상관계수와 통계적 가설 검정 퀴즈

두 변수 간의 선형적인 관계의 강도와 방향을 나타내는 척도. -1에서 1까지의 값을 가지며, 1에 가까울수록 강한 양의 상관관계, -1에 가까울수록 강한 음의 상관관계, 0에 가까울수록 상관관계가 약하다는 것을 의미합니다.

모집단의 상관관계를 나타내는 값. 그리스 문자 'ρ' (로)로 표기합니다.

표본에서 계산된 상관관계를 나타내는 값. 'r'로 표기합니다.

표본 데이터를 사용하여 모집단의 상관관계를 추정하는 방법. 표본상관계수를 이용하여 모상관계수를 추정합니다.

상관관계에 영향을 미치지 않는 변환. 변수에 상수를 더하거나 곱해도 상관관계는 변하지 않습니다.

상관관계가 0이라는 가설. 두 변수 간에 선형적인 관계가 없다는 것을 의미합니다.

상관관계가 1 또는 -1이라는 가설. 두 변수 간에 완벽한 선형적인 관계가 존재한다는 것을 의미합니다.

두 변수 X와 Y 사이의 선형적 관계의 강도와 방향을 나타내는 측도. -1과 1 사이의 값을 가지며, 1에 가까울수록 양의 상관관계가 강하고, -1에 가까울수록 음의 상관관계가 강하며, 0에 가까울수록 관계가 약하거나 없음을 의미합니다.

귀무 가설: 두 변수 X와 Y 사이에 상관관계가 없다 (ρ=0). 대립 가설: 두 변수 사이에 상관관계가 있다 (ρ≠0).

상관관계 검정에서 사용되는 통계량. 표본 상관계수 r을 기반으로 하며, t-분포를 따릅니다.

t-통계량을 이용하여 상관관계 검정 결과를 해석하는 데 사용되는 임계값. 유의수준(α)에 따라 결정되며, 임계값을 넘어서면 귀무 가설을 기각하게 됩니다.

상관관계 검정 결과에서 p-값이 유의수준보다 작으면 귀무 가설을 기각하고, 두 변수 사이에 상관관계가 있다고 결론 내립니다.

귀무 가설이 참일 경우, 두 변수 간에 선형적 관계가 없다는 것을意味합니다. 즉, 두 변수는 서로 독립적입니다.

귀무 가설이 기각되면, 두 변수는 “통계적으로 유의미한” 선형의 상관관계가 있습니다. 즉, 두 변수는 서로 연관되어 있습니다.

p-값 분포 그래프에서 특정 값(t(n))을 넘어서는 영역을 나타냅니다. 이 영역에 p-값이 포함되면 귀무 가설이 기각됩니다.

p-값을 계산하는 데 사용되는 값입니다. 자료의 크기와 p-값 분포에 영향을 미칩니다.

특정 질환을 예측하는 공식으로, 물리적 검사 결과나 기타 임상적 정보를 사용하여 질환 발생 가능성을 계산합니다.

임상 실험에서 개발된 공식의 정확성과 유용성을 평가하기 위해 새로운 집단에 적용하는 과정.

질병 진단 시, 특정 증상이나 검사 결과가 실제 질병을 가진 환자들에게 얼마나 자주 나타나는지를 나타내는 지표입니다. 즉, 질병을 정확하게 진단해낼 확률을 의미합니다.

질병 진단 시, 실제 질병이 없는 환자들에게 얼마나 자주 정상으로 판단하는지를 나타내는 지표입니다. 즉, 질병이 없는 사람을 정확하게 판별해낼 확률

ROC 곡선 아래 면적은, 임상 예측 공식의 전체적인 성능을 나타내는 지표입니다. 값이 1에 가까울수록 예측 성능

두 변수 간의 선형적인 관계의 강도와 방향을 나타내는 척도. 1에 가까

뇌의 특정 영역 간의 활동 연관성을 나타내는 지표. 뇌파나 fMRI 등의 뇌 영상 기술로 측정

수면 무호흡증 환자의 뇌 특정 영역 간의 기능적 연결성을 분석하여 질환과의

Durbin-Watson 통계량은 회귀 분석에서 잔차의 자기 상관 관계를 측정하는 데 사용되는 통계량입니다. 잔차가 독립적이라는 가정을 확인하는 데 도움이 됩니다.

Durbin-Watson 통계량은 0과 4 사이의 값을 가지며, 값이 2에 가까울수록 잔차가 독립적임을 나타냅니다. 0에 가까울수록 양의 자기 상관 관계를, 4에 가까울수록 음의 자기 상관 관계를 나타냅니다.

Durbin-Watson 통계량이 2보다 훨씬 작거나 크면 잔차가 자기 상관 관계를 갖고 있으며, 독립적이지 않다는 것을 나타냅니다.

Durbin-Watson 통계량은 잔차의 시간적 순서를 고려하여 계산됩니다. 즉, 연속된 잔차 간의 관계를 측정합니다.

Durbin-Watson 통계량이 2와 크게 다르면 회귀 모형의 가정이 위배될 수 있으며, 모형의 신뢰성이 떨어질 수 있습니다.

Durbin-Watson 통계량은 시간 순서 데이터 분석, 시계열 분석 등에서 특히 유용하게 쓰입니다.

Durbin-Watson 통계량이 2에 가까울수록 잔차는 독립적이며, 회귀 모형이 데이터에 잘 맞는다는 것을 나타냅니다.

Durbin-Watson 통계량은 잔차의 자기 상관 관계를 측정하는 데 사용되는 통계량이므로, 회귀 분석에서 잔차의 독립성을 확인하는 데 중요한 역할을 합니다.

회귀식에 의해 설명되는 자료의 변동 비율을 나타내는 지표로, 0에서 1 사이의 값을 가집니다. 1에 가까울수록 회귀식이 자료의 변동을 더 잘 설명한다는 것을 의미합니다.

독립변수가 증가함에 따라 결정계수가 높아지는 현상을 방지하기 위해 사용하는 수정된 결정계수입니다. 독립변수의 개수가 증가하면 결정계수가 자동으로 증가하는 경향이 있는데, 수정 결정계수는 이러한 현상을 보정하여 실제 회귀식의 적합성을 더 정확하게 반영합니다.

회귀분석에서 독립변수가 서로 강한 상관관계를 가지고 있을 때 발생하는 문제로, 회귀계수의 추정이 불안정해지고 그 결과 회귀분석 결과의 신뢰성이 떨어지는 현상입니다.

다중공선성을 확인하는 방법 중 하나로, 각 독립변수가 다른 독립변수들과 얼마나 독립적인지를 나타내는 지표입니다. VIF 값이 10 이상이면 다중공선성이 존재할 가능성이 높습니다.

다중공선성을 확인하는 방법 중 하나로, VIF의 역수 값입니다. 0에서 1 사이의 값을 가지며, 0.1 이하이면 다중공선성이 존재할 가능성이 높습니다.

다중공선성 문제를 해결하기 위해 독립변수를 제거하거나 변수를 변형하는 방법 등을 사용합니다. 가장 간단한 해결 방법은 상관관계가 높은 변수 중 하나를 제거하는 것입니다.

다중회귀모형에서 독립변수의 효과를 검정하는 데 사용하는 통계량입니다. F 값이 클수록 독립변수가 종속변수에 유의미한 영향을 미친다는 것을 의미합니다.

다중회귀모형에서 독립변수의 효과를 검정하는 데 사용하는 통계량입니다. t 값이 클수록 독립변수가 종속변수에 유의미한 영향을 미친다는 것을 의미합니다.

회귀분석에서 독립변수가 변화할 때 종속변수가 얼마나 변화하는지 나타내는 값입니다. 회귀계수는 독립변수의 단위 변화에 따른 종속변수의 변화량을 나타냅니다.

회귀계수의 신뢰구간을 구하는 데 사용하는 지표로, 회귀계수가 얼마나 정확하게 추정되었는지를 나타냅니다. 표준오차가 작을수록 회귀계수의 추정이 정확하다고 할 수 있습니다.

회귀계수가 0인지 아닌지 검정하는 데 사용하는 가설 검정 방법입니다. 귀무 가설은 회귀계수가 0이고, 대립 가설은 회귀계수가 0이 아니라는 것입니다.

회귀분석에서 독립변수가 종속변수에 미치는 영향을 설명하는 선형방정식입니다. 회귀식은 독립변수의 값을 입력하면 종속변수의 예측 값을 계산하는 데 사용됩니다.

회귀분석에서 종속변수의 실제 값과 예측 값의 차이를 나타내는 값입니다. 잔차는 회귀식의 적합성을 평가하는 데 사용됩니다.

회귀분석에서 사용되는 가설 검정 방법 중 하나로, 귀무 가설은 회귀모형이 적합하지 않다는 것이고, 대립 가설은 회귀모형이 적합하다는 것입니다. F 통계량을 사용하여 검정을 수행합니다.

회귀분석에서 사용되는 가설 검정 방법 중 하나로, 귀무 가설은 독립변수가 종속변수에 영향을 미치지 않는다는 것이고, 대립 가설은 독립변수가 종속변수에 영향을 미친다는 것입니다. t 통계량을 사용하여 검정을 수행합니다.