วีดีโอ

시청해 주셔서 감사합니다. (1)고객 서베이를 통해, 0에서 10까지의 11점 리커트 척도로 기능성취도(10점 배점), 고객만족도(10점 배점) 데이더를 수집합니다. (2-1)데이터의 평균을 계산합니다. 리커트 척도이지만 11점 척도의 경우 산술 평균을 적용하기도 합니다. 단, 평균은 극단적인 값에 민감할 수 있으며, 이상치가 있는 경우 해석이 왜곡될 수 있습니다. (2-2)데이터의 중앙값을 계산합니다. 만족도 응답이 왜곡되거나 이상치가 있는 경우 특히 유용합니다. (3-3)데이터의 최빈값을 계산합니다. 설문조사 응답이 심하게 편향된 경우 가장 일반적인 만족도 수준에 대한 통찰력을 얻을 수 있습니다.

시청해 주셔서 감사합니다. 8:32 부분에 설명되는 '④일관성 비율(CR, Consistency Ratio) 계산 및 확인' 페이지에서, 중간부분에 있는 Standardized Matrix의 Weight 63.3%, 10.6%, 26.0%에서 가지고 온 값입니다. 👍👍👍

변동계수(CV=SD/Mean)를 사용해 보시기 바랍니다. (SD=표준편차, Mean=평균) CV(A)=0.007126966, CV(B)=0.142539329, CV(C)=0.142539329, CV(D)=#DIV/0!, CV(E)=0 사례의 D의 경우 평균=0이라 CV값을 구할 수 없지만, D의 모든 값에 +1한 값의 CV=0.01069045입니다. 결론적으로 값이 일정한 수준이 양호한 순서는, CV값이 작은 순서인 E>A>D>B=C가 됩니다. 질문에 대한 답변이 되기를 기대합니다.

​@@명품의비밀 답변 감사드립니다. GPT에서도 CV를 사용한다는 조언을 받긴 했는데, CV(D)같은 예시처럼 평균이 0에 가까워지는 경우는 값이 너무 크게 뒤바뀌길레 어떻게 좋은 방법이 없나 생각중이었습니다. 값에 상수 C를 더한다면 SD / (Mean + C) 꼴로 변해 계산이 가능해지겠네요 답변감사드립니다.

질문해 주셔서 감사합니다. 부족하지만 작은 설명을 보태드린다면, 시계열 분석 방법에 사용되는 평활화(Smoothing) 하기 위한 방법에는 3, 4, 5 point moving average 등을 사용하는데, 3 point moving average는 3개 포인트마다의 이동평균을 구하여 시계열의 변화를 평활화해준다는 의미입니다. 예를들어, data가 A1:A10이 있다면, 이때 3 point moving average는 제일먼저 A1~A3의 이동평균에 해당되는 값(=AVERAGE(A1:A3))을 3 point의 대표위치로 중간지점인 B2에 =AVERAGE(A1:A3)을 MA열의 시작 위치로 사용합니다. 즉, 미래 참조가 아닌 이미 발생한 3개 데이터의 이동 평균의 대표 위치를 data 배열의 중간위치에 나타낸 것입니다. 이 경우 B2는 3개 지점의 중간 위치를 나타내는 값이지 A1에서 A2까지의 평균을 나타내는 것이 아닙니다. 다시 본 영상의 케이스로 돌아가서, 연간이동평균(12개월을 1년단위로)은 12 point moving average를 계산하게 되며, 12개 데이터의 이동 평균의 대표 위치를 data 배열의 중간위치인 E9(=AVERAGE(D3:D14)에 나타낸 것입니다. 즉, 이 경우 E9는 12개 지점의 개념적인 중간 위치(연간 지점의 중간 위치를 나타내는 그래프를 상상)를 나타내는 값이지 D3에서 D9까지의 평균이 아니라는 것을 이해해 주시면 좋겠습니다. 부족하지만 답변이 되었기를 기대합니다.😊

@@명품의비밀 답변해주셔서 감사드립니다. 지점들의 중간 위치를 나타내는 값이라고 말씀해주시니 이 부분에서는 이해가 됩니다. 다만, 가공시 궁금한점은 가장 최신 지점에서 데이터인데, N = 2n+1 꼴 [ t-n ~ t-0 ~ t+n ] 이라고 할때 이동평균을 시작지점에서 끝지점까지 데이터를 나열한다면, t-n 부분부터 가장 최신 날짜인 t-0 시점의 이동평균값을 계산하기 위해서는 t+1 ~ t+n 의 값들이 필요하고, 이 값들은 현재 존재하지 않는 값들일 것입니다. 그렇다면 이 값들은 없는 값으로써 비워두는것이 맞을까요? 예시를 든다면 A1:A10에 위치한 data에서 3(N=2*1+1) point moving average를 구한다면 B1(t-1)을 비우고 B2셀에서 시작 B9에서 끝나며, B10(t+1)은 average(A9:A11)함수에서 A11이 존재하지 않기 때문에 비워둠 이런식입니다.

@@취미자기계발 질문해주셔서 감사합니다. 예를들어 3 point moving average 계산시에 3점조건을 만족하는 B9셀까지만 MA를 계산하고 B10셀은 공란으로 둡니다. 답변이 도움되셨기 바랍니다.👍

@@명품의비밀 답변 감사드립니다.

@@취미자기계발 시청해주셔서 감사합니다. 그리고 창찬의 말씀은 더욱더 감사합니다. 좋은 주말되세요.

@@user_rhQnfth 시청해 주셔서 감사합니다.🤗 실제 구입가격을 적용하는 것이 보다더 현실적인 분석결과를 만들어 줍니다.

감사합니다

우선 시청해주셔서 감사합니다. 완성된 엑셀을 강의자료로 옮기면서 제가 실수를 했군요.🤪 지적해주신 대로 0.01936(엑셀아래부분 F21셀에 있는데 화면에는 잘려서 보이지 않지만)을 사용하는 것이 당연히 올바른 계산입니다. 지적해주셔서 감사합니다.👍 좋은 하루 되시기 바랍니다.🤗🤗

@@qpqqqpqqqq 시청해 주셔서 감사합니다.

@@qyuristarkim5082 시청해주셔서 감사합니다.🤗 비교모델의 실제 구입가격을 비교해야 합니다. 그러면 표준화된 가격값이 바로 아래에 있는 Standardized Matrix에 환산되어 표시됩니다.😊

시청해주셔서 감사합니다. 히스토그램 막대수를 계산하기 위해서는 일반적으로는 Sturges 공식 k=1+3.3*log(n)을 많이 사용합니다. 영상의 사례에서는 Sturges 공식에 있는 1대신 경험법칙으로 5를 적용한 것입니다. 그리고 n은 원데이터의 갯수, 여기서는 125입니다.😊

@@명품의비밀 답변감사합니다. 귀찮게 해서 죄송합니다만, 경험법칙으로 어떻게 5가 나오는지 설명 가능하신지요. 검색 했는데 이해 안되는 부분들이 많아서요.

@@정명철-h6b '경험법칙'이라고 표현하는 것이 올바르지 않을 수는 있으나('실무응용' 이라 표현하는 것이 좋을 것 같습니다만...), 히스토그램 막대수를 계산하는 Sturges 공식 k=1+3.3*log(n)는, 히스토그램의 계급의 갯수가 원데이터의 갯수 n의 변화에 민감하지 않기 때문에, 그림은 예쁘게 나오지만 계급값 사이에 결측치가 있는 경우, 주변의 계급값 사이에 묻혀버리기 쉬운 단점이 있습니다. 그래서 계급의 빈도를 추천 빈도수 보다 늘려주어 계급값 사이에 있을 수도 있는 이상값 존재 여부를 확인하기 위해 현장에서 실무적으로 "1→5"처럼 응용하여 사용한다는 것을 표현한 것입니다.

@@명품의비밀 답변 감사합니다 ^^

시청해주셔서 감사합니다. 새로 추가할 내용은 좀더 이해하기 쉽게 설명하도록 노력하겠습니다.🤔 피드백해주셔서 감사합니다. 👍👍

시청해 주셔서 감사합니다.🤗 4점 척도의 경우는 중립적인 응답 범주를 뺀 “매우 그렇다, 그렇다, 그렇지 않다, 매우 그렇지 않다”등으로 구분하시고, 계산 방법은 엑셀을 사용하여 1~4까지만 해당 빈도수를 적용하면, 나머지 계산 순서는 동일 합니다.

시청해 주셔서 감사합니다. 그리고 격려말씀도 감사합니다. 좋은 주말되세요..👍👍👍

네...다음에는 좀 더 정적인 영상을 올려보겠습니다. 시청해주셔서 감사합니다.😁

시청해 주셔서 감사합니다.

지적해 주셔서 감사합니다. 적혀있는 공식(=B5*$E$10)대로 0.33*63.3%=0.211로 이해해 주시기 바랍니다. 구두설명부분(narration)에 오류가 있었네요.

시청해 주셔서 감사합니다. 일반적으로, AMOS는 주로 구조 방정식 모델링(SEM) 및 경로 분석용으로 사용되며 PCA를 위한 내장 기능은 없는 것으로 알고있습니다. 최신 버전에는 보완되었는지는 확인이 필요합니다.

먼저, 시청해 주신 점 감사드립니다. 질문하신 경우, "Y(몸무게)=-120 + X(키)"라고 하는 회귀방정식을 구한 경우인데, (1)이런 경우에는 이 회귀식을 구한 회귀분석의 전체 유의성 분석값인, Regression의 P값이 유의수준(보통 0.05)보다 작으면 일단 통계적으로 회귀식은 유의하다고 판단은 할 수 있습니다. (2)그리고, 유의한 회귀방정식을 활용하여 특정값(Y)을 추정하기 위해서는, 이 회귀식을 구하기 위해 사용한 X(키)의 자료의 범위(예를 들어, 160~180cm)안에 해당되는 X(키)값을 사용하여 Y(몸무게)를 추정하셔야 합니다. (3)수집한 자료의 범위 밖에서 회귀모델을 이용하여 예측하는 것을 외삽(extrapolation)이라고 하는데, 외삽 구간에서의 모델을 예측한 결과는 신뢰하기 어렵습니다. 예시하신 것 처럼, X(키)값이 130cm이면 Y(몸무게)가 10kg이라는 신뢰하기 어려운 결과로 이어지기 때문입니다. 추측하건데, "Y(몸무게)=-120 + X(키)"의 X(키)값의 범위는, 160~180cm 정도의 X값이 있었을 때 구해 질 수 있는 회귀식 같습니다.

시청해 주셔서 감사합니다. 오늘도 좋은 하루 되시기 바랍니다.

감사합니다. 더욱 유익한 내용으로 보답하겠습니다.