통계학 입문 1주차 - 인과관계, 상관관계, 설문조사는 왜 불완전할 수 있는가?

질문1. 통계학이란 무엇이고 왜 중요하다고 생각하는가? *

 

통계학이란 현실에 존재하는 정보를 정량적으로 나타내기 위한 도구이다. 

통계는 정보를 객관성을 보장해주기 때문에 통계기반 시각자료를 이용하면 상대를 설득하는데 도움이 된다.

 

질문2. 모집단 (Population)과 샘플 (Sample)의 차이는? 우리는 왜 샘플링을 하는가? *

 

모집단이 전체집합이라면 샘플은 부분집합니다.

어떤 study에서 증명?대변? 하고자하는 대상은 모집단이고, 거기서 대표성 representative있게 뽑아낸 작은 부분집합을 샘플이라고 부른다.

 

질문3. 정량 변수 (quantitative)와 정성 변수 (qualitative)의 차이와 각각의 특징은 무엇인가? *

 

정량변수는 numerical 변수라고도 부르는데, 산술연산이 가능한 숫자로 이루어져있다. 이에 반해 categorical 변수라고도 부르는 정성 변수는, 숫자로 식별할 수도 있지만 산술연산이 불가능하다.

 

질문4. 인과관계와 상관관계의 차이는? 예시를 들어 설명하시오.

 

인과관계는 A 때문에 B가 일어났다는 것이고, 상관관계는 A와 B가 관계있다는 뜻이다. A때문에 B가 일어났을 수도 있고 그 반대일 수도 있다. 또는 C에 의해 A와 B가 일어났을 수도 있는 등 인과관계와는 다르다. 인과관계보다는 상관관계가 상위개념인 것 같다.

예를들어, 아침에 시리얼을 먹으면 살이 빠진다는 것을 증명하기위해 한달에 한번 subject들의 몸무게를 재고 매일 아침에 시리얼을 먹었는가 아닌가에 대해 1년간 관측연구를 했다.
만약 아침에 시리얼을 먹었다고 답한 사람들의 몸무게가, 그 반대에 비해 평균적으로 낮았다면 이는 아침 시리얼과 몸무게의 상관관계를 말하는 것이지 인과관계를 말하는 것이 아니다.
시리얼을 먹는 사람은 살이 빠진다는 인과관계가 있을 수도 있지만,
1. 인과관계가 반대인 경우: 마른 사람이 시리얼을 좋아하는 것일 수도 있고
2. 체중감소의 원인이 다른 통제 변수에 있을 수 있다: 알고보니 시리얼을 먹는 사람은 아침마다 운동을 하는 경우가 많고, 운동을 하는 사람이 살이 빠진다와 같은 경우 일 수도 있다.

 

질문5. 설문조사는 왜 불완전할 수 있는가? *

subject에 포함되는 case에 해당하는 사람들이 항상 고정되어 있는 것이 아니기 떄문에, 완벽한 전수조사는 불가능하다. 때문에 모집단에 대해 대표성을 가진 샘플을 잘 샘플링 해야하는데 이것이 쉽지 않기 때문에 설문조사는 불완전 할 수 있다.

 

대표성을 가진 샘플을 얻기가 어려운 이유는 다음과 같다.

예를들어 최근 독일 신문에서 호른바흐의 광고가 인종 차별을 광고라는 것에 대해 찬성하거나 반대하는 정도에 대해 설문을 받았다.

 

인종차별 이슈에 대해 이야기하기를 피하고 싶은 경우 응답을 기피할 수 있다(Non-Respond). 하지만 이 독일 신문사의 호른바르 설문의 경우에는 Non-Respond보다는 Voluntary response bias에 가깝다. Non-Respond는 랜덤한 샘플들에게 조사되었지만, 이에 응답한 사람들이 샘플의 대표성을 가지지 못한 경우이다. 하지만 이 경우에는 설문의 존재를 안 사람들이 굳이 그 뉴스 웹사이트에 접속해서 답해야하는 설문이었다. 따라서 호른바흐가 인종차별적 광고를 했다 또는 아니다에 대해 강한 의견을 가지고 있고, 꼭 응답을 해야겠다고 선택한 사람들만 응답한 것이기 때문에 과학적인 설문이라고 볼 수 없다. 이는 애초에 랜덤한 샘플에게 설문되지 않은 Voluntary response bias에 해당한다.

애초에 모집단이 분명하지 않은 설문이지만 만약 이 설문의 모집단이 세계의 모든 사람들이었다면 이는 Convenience sample에도 해당되는 것 같다. 왜냐면 영어가 아니라 독어로 진행된 설문이었기 때문이다. (하지만 어느나라 사람이든 접속해서 응답할 수 있었다.)

 

질문6. 데이터 시각화는 왜 필요하고 중요한가? *

1. 많은 양의 데이터를 한눈에 볼 수 있게 해준다.

2. 데이터 분석에 대한 전문지식이 없는 사람도 누구나 쉽게 인사이트를 찾을 수 있게 해준다.

3. 데이터 분석에 도움이 된다.

4. 효과적인 (데이터에서 비롯한) 인사이트 공유로 데이터 기반의 의사결정을 돕는다.

 

질문7. 평균 (mean), 중간값 (median), 최빈값 (mode), 분산 (variance)의 개념에 대해 설명하시오. *

 

평균: 보통 말하는 산술평균을 말한다. 예를들어 1, 3, 5의 평균은 (1+3+5)/3 = 3 이다

중간값: 데이터를 정렬했을때 중간에 있는 값을 말한다. 예를 들어 1, 3, 5 의 중간값은 3이다.  막약 데이터의 갯수가 짝수라면 , 1 , 2, 3, 5 라면 중간의 두 값의 평균이 중간값이다. (2+3)/2 = 2.5

최빈값: 발생 빈도가 가장 높은 값을 말한다. 예를들어, 1, 2, 2, 3, 5, 5, 5에서 최빈값은 5이다.

분산은 데이터의 분포를 말한다.

 

질문8. 통계적 사고는 무엇이라고 생각하는가? 예시를 들어 설명하시오. *

통계적 사고란 범람하는 지식 정보를 잘 분석하고 효율적으로 사용할 수 있는 사고력을 말한다. 

예를 들어 모빌리티 업계의 데이터 분석가는 인구 밀집도, 지역이 상점가인지 주택가인지, 그 지역에 밀집된 인구의 나이대 등등을 통해 어느 지역에 더 배차하는게 좋을지 등을 알아 낼 수 있다.