과추론의 개념1.2 인과추론의 목적1.3 머신러닝과 인과추론1.4 연관관계와 인과관계1.4.1 처치와 결과1.4.2 인과추론의 근본적인 문제1.4.3 인과모델1.4.4 개입1.4.5 개별 처치효과1.4.6 잠재적 결과1.4.7 일치성 및 SUTVA1.4.8 인과 추정량1.4.9 인과 추정량 예시1.5 편향1.5.1 편향의 수식적 이해1.5.2 편향의 시각적 가이드1.6 인과효과 식별하기1.6.1 독립성 가정1.6.2 랜덤화와 식별1.7 요약1장. 인과추론 소개 1.1 인과추론의 개념 비즈니스에서 연관관계를 인과관계로 착각하면 심각한 결과를 초래할 수 있다.ex. 주가가 급등하기 전 매수했거나 폭락하기 전 매도하는 등 자기 직관이 불규칙한 주가의 움직임과 인과적으로 연결되어 있다고 생각하고 속..

목차 3. 데이터 가공을 위한 SQL 3-1. 하나의 값 조작하기 (5강) 3-2. 여러 개의 값에 대한 조작 (6강) 3-3. 하나의 테이블에 대한 조작 (7강) 3-4. 여러 개의 테이블 조작하기 (8강) 4. 매출을 파악하기 위한 데이터 추출 4-1. 시계열 기반으로 데이터 집계하기 (9강) 4-2. 다면적인 축을 사용해 데이터 집약하기 (10강) 5. 사용자를 파악하기 위한 데이터 추출 5-1. 사용자 전체의 특징과 경향 찾기 (11강) 5-2. 시계열에 따른 사용자 전체의 상태 변화 찾기 (12강) 5-3. 시계열에 따른 사용자의 개별적인 행동 분석하기 (13강) 6. 웹사이트에서 행동을 파악하는 데이터 추출하기 6-1. 사이트 전체의 특징/경향 찾기 6-2. 사이트 내의 사용자 행동 파악하기 ..