[핵심 머신러닝] 선형회귀모델 3 (파라미터 구간추정, 가설검정)

최소제곱법으로 부터 추정한 선형회귀모델 파라미터에 대한 점추정, 구간추정, 가설검정에 대해서 설명합니다.

[@soyeonmoon2611]

정말 감사합니다. 계량경제 공부에 큰 도움이 됩니다. 복받으십시오 교수님🎉🎉😂😂

[@greata_money]

친절한 강의 감사합니다.

[@user-yu5qs4ct2b]

감사합니다!

[@albertlee5312]

감사합니다 교수님!

[@user-yu5qs4ct2b]

감사합니다!

[@dol2han]

너무 좋은 강의네요!

[@user-yu5qs4ct2b]

감사합니다!

[@robot3430]

정말....감사합니다. 학생시절 품질경영기사 자격증 공부하면서 배웠던 것들이 새록새록떠오르네요. 회사 업무 하는데 도움이 많이 될 것 같습니자.

[@user-yu5qs4ct2b]

감사합니다!

[@MZ-pj4eq]

교수님, 감사합니다!!

[@user-yu5qs4ct2b]

감사합니다!

[@kennysos1]

너무 잘 들었습니다. ㅎ

[@user-yu5qs4ct2b]

감사합니다!

[@ssossosso123]

교수님 이 강의 너무 좋아요... ㅠㅠ💙 연대생인데 학교 수업이 어려워서 이거 보면서 공부하고있네요....ㅎ 정말 감사합니다

[@rkdraeq]

beta_1에 대해 미분한 결과는 {Y_i - (beta_0 + beta_1*X_i)}X_i 아닌가요?

[@yeaves]

안녕하세요. 잘보고 있습니다 ㅎㅎ. 질문좀 드리고 싶은데요. Mse loss와 gradient로 linear regression에 피팅할 때는 zero mean, constant variance 등과 같은 assumption에 대해 검증하는걸 본적이 없는것 같은데, 이 과정이 반드시 필요한건가요? 통계적 접근과 머신러닝적 접근의 차이일까요?

[@user-yu5qs4ct2b]

Linear regression 모델은 통계적 접근이나 머신러닝 접근 결국은 같은 내용입니다. 다만 머신러닝 관점에서는 통계적 추정과 가설검정 등 통계적 추론면에서는 크게 강조하지 않습니다. 즉, 머신러닝 접근에서도 Linear regression 모델링을 하기 위한 가정을 정확히 알고 있을 필요는 있습니다. Gauss-Markov 이론은 최소제곱법으로 추정된 회귀모델의 파라미터는 불편추정량이면서 최소분산 (다른 불편추정량들 보다 분산이 작음)임을 증명한 이론입니다. 이 또한 머신러닝에서는 크게 강조하고 있지 않으나 통계학에서 매우 중요한 특성으로 강조하고 있습니다.

[@yeaves]

답변 감사드립니다! 덕분에 지식이 한층 더 높아진 느낌입니다. 혹시 딥러닝이나 xgboost/lightgbm과 같은 최신 모델에 대해서도 강의할 계획이 있으실까요??

[@deliciouscat]

17:00 귀무가설을 배제한다는 말은, 변수가 결과값에 영향을 준다 라고 생각해도 될까요?

[@deliciouscat]

앗.. 24:00에 말씀해주시는군요

[@user-yu5qs4ct2b]

맞습니다. 귀무가설을 기각한다는 것은 해당 X변수가 Y변수 예측에 유의미한 영향을 준다고 보면 됩니다.

[@3502min]

교수님, Beta1_hat에 대한 표준오차(std(Beta1_hat))는 어떤 의미를 가지고 있는 것인지 설명해주실 수 있나요? Beta1_hat은 점추정(Least Square Estimator)에 의해 구해진 하나의 값(scalar)인데, 이 값에 대하여 표준오차가 있다는 것은 어떤 의미인지 이해가 잘 안되네요. 혹시, Beta1_hat도 하나의 추정량이므로 이에 대한 표준오차를 가진다고 이해하면 될런지요?

[@user-yu5qs4ct2b]

맞습니다. 추정량(estimator)은 샘플의 함수이므로 항상 분산(표준오차)을 가지게 됩니다. 여기서 Beta1_hat이 추정량입니다.