Derek 의 데이터 분석 성장기

해당 글은 모두 실무로 통하는 인과추론을 기반으로 작성, 자료를 참고 하였음을 밝힙니다.     1-1. 인과추론 개념 연관관계는 인과관계가 아니다. 연관관계를 인과관계로 오해하여 잘못된 의사결정을 내릴수도 있다. 만약, 한 국가의 노벨상 수상자 수를 1인당 초콜릿 소비량의 증감으로 생각해보자. 증감의 상관도(=연관관계) 가 있다고 판단할 수 있지만, 올바른 해석일까? 연관관계는 두개의 확률변수 X와 Y 가 같이 증가하거나 감소하는 것이다.그러나, 인과관계는 X가 Y의 원인이 되는 것과 같다. 인과추론은 연관관계로부터 인과관계를 추론하고, 언제 그리고 왜 서로 다른지 이해하는 과학적 접근이다.  1-2. 머신러닝과 인과추론그렇다면, 머신러닝을 활용해서 인과관계를 파악하면 안될까? 라고 생각한다. 하지만,..

1. 인과추론이란? 인과추론이란 원인과 결과 간의 관계를 이해하고 추론하는 방법입니다. 독립변수가 종속변수에 미치는 영향도를 파악하기 위한 방법론입니다. 특히, A/B Test 등 실험적인 조작이 어려운 경우, 관측된 데이터를 사용하여 원인과 결과 간의 인과 관계를 추론하는데 주로 사용합니다. 무엇보다, 실험 조작이 어려운 경우 에 인과추론은 효과적으로 원인과 결과를 파악하는데 용이합니다. 하지만, 인과추론도 만능이라고 부르긴 어렵습니다. 우리의 현실은 우리가 관측할 수 없는 모든 변수들이 내생적으로 관여하고 있으며, 이런 변수들을 모두 통제하며 인과성을 추론한다는 것은 현실적으로 어렵기 때문입니다. 하지만, 예를 들어 회귀 모델을 구축한다고 가정 했을때, 인과성을 가지는 원인변수를 명확하게 파악하여 모..