วีดีโอ

감사합니다 😎

감사합니다~ 😎💕

도움이 되시길 바라겠습니다 😎

여기서 다항 나이브베이즈(multinomial naive Bayes)는 예측변수가 범주형 변수인 경우를 얘기하며, 범주가 두 개인 경우도 포함한 개념입니다. 참고로 예측변수가 연속형 변수인 경우에도 나이브베이즈모델을 적용할 수 있는데요, 이 경우 가우시안 나이브베이즈(Gaussian naive Bayes)라고 합니다.

네~ 소셜네트워크분석 강의에서 네트워크 데이터에 대한 통계적 검정 부분을 다룰 때 ERGM도 포함시키도록 하겠습니다. 😎

@@kykwahk 감사합니다ㅎㅎ교수님 책 보고 공부하면서 학위 잘 받았습니다! 네트워크분석 강의들 올려주시면 감사드릴게요!😀

Yes, you can. But your dataset imported from Excel should be either data frame or matrix.

Thanks~

감사합니다~^^ 도움이 되셨다니 저도 기쁘네요 😎

1. 독립변수 간 심각한 다중공선성은 콕스회귀분석에서도 문제가 될 수 있습니다. 2. 중도절단 데이터는 관측된 기간 동안 분석 대상에게서 '사건'이 일어나지 않을 때 발생합니다. 독립변수는 생존시간 데이터의 중도절단 여부와는 관계없습니다.

@@kykwahk 교수님 죄송합니다. 다시한번 여쭙겠씁니다. ㅜㅜ 다중공선성에 대한 검증 방법은 일반회귀분석 처럼하면 되는 건가요? 아니면 검증하는 이론이 있나요? 답글 감사합니다.^^!!

다중공선성은 독립변수 간의 문제이기 때문에 종속변수에 대한 모델 형태는 다중공선성의 추정과 무관합니다. 따라서 일반적인 다중공선성 추청 방법을 사용할 수 있습니다. 하지만 그렇다고 해서 계산 방식이 동일하다는 것은 아닙니다. 독립변수들 간 R-squared를 계산하는 방법은 Cox회귀모델과 선형회귀모델이 다르기 때문에 구체적인 계산 방법은 차이가 있을 수 있습니다.

@@kykwahk 아하 그렇군요. 감사합니다. 교수님~!!! 동영상 강의 너무감사합니다~~^^!!! 잘보고 있습니다. 행복하세요~!

아예 데이터를 표준화를 시켜버렸더니 아예 p value가 1로 나오는데 이래도 되는건가요..ㅠㅠ

car 패키지의 spreadLevelPlot() 함수를 사용해서 변환에 사용할 지수(power)를 찾아보세요.

네~ 감사합니다~~~^^ 😎

감사합니다. 도움이 되신다면 저도 기쁘겠습니다^^ 😎

네~ 감사합니다. 도움이 되시길 바라겠습니다. 😎

감사합니다~ 도움이 되시길 바라겠습니다. 😎

감사합니다~^^ 😎

텍스트분석을 할 때 사용하는 용어사전은 대체로 감성사전을 의미합니다. 감성사전은 각 '용어'별로 긍정/부정 또는 다양한 감성적(감정적) 상태를 정의한 사전을 가리킵니다. 이를 이용하여 어떤 텍스트가 긍정적인지 혹은 부정적인지 평가를 하게 됩니다. 또는 단순히 긍정/부정을 넘어서 텍스트가 담고 있는 좀 더 다양한 감정적 상태를 분석합니다. 뜻풀이만을 담고 있는 국어사전을 통해서는 그런 분석을 할 수 없기 때문에 별도의 감성사전이 필요하게 된 겁니다. 물론 감성사전을 구축할 때 국어사전의 뜻풀이가 중요한 역할을 합니다만 누군가(또는 어떤 시스템, 예를 들면, 딥러닝 모델이) 그 뜻풀이를 바탕으로 해당 단어가 어떤 감성적 상태인지를 정의해야 할 필요가 있습니다(보통은 최종적으로 여러 사람이 참여하여 투표 방식으로 결정합니다). 감성사전은 어떻게 구축하느냐에 따라 다양한 형태를 가질 수 있습니다. 하나의 단어로 감성상태를 알 수도 있지만 두 개 또는 세 개 이상의 단어가 합쳐져야 제대로 감성상태를 파악할 수 있기도 합니다. 예를 들어, '가벼운 마음으로'는 긍정적 느낌을 주지만 '가벼운 행동으로'는 다소 부정적으로 들립니다. 따라서 감성사전은 1-gram(한 단어), 2-gram(두 단어), n-gram(여러 단어로 구성된 어구) 등 국어사전과는 다른 단위로 구성이 될 수도 있습니다. 때로는 축약어나 이모티콘 등이 포함되기도 합니다.

감사합니다~^^ 😎

@@kykwahk GitHub까지 운영해주셔서...체계적으로 공부하고자 하는 초보에게 많은 도움이 됩니다. ㅎ 감사합니다.

감사합니다~^^ 😎

감사합니다~^^ 😎

(1) 기본적으로 회귀분석을 할 때 모든 상호작용항을 포함시킨 후 통계적으로 유의한 상호작용항이 무엇인지 살펴볼 수 있을 것 같습니다. fit.lm <- lm(y ~ .^2, data=mydata) summary(fit.lm) 만일 모든 상호작용항의 값을 실제로 계산하고 싶다면 다음과 같이 해볼 수 있습니다. x <- model.matrix(y ~ .^2, data=mydata)[,-1] # 첫 번째 열은 절편이기 때문에 삭제 (2) 라소회귀분석(lasso)을 고려해볼 수도 있을 것 같습니다. 앞에서 model.matrix() 함수를 이용하여 생성한 예측변수 행렬을 이용합니다. 라소회귀분석은 모델의 설명력에 기여하지 못하는 예측변수의 회귀계수 크기를 0으로 만들기 때문에(즉 변수선택을 통해 제거하기 때문에) 유의한 예측변수 및 상호작용항만이 포함된 모델을 구축할 수 있습니다. library(glmnet) lasso.cv <- cv.glmnet(x=x, y=y, family="gaussian", alpha=1) fit.lasso <- glmnet(x=x, y=y, family="gaussian", alpha=1, lambda=lasso.cv$lambda.min) coef(fit.lasso) (3) 변수가 굉장히 많을 경우(예를 들면, 수백 개 또는 수천 개) 앞에 소개한 함수들이 제대로 동작할지는 테스트해보아야 할 것 같습니다.

네~ 감사합니다😎

대형 서점에 가셔서 책의 목차를 보시고 관심있는 챕터 하나 골라서 가볍게 읽어보시길 추천드립니다. 책마다 목표로 하는 독자가 다를 수 있고 편집이나 내용의 품질 차이도 있을 수 있기 때문에 직접 읽어보시고 비교하신 후 선택하시는 것이 좋을 듯 합니다.

네~ 도움이 되시길 바라겠습니다

♥️

1) 도메인이나 분석 목적에 따라 달라질 수 있기 때문에요, 일반적인 기준은 없습니다. 2) 기본적으로 mi값을 바탕으로 모수 설정을 하면 됩니다만, 기계적으로 하기보다는 이론적, 경험적 관계도 고려하며 하시는 것이 좋습니다. 3) 잠재변수와 관측변수 간 요인적재값이 통계적으로 유의해야 한다는 의미입니다.

교수님 바쁘신데 답변주셔서 너무 감사합니다. ^^@@kykwahk

강의 후반부에 Type 집단에 따른 차이를 다루고 있습니다.

1. 네~ 관련이 있습니다. 종속변수가 독립변수값에 대해 정규분포를 하면 잔차(오차)는 평균 0의 정규분포를 따릅니다. 그래서 보통 선형회귀분석을 하기 전에 잔차가 정규분포를 따르는지 진단을 합니다. 2. 조건부 평균이란 쉽게 말해 종속변수 y의 평균을 말하는데요, 그 y가 연속형 변수가 아닐 경우(또한 정규분포를 따르지 않을 경우) 독립변수 x의 선형결합으로 나타낼 수 없기에 링크함수로 사용하여 변환합니다. 예를 들어, y가 이항분포를 따르면 그 평균은 확률값이 되는데요, 이 경우 확률값을 그대로 사용하면 x의 어떠한 선형결합으로도 0과 1 사이 값으로 제한되는 결과변수를 나타낼 수 없습니다. 그럴 때 결과변수의 평균에 링크함수를 적용하게 됩니다. 여기의 예로 본다면 결과변수의 평균인 확률값(p)에 로짓함수(f(p)=ln(p/(1-p))를 적용하여 변환합니다. 다시 말해 결과변수 평균 p의 함수가 링크함수 f(p)입니다.

해당 웹페이지가 동적으로 생성되어서 그런 것일 수 있습니다. 동적 웹페이지(dynamic web page)의 경우 웹브라우저에 보여지는 콘텐츠와 서버로부터 전달받은 HTML 코드가 일치하지 않을 수 있습니다. 왜냐하면 자바스크립트에 의해 콘텐츠를 동적으로 생성하기 때문입니다. 그러면 웹브라우저의 개발자 도구에 보이더라도 실제로 해당 콘텐츠를 수집할 수 없습니다. 이럴 경우 셀레니움(Selenium)을 이용하면 가능할 수 있습니다. 셀레니움 및 정적/동적 웹페이지에 대한 설명은 『R을 이용한 웹스크레이핑과 데이터분석』의 '제6장 셀레니움'을 참고하시면 도움이 될 것 같습니다(이 강의를 비롯한 웹스크레이핑과 데이터분석/시각화' 재생목록의 강의는 이 책을 기초로 하고 있습니다). @ 커뮤니티의 『R을 이용한 웹스크레이핑과 데이터분석』 출간 게시글에도 동일한 질문을 올리셨기에 그곳에 게시한 동일한 답변을 여기에도 올립니다.

1. 유의수준에 따라 다르겠습니다만 여기에서 유의수준을 0.05로 적용하면 직접효과가 통계적으로 유의하지 때문에 말씀하신 대로 완전매개로 볼 수 있습니다. 2. 소벨검정은 여러 가지 제약(e.g., 정규성, 표본크기 등)으로부터 자유롭지 못하다는 한계가 있습니다만 그런 가정을 충실히 따를 수 있다면 사용하는 것이 바람직합니다. 하지만 그런 가정에 대한 확신이 없는 경우가 대부분이기 때문에 부트스트래핑 방법이 선호되기도 합니다. 매개효과검정 시 mediation 패키지의 mediate() 함수를 사용하거나 lavaan 패키지의 sem() 함수를 사용하는 경우 모두 표준오차 추정 시 부트스트래핑을 이용하기 때문에 두 방법은 기본적으로 유사합니다.

네~ 도움이 되기를 바라겠습니다 😎

네~ 기대한 상관은 정의 상관관계인데 아무런 관계가 없는 것처럼 나타나거나 더 나아가 그 반대의 관계로 나타날 경우(말씀 하신 것처럼) 제3의 변수가 개입되었을 가능성을 고려할 수 있다는 의미입니다.

@@kykwahk 감사합니다

페널티회귀분석은 주로 예측목적에 사용되기 때문에 일반적인 머신러닝에서처럼 모델의 생성을 위한 훈련 데이터와 모델의 성능을 평가하기 위한 테스트 데이터로 데이터셋을 분할했습니다. 이 강좌에서 다루고 있는 통계기법은 예측목적으로 사용할 수도 있지만(예를 들면, 회귀분석 종류) 대부분 수집한 데이터를 바탕으로 가설검정을 위해 활용하기 때문에 데이터셋을 분할할 필요가 없었고요.

@@kykwahk 그렇군요, 답변 감사합니다! 특별히 페널티회귀분석이 예측에 주로 사용되는 이유도 궁금합니다!

'R'입니다.

와~ 대단하세요 🎉

파일 이름 위에 커서를 둔 채 오른쪽 마우스 키를 누르고요, 이어서 나타나는 화면에서 '속성 -> 보안' 경로를 따라 들어가서 사용자 계정의 권한을 '모든 권한' 허용으로 체크해주세요.

@@kykwahk 덕분에 잘 해결됐습니다 감사합니다^^

열심히 들어주시니 저도 감사합니다 😎

아마도 colnames() 함수를 얘기하시는 것 같습니다. 이 함수는 행렬이나 데이터프레임의 열 이름을 반환합니다. 유사한 함수로 names() 함수가 있습니다. 그런데 이 함수는 데이터프레임에만 적용할 수 있습니다(행렬에 적용하면 NULL이 반환됩니다). 데이터프레임 > colnames(iris) [1] "Sepal.Length" "Sepal.Width" "Petal.Length" "Petal.Width" "Species" > names(iris) [1] "Sepal.Length" "Sepal.Width" "Petal.Length" "Petal.Width" "Species" 행렬 > colnames(state.x77) [1] "Population" "Income" "Illiteracy" "Life Exp" "Murder" "HS Grad" [7] "Frost" "Area" > names(state.x77) NULL

와우~👍

조금 시간이 걸릴 것 같습니다. 지금 생각으로는 현재 진행 중인 '구조방정식모델링' 강의와 번갈아 가면서 올릴 예정이라서요.

@@kykwahk 감사합니다 ^^

저도 감사해요 😎

도움이 되셨다니 저도 기쁘네요 ~^^ 😎

감사합니다 😎

도움이 되셨다니 저도 기쁘네요^^ 😎

도움이 되셨다니 저도 기쁘네요^^ 😎

감사합니다~^^

그러게요~ 😅