점추정 vs 구간추정(신뢰구간·신뢰수준) / 귀무가설 vs 대립가설, p-value < α → 기각
미출제기출 0회분 중 0문항
학습 목표
점추정 vs 구간추정(신뢰구간·신뢰수준) / 귀무가설 vs 대립가설, p-value < α → 기각
01
추정 (Estimation)
표본의 통계량으로 모집단의 모수를 유추
점추정VS구간추정
모수를 하나의 값으로
결과
모수가 포함될 범위(신뢰구간)
표본평균 → 모평균
예
신뢰수준 = (1−α)×100% (예: 95%)
간단하지만 오차 정보 없음
특징
신뢰수준↑ → 구간 범위도 넓어짐
표준오차 (Standard Error)
SE =s√n
통계량의 표준편차 — 표본평균의 경우
신뢰구간 바르게 읽기 ★기출 반복
질문
답
신뢰수준 95%의 뜻
같은 방법으로 표본을 반복해서 뽑아 구간을 만들면 그 가운데 약 95%가 모수를 포함한다 — 이미 계산한 구간 하나에 모수가 있을 확률이 95%라는 뜻이 아니다
구간에 모수가 항상 들어 있나
아니다. 포함하지 않을 수도 있다
표본을 다시 뽑으면
표본평균이 달라져 구간도 달라진다
신뢰수준을 높이면
구간이 넓어진다 (95% → 1.96, 99% → 2.58, 90% → 1.645)
표본 크기를 늘리면
구간이 좁아진다
• 통계적 추론 = 표본의 통계량으로 모집단의 모수를 추측하는 것(기술통계의 역할이 아니다) • 불편추정량: 표본평균은 모평균의, 편차 제곱합 ÷ (n − 1)은 모분산의 불편추정량 • 추정량은 계산 방법(표본평균), 추정치는 실제로 계산한 값(261.3) • 표준오차 = σ ÷ √n • 모분산의 추론에는 자유도 n − 1의 카이제곱분포를, 두 모분산의 비교에는 F-분포를 쓴다 • 모집단이 정규분포가 아니어도 표본이 크면 구간추정을 할 수 있다
• 신뢰수준은 구간추정에만 쓰는 개념이다 — 점추정에는 신뢰수준이 없다. 점추정은 얼마나 정확한지 알 수 없어 구간추정으로 보완한다 • 같은 표본에서 구간을 넓히면 모수를 포함할 가능성은 커지지만 추정의 정밀성은 떨어진다 • 표준오차 σ ÷ √n에서 모표준편차 σ를 모르면 표본표준편차 s로 대신한다
02
통계적 가설 검정
귀무가설H₀VS대립가설H₁
차이·효과·관계가 없다
주장
차이·효과·관계가 있다
기존·기준 상태 ("같다", =)
상태
새로 확인하려는 변화 ("다르다", ≠)
평균 차이 = 0
예
평균 차이 ≠ 0
일단 유지되는 가설
역할
증거가 강할 때 채택
• 가설검정은 표본으로 귀무가설을 기각할 수 있는지 판단하는 확률적 의사결정이어서 오류가 날 수 있다. 여러 가설 가운데 최선을 고르는 절차가 아니다 • 입증하려는 주장은 대립가설에 둔다 • 상관계수 검정의 귀무가설은 '상관계수 = 0'
03
p-value & 유의수준
1용어
유의확률 (p-value)
H₀가 참이라 가정할 때, 관측값만큼 또는 그보다 더 극단적인 값이 나올 확률
유의수준 (α)
H₀ 기각 판단 기준 (보통 0.05)
비교결론
p-value < α관측값이 기각역 안
→
H₀ 기각, H₁ 채택
p-value ≥ α관측값이 기각역 밖
→
H₀ 기각 못 함
• 유의수준(α) = 귀무가설이 참인데 기각하는 제1종 오류를 허용하는 확률의 최대 한계. 자료를 보기 전에 연구자가 정한다(0.05로 고정된 값이 아니다) • p-value는 자료에서 계산된다. 0~1 사이이고 작을수록 대립가설을 지지한다. 귀무가설이 거짓일 때 기각할 확률(검정력)과는 다르다 • 같은 결과라도 유의수준에 따라 결론이 달라진다 — p = 0.03이면 0.05에서는 기각, 0.01에서는 기각하지 못한다 • 기각역 = 검정통계량이 들어가면 귀무가설을 기각하는 영역 • 표본이 커질수록 아주 작은 차이도 유의하게 나오기 쉽다 • 두 집단 평균 차이가 유의하면 차이의 신뢰구간은 0을 포함하지 않는다
• p-value는 관측된 값만큼 또는 그보다 더 극단적인 값이 나올 확률이다 • 기각역은 확률이 아니라 영역이다 — 귀무가설이 참일 때의 검정통계량 분포에서 확률이 α인 부분 • 일표본 t-검정의 자유도는 n − 1 — df = 99이면 자료는 100개
04
가설검정 절차
1H₀, H₁ 설정
2유의수준 α 결정보통 0.05
3검정통계량 계산
4p-value 또는 기각역 확인
5결론H₀ 기각 / 기각 못 함
05
검정력 (Power)
H₀ 참
H₀ 거짓
H₀ 기각
1종 오류 α
검정력 1 − β
H₀ 기각 못 함
올바름 1 − α
2종 오류 β
검정력
1 − β
H₀가 거짓일 때 H₀를 올바르게 기각할 확률
표본 수와 검정력
n ↑ → 검정력 ↑
일반적으로
두 가지 오류 ★기출 반복
뜻
확률
제1종 오류
귀무가설이 참인데 기각
α (유의수준)
제2종 오류
귀무가설이 거짓인데 기각하지 못함
β
검정력
귀무가설이 거짓일 때 올바르게 기각
1 − β
• 표본 크기가 같을 때 α를 줄이면 β는 커지는 경향이 있다(α를 높이면 β는 낮아진다). 둘을 함께 줄이려면 표본을 늘린다 • 제2종 오류의 확률은 α가 아니라 β다
α(유의수준)는 제1종 오류를 범할 확률의 최대 허용 한계다(최소가 아니다). 제1종 오류는 참인 귀무가설을 기각하는 것이다.
06
양측 검정 vs 단측 검정
양측 검정H₁: μ ≠ μ₀
단측 검정 (오른쪽)H₁: μ > μ₀
양측 검정VS단측 검정
≠ (방향 없음)
H₁ 기호
>, < (방향 지정)
"다르다"
의미
"크다 / 작다"
정확한 p-value 계산 예: 동전을 5번 던져 모두 앞면이 나왔다. '앞면 확률 = 1/2'을 양측 검정하면, 이만큼 극단적인 경우는 모두 앞면(1/32)과 모두 뒷면(1/32) → p-value = 1/16. 0.05보다 크므로 기각하지 못한다.
구간추정에도 한쪽 경계만 구하는 단측 구간추정과 양쪽 경계를 구하는 양측 구간추정이 있다.
07
t-검정 3종
t-분포를 활용해 평균 또는 평균 차이를 검정
일표본 t
한 집단 평균 vs 기준값
예: 평균 키가 170cm인가
독립표본 t
서로 독립인 두 집단 평균
예: 남녀 평균 점수 차이
대응표본 t
같은 대상 전후 평균 차이
예: 약 복용 전후 혈압
R의 t-검정 출력 읽기 ★기출 반복
항목
읽는 법
df
일표본·대응표본은 n − 1 (df = 2999이면 n = 3,000)
p-value
유의수준보다 작으면 귀무가설 기각
alternative hypothesis
대립가설 — '같지 않다'면 양측 검정
confidence interval
귀무가설의 값(평균 차이라면 0)이 구간 밖에 있으면 기각, 안에 있으면 기각하지 못한다
sample estimates
표본평균 = 점추정값. 신뢰구간은 이 값을 중심으로 만들어진다
• 같은 대상에게 두 처리를 모두 적용했으면 대응표본 t-검정 • 표본평균에 차이가 있어도 p-value가 유의수준보다 크면 '효과가 더 크다'고 결론 내릴 수 없다 • Student의 t-검정은 등분산을 가정, Welch의 t-검정은 가정하지 않는다
평균 차이(A − B)가 음수이면 A가 B보다 작다 — 부호로 어느 쪽이 큰지 읽는다.
08
t-검정 사용 시 체크
1체크리스트
종속변수
연속형
일표본·대응표본
자료(대응표본은 차이값)가 정규성 가정
독립표본
두 집단이 독립
등분산 깨짐
Welch t-검정 사용 가능
등분산을 가정하는 Student의 독립표본 t-검정을 쓰려면 먼저 등분산 검정으로 두 집단의 분산이 같은지 확인한다. 같지 않으면 Welch의 t-검정을 쓴다.
09
카이제곱(χ²) 검정 3종
범주형 자료의 관측빈도 vs 기대빈도 비교
1적합도 검정
관측분포가 이론분포와 맞는가?
예: 주사위가 공정한가
2독립성 검정
두 범주형 변수가 독립인가?
예: 성별과 구매 여부 관계
3동질성 검정
여러 집단의 분포가 같은가?
예: 지역별 후보 지지율
• 교차분석(카이제곱 검정)은 범주형 변수에 쓴다 — 연속형 변수에 그대로 쓰지 않는다 • 관측도수와 기대도수의 차이가 클수록 검정통계량은 커지고 p-value는 작아진다 • 적합도 검정은 분산이 아니라 범주별 도수를 이론 분포와 비교한다 • 기대빈도가 5 미만인 셀이 20%를 넘으면 표본을 늘리거나 범주를 합친다
교차표 = 두 범주형 변수의 값이 함께 나타나는 빈도를 집계한 표. 교차분석은 이 표의 관측도수와 기대도수를 비교한다.
10
모수 vs 비모수 검정
모수 검정 (분포 가정 O)→비모수 검정 (순위 활용)
1
일표본·대응표본 t-검정→부호검정 · 윌콕슨 부호순위
2
독립표본 t-검정→맨-휘트니 U
3
분산분석 (ANOVA)→크루스칼-왈리스
4
피어슨 상관→스피어만 순위상관
모수 검정과 비모수 검정
모수 검정
비모수 검정
분포 가정
정규분포 등 가정한다
가정하지 않는다
쓰는 값
표본평균 · 표본분산
순위 · 부호 → 이상값의 영향이 적다
가설
모수에 대한 가설
분포의 형태에 대한 가설
쓰는 때
가정이 충족될 때
표본이 매우 작거나 서열척도 자료일 때
검정력
가정이 맞으면 더 높다
가정이 맞는 상황에서는 더 낮다
• 짝지어진 두 표본: 부호 검정 · 윌콕슨 부호순위 검정 • 독립인 두 표본: 윌콕슨 순위합 검정 · 만-휘트니 U 검정 • 세 집단 이상: 크루스칼-왈리스 검정 • 런 검정도 비모수 검정이다(자료의 배열이 무작위인지 검정)
11
어떤 검정을 써야 할까?
Q
무엇을 비교하나?
평균
t-검정 / ANOVA
한 집단 평균 vs 특정값일표본 t
독립된 두 집단독립표본 t
같은 대상 전후대응표본 t
세 집단 이상분산분석 (ANOVA)
범주형 빈도
카이제곱 χ²
한 변수의 분포적합도
두 변수의 관계독립성
여러 집단의 분포동질성
분산분석(ANOVA) • 귀무가설: 모든 집단의 평균이 같다. 기각되면 '적어도 하나는 다르다'까지만 알 수 있다 — 어느 집단이 다른지는 사후 검정으로 본다 • 검정통계량 F = 집단 간 분산 ÷ 집단 내 분산. 클수록 평균 차이가 크다(1에 가까우면 차이 없음) • 요인이 하나면 일원, 둘이면 이원 분산분석 • 두 집단만 비교하면 F = t²
분산분석표 읽기: 요인의 Df = 집단 수 − 1(Df가 3이면 4집단), Pr(>F)가 p-value — 유의수준보다 작으면 귀무가설을 기각한다.