๊ฐ€์ค‘(๋„์ˆ˜) ๊ณก์„  ํšŒ๊ท€๋ถ„์„ ๊ณ„์‚ฐ๊ธฐ

๊ฐ€์ค‘(๋„์ˆ˜) ๊ณก์„  ํšŒ๊ท€๋ถ„์„ ๊ณ„์‚ฐ๊ธฐ

์‹ ํฅ AI Skill PRO

๊ณ„์‚ฐ ์ž…๋ ฅ

๋„์ˆ˜๋Š” ์„ ํƒ ์ž…๋ ฅ์ž…๋‹ˆ๋‹ค(๊ธฐ๋ณธ๊ฐ’ 1). ๊ฐ’์€ ์‰ผํ‘œ๋‚˜ ๊ณต๋ฐฑ์œผ๋กœ ๊ตฌ๋ถ„ํ•˜์„ธ์š”.

๊ณต์‹

y=A+Bx์—ฌ๊ธฐ์„œ{B=NSxyโˆ’SxSyNSxxโˆ’Sx2A=Syโˆ’BSxN\begin{gathered} y = A + B\,x \\[1.5em] \text{์—ฌ๊ธฐ์„œ}\quad \left\{ \begin{aligned} B &= \frac{N\,S_{xy} - S_x S_y}{N\,S_{xx} - S_x^{2}} \\ A &= \frac{S_y - B\,S_x}{N} \end{aligned} \right. \end{gathered}
์‚ฌ์šฉ ํ†ต๊ณ„

๊ด‘๊ณ 

๊ฒฐ๊ณผ

์ ํ•ฉ๋œ ๊ณ„์ˆ˜ (Linear)
A = 1.3, B = 0.9
์ƒ๊ด€๊ด€๊ณ„ ๊ฐ•๋„: strong correlation
๊ณ„์ˆ˜ A 1.3
๊ณ„์ˆ˜ B 0.9
์ƒ๊ด€๊ณ„์ˆ˜ r 0.9
์ƒ๊ด€ ๊ฐ•๋„ ๊ฐ•ํ•œ ์ƒ๊ด€๊ด€๊ณ„

์ด ํŽ˜์ด์ง€์˜ ์˜ค๋ฅ˜ ์‹ ๊ณ 

๊ฐ€์ค‘ ๊ณก์„  ํšŒ๊ท€๋ถ„์„ ๊ณ„์‚ฐ๊ธฐ๋ž€?

์ด ๋„๊ตฌ๋Š” ๋„์ˆ˜(๋นˆ๋„)๋กœ ๊ฐ€์ค‘๋œ ๋ฐ์ดํ„ฐ์— ์›ํ•˜๋Š” ๊ณก์„  ๋ชจํ˜•์„ ์ ํ•ฉ์‹œํ‚ค๋Š” ๋ฒ”์šฉ ํ†ต๊ณ„ ๊ณ„์‚ฐ๊ธฐ์ž…๋‹ˆ๋‹ค. (x, y, ๋„์ˆ˜) ํ˜•ํƒœ์˜ ๋ฐ์ดํ„ฐ๋ฅผ ์ž…๋ ฅํ•˜๊ณ  ์„ ํ˜•, ๋กœ๊ทธ, e-์ง€์ˆ˜, ab-์ง€์ˆ˜, ๊ฑฐ๋“ญ์ œ๊ณฑ, ์—ญ์ˆ˜, ์ด์ฐจ ์ค‘์—์„œ ๋ชจํ˜•์„ ์„ ํƒํ•˜๋ฉด, ์ ํ•ฉ๋œ ๊ณ„์ˆ˜(์ด์ฐจ์˜ ๊ฒฝ์šฐ A, B, C), ์ƒ๊ด€๊ณ„์ˆ˜ \(r\), ๊ทธ๋ฆฌ๊ณ  ์ƒ๊ด€ ๊ฐ•๋„๋ฅผ ์ดํ•ดํ•˜๊ธฐ ์‰ฌ์šด ๋ง๋กœ ํ’€์–ด ์•Œ๋ ค์ค๋‹ˆ๋‹ค. ์ˆœ์ˆ˜ํ•œ ์ˆ˜ํ•™ ๊ณ„์‚ฐ์ด๋ฏ€๋กœ ๊ตญ๊ฐ€๋‚˜ ๋‹จ์œ„์— ์ƒ๊ด€์—†์ด ์–ด๋””์„œ๋‚˜ ๊ทธ๋Œ€๋กœ ์‚ฌ์šฉํ•  ์ˆ˜ ์žˆ์Šต๋‹ˆ๋‹ค.

๊ฐ€์ค‘๋œ ๋ฐ์ดํ„ฐ ์ ์˜ ์‚ฐ์ ๋„์™€ ์ ํ•ฉ ๊ณก์„ , ํฐ ์ ์ผ์ˆ˜๋ก ๋†’์€ ๋นˆ๋„ ๊ฐ€์ค‘์น˜๋ฅผ ๋‚˜ํƒ€๋ƒ„
๊ฐ ์ ์˜ ๋นˆ๋„ ๊ฐ€์ค‘์น˜(์  ํฌ๊ธฐ)๊ฐ€ ์ ํ•ฉ๋œ ํšŒ๊ท€ ๊ณก์„ ์— ์˜ํ–ฅ์„ ์ค๋‹ˆ๋‹ค.

์‚ฌ์šฉ ๋ฐฉ๋ฒ•

ํ•œ ํ–‰์— ์„ธ ๊ฐœ์˜ ์ˆซ์ž(x, y, ๋„์ˆ˜)๋ฅผ ์‰ผํ‘œ ๋˜๋Š” ๊ณต๋ฐฑ์œผ๋กœ ๊ตฌ๋ถ„ํ•ด ์ž…๋ ฅํ•˜์„ธ์š”. ๋„์ˆ˜(๊ฐ€์ค‘์น˜)๋Š” ํ•ด๋‹น (x, y) ์Œ์ด ๋ช‡ ๋ฒˆ ๋‚˜ํƒ€๋‚˜๋Š”์ง€๋ฅผ ์˜๋ฏธํ•˜๋ฉฐ, ๋น„์›Œ ๋‘๋ฉด ๊ธฐ๋ณธ๊ฐ’ 1(๊ฐ€์ค‘์น˜ ์—†์Œ)๋กœ ์ฒ˜๋ฆฌ๋ฉ๋‹ˆ๋‹ค. ๋ชจํ˜•์„ ์„ ํƒํ•œ ๋’ค ์ œ์ถœํ•˜๋ฉด ๋ฉ๋‹ˆ๋‹ค. ์„œ๋กœ ๋‹ค๋ฅธ ์ ์ด ์ตœ์†Œ 2๊ฐœ(์ด์ฐจ ๋ชจํ˜•์€ 3๊ฐœ) ํ•„์š”ํ•ฉ๋‹ˆ๋‹ค. ๋กœ๊ทธ ๋ชจํ˜•๊ณผ ๊ฑฐ๋“ญ์ œ๊ณฑ ๋ชจํ˜•์€ x > 0, ์ง€์ˆ˜ ๋ชจํ˜•๊ณผ ๊ฑฐ๋“ญ์ œ๊ณฑ ๋ชจํ˜•์€ y > 0, ์—ญ์ˆ˜ ๋ชจํ˜•์€ x โ‰  0 ์ด์–ด์•ผ ํ•ฉ๋‹ˆ๋‹ค.

๊ณต์‹ ์„ค๋ช…

๋Œ€๋ถ€๋ถ„์˜ ๋ชจํ˜•์€ ์„ ํ˜•ํ™”๋ฅผ ํ†ตํ•ด ์ ํ•ฉ์‹œํ‚ต๋‹ˆ๋‹ค. ์ฆ‰ x ๋˜๋Š” y๋ฅผ ๋ณ€ํ™˜ํ•ด (X, Y)๋กœ ๋งŒ๋“ค์–ด ๊ด€๊ณ„์‹์ด ์ง์„  \(Y = a + b\cdot X\) ๊ฐ€ ๋˜๋„๋ก ํ•œ ๋’ค, ๊ฐ€์ค‘์น˜ \(w_i = f_i\) ๋ฅผ ์ ์šฉํ•œ ๊ฐ€์ค‘ ์ตœ์†Œ์ œ๊ณฑ๋ฒ•์œผ๋กœ ์ ํ•ฉ์‹œํ‚ต๋‹ˆ๋‹ค. \(N = \sum w\) ๋ผ ํ•  ๋•Œ ๊ธฐ์šธ๊ธฐ๋Š” $$b = \frac{N\cdot S_{xy} - S_x\cdot S_y}{N\cdot S_{xx} - S_x^{2}},$$ ์ ˆํŽธ์€ $$a = \frac{S_y - b\cdot S_x}{N}$$ ์ด๋ฉฐ, ์—ฌ๊ธฐ์„œ ๊ฐ ํ•ฉ์€ ๋ชจ๋‘ ๊ฐ€์ค‘ํ•ฉ์ž…๋‹ˆ๋‹ค. ํ”ผ์–ด์Šจ ์ƒ๊ด€๊ณ„์ˆ˜ \(r\)์€ ๋ณ€ํ™˜๋œ ๊ณต๊ฐ„์—์„œ ๊ณ„์‚ฐ๋ฉ๋‹ˆ๋‹ค. e-์ง€์ˆ˜์™€ ab-์ง€์ˆ˜ ๋ชจํ˜•์€ \(\ln(y)\)๋ฅผ x์— ๋Œ€ํ•ด, ๊ฑฐ๋“ญ์ œ๊ณฑ ๋ชจํ˜•์€ \(\ln(y)\)๋ฅผ \(\ln(x)\)์— ๋Œ€ํ•ด, ์—ญ์ˆ˜ ๋ชจํ˜•์€ y๋ฅผ \(1/x\)์— ๋Œ€ํ•ด ์ ํ•ฉ์‹œํ‚ต๋‹ˆ๋‹ค. ์ด์ฐจ ๋ชจํ˜•์€ 3ร—3 ๊ฐ€์ค‘ ์ •๊ทœ๋ฐฉ์ •์‹์„ ์ง์ ‘ ํ’€๊ณ  ๋‹ค์ค‘์ƒ๊ด€๊ณ„์ˆ˜ \(R = \sqrt{1 - \text{SSE}/\text{SST}}\)๋ฅผ ํ•จ๊ป˜ ๋ณด๊ณ ํ•ฉ๋‹ˆ๋‹ค.

๊ด‘๊ณ 
์„ ํ˜•, ๋กœ๊ทธ, ์ง€์ˆ˜, ๊ฑฐ๋“ญ์ œ๊ณฑ, ๋ฐ˜๋น„๋ก€, ์ด์ฐจ ๊ณก์„  ํ˜•ํƒœ๋ฅผ ๋ณด์—ฌ์ฃผ๋Š” ์—ฌ์„ฏ ๊ฐœ์˜ ์ž‘์€ ํŒจ๋„
๊ณ„์‚ฐ๊ธฐ๊ฐ€ ๋ฐ์ดํ„ฐ์— ์ ํ•ฉํ•  ์ˆ˜ ์žˆ๋Š” ์—ฌ์„ฏ ๊ฐ€์ง€ ๊ณก์„  ๋ชจ๋ธ.

๊ณ„์‚ฐ ์˜ˆ์‹œ

์  (x, y, f): (1,2,1),(2,3,1),(3,5,1),(4,4,1),(5,6,1), ์„ ํ˜• ๋ชจํ˜•. \(N=5\), \(S_x=15\), \(S_y=20\), \(S_{xx}=55\), \(S_{xy}=69\), \(S_{yy}=90\). ๋”ฐ๋ผ์„œ $$b = \frac{5\cdot 69 - 15\cdot 20}{5\cdot 55 - 225} = \frac{45}{50} = 0.9,$$ $$a = \frac{20 - 0.9\cdot 15}{5} = 1.3.$$ ์ฆ‰ \(y = 1.3 + 0.9x\) ์ด๊ณ , $$r = \frac{45}{\sqrt{50\cdot 50}} = 0.9$$ ๋กœ ๊ฐ•ํ•œ ์ƒ๊ด€๊ด€๊ณ„๋ฅผ ๋ณด์ž…๋‹ˆ๋‹ค.

์ž์ฃผ ๋ฌป๋Š” ์งˆ๋ฌธ

๋„์ˆ˜ ์—ด์€ ์–ด๋–ค ์—ญํ• ์„ ํ•˜๋‚˜์š”? ๊ฐ ์ ์— ๊ฐ€์ค‘์น˜๋ฅผ ๋ถ€์—ฌํ•ฉ๋‹ˆ๋‹ค. ๋„์ˆ˜๊ฐ€ 3์ด๋ฉด ๋ชจ๋“  ํ•ฉ ๊ณ„์‚ฐ์—์„œ ๊ทธ ์Œ์„ ์„ธ ๋ฒˆ ์„ผ ๊ฒƒ๊ณผ ๊ฐ™์œผ๋ฉฐ, ์ด๋Š” ๋„์ˆ˜๋ถ„ํฌํ‘œ์™€ ์ •ํ™•ํžˆ ๊ฐ™์€ ๋ฐฉ์‹์ž…๋‹ˆ๋‹ค. ๋„์ˆ˜๊ฐ€ 0์ด๋ฉด ํ•ด๋‹น ํ–‰์€ ์ œ์™ธ๋ฉ๋‹ˆ๋‹ค.

์ƒ๊ด€ ๊ฐ•๋„๋Š” ์–ด๋–ป๊ฒŒ ๋ถ„๋ฅ˜ํ•˜๋‚˜์š”? \(|r|\) ๊ฐ’์„ ๊ธฐ์ค€์œผ๋กœ ํ•ฉ๋‹ˆ๋‹ค. 0.7 ์ดˆ๊ณผ๋Š” ๊ฐ•ํ•จ, 0.4~0.7์€ ๋ณดํ†ต, 0.2~0.4๋Š” ์•ฝํ•จ, 0.2 ์ดํ•˜๋Š” ์ƒ๊ด€๊ด€๊ณ„ ์—†์Œ์ž…๋‹ˆ๋‹ค.

์˜ค๋ฅ˜๊ฐ€ ๋‚˜๋Š” ์ด์œ ๋Š” ๋ฌด์—‡์ธ๊ฐ€์š”? ๋ชจ๋“  X ๊ฐ’์ด ๋™์ผํ•˜๋ฉด ๋ถ„๋ชจ๊ฐ€ 0์ด ๋˜์–ด ์œ ์ผํ•œ ์ง์„ ์„ ๊ตฌํ•  ์ˆ˜ ์—†๊ฑฐ๋‚˜, ๋ฐ์ดํ„ฐ๊ฐ€ ๋ชจํ˜•์˜ ์ •์˜์—ญ์„ ๋ฒ—์–ด๋‚œ ๊ฒฝ์šฐ(์˜ˆ: ์ง€์ˆ˜ ๋ชจํ˜•์—์„œ 0 ์ดํ•˜์˜ y)์ž…๋‹ˆ๋‹ค.

์ตœ์ข… ์—…๋ฐ์ดํŠธ:

์ˆ˜ํ•™ ๋ฐ ํ†ต๊ณ„ ์ธ๊ธฐ ๊ณ„์‚ฐ๊ธฐ

์ˆ˜ํ•™ ๋ฐ ํ†ต๊ณ„ ๊ณ„์‚ฐ๊ธฐ ์ „์ฒด ๋ณด๊ธฐ