PE Notes · 확률통계
상관관계 vs 인과관계
상관관계(Correlation): 두 변수가 함께 변하는 경향(공변 관계) — 한 변수가 커질 때 다른 변수도 커지거나(양의 상관) 작아지는(음의 상관) 정도
상관관계(Correlation): 두 변수가 함께 변하는 경향(공변 관계) — 한 변수가 커질 때 다른 변수도 커지거나(양의 상관) 작아지는(음의 상관) 정도. 대표 지표: r(선형, −1 ≤ r ≤ 1), 스피어만 순위 상관 ρ(단조 관계), 켄달 τ.
구조와 칸
| 원인 | 설명 | 예 |
|---|---|---|
| (Confounder) | 제3의 변수가 X·Y 모두에 영향 | 아이스크림 판매량과 익사 사고 — 기온이 공통 원인 |
| 역인과(Reverse Causation) | 실제 방향이 Y → X | 소방관 수가 많은 화재일수록 피해 큼 — 큰 화재라서 소방관이 많이 출동 |
| 우연(Chance)·허위 상관 | 무관한 시계열이 함께 증가 | 다른 나라 치즈 소비량과 특정 사고 건수 |
| 선택 편향(Selection Bias) | 표본 추출 방식이 관계를 만듦 | 병원 입원 환자만 분석 |
| 매개 변수(Mediator) | 직접 인과가 아니라 경로를 거침 | 교육 → 소득 → 건강 |
| 집단을 합치면 관계가 뒤집힘 | 아래 계산 예시 |
피어슨 r = Σ(xᵢ − x̄)(yᵢ − ȳ) ÷ √[Σ(xᵢ − x̄)² × Σ(yᵢ − ȳ)²]. |r| ≥ 0.7 강함, 0.3~0.7 중간, < 0.3 약함(관행적 해석). 선형 관계만 측정 — 곡선 관계(U자)는 r ≈ 0일 수 있음. 이상치에 민감.
상관관계 vs 인과관계
| 방법 | 내용 |
|---|---|
| 무작위 대조 실험()·A/B 테스트 | 무작위 배정으로 교란 변수를 균등화 — 인과 추론의 표준 |
| (DiD) | 처치 전후 변화를 처치·비처치 집단 간 비교 |
| 성향 점수 매칭(PSM) | 처치 받을 확률이 비슷한 대상끼리 비교 |
| 도구 변수(IV) | 처치에는 영향을 주지만 결과에는 처치를 통해서만 영향을 주는 변수 활용 |
| 회귀 불연속(RDD) | 기준점 근처 대상 비교(예: 합격 커트라인) |
| (DAG)·do-연산 | 펄(Judea Pearl)의 구조적 인과 모델로 통제해야 할 변수 결정 |
| 그랜저 인과성 | 시계열에서 X 과거값이 Y 예측을 개선하는지 — 예측적 선후 관계이지 엄밀한 인과는 아님 |
| 구분 | 치료 A | 치료 B |
|---|---|---|
| 작은 결석 | 81/87 = 93% | 234/270 = 87% |
| 큰 결석 | 192/263 = 73% | 55/80 = 69% |
| 전체 | 273/350 = 78% | 289/350 = 83% |
마케팅: 광고 노출 고객의 구매율이 높아도(상관) 원래 구매 의향이 높은 고객에게 노출됐을 수 있음 → 홀드아웃 실험으로 증분 효과(Lift) 측정. 의료: 관찰 연구에서 발견한 상관을 RCT로 검증. 정책 평가: 이중차분법·회귀 불연속으로 정책 효과 추정.
답안은 상관관계 vs 인과관계의 정의, 칸, 비교 축을 한 장에 닫습니다.
기술사 답안 포인트
관련 용어
관련 토픽
확률통계
통계적 가설검정과 유의수준
통계적 가설검정(Statistical Hypothesis Test): 모집단에 대한 주장(가설)이 맞는지를 표본 자료로 확률적으로 판단하는 절차
확률통계
선형회귀 vs 로지스틱회귀(실습 포함)
선형회귀(Linear Regression): 독립변수와 연속형 종속변수 사이의 선형 관계를 추정하는 모형 — ŷ = β₀ + β₁x₁ + … + βₖxₖ, 최소제곱법(OLS)으로 오차 제곱합 최소화
확률통계
자기회귀모형 vs 이동평균모형
과거 값으로 읽는 AR과 과거 오차로 읽는 MA를 가르고, 정상성·ACF·PACF로 ARMA·ARIMA 차수를 고르는 절차를 정리합니다.