[목 차]
저자 서문 / 4
Part 1: 통계학 기초와 데이터의 이해
Chapter 1: 통계학이란 무엇인가?
1.1 통계학의 역할 ······································································ 12
1.2 데이터와 변수 ······································································ 15
1.3 모집단과 표본 ······································································ 18
Chapter 2: 기술통계 - 데이터 요약과 시각화
2.1 중심경향 측도 ······································································ 24
2.2 산포도 측도 ········································································· 29
2.3 데이터 분포 ········································································· 34
2.4 시각화 ·················································································· 39
Chapter 3: 확률과 확률분포
3.1 확률의 기초 ········································································· 44
3.2 이산확률분포 ········································································ 48
3.3 연속확률분포 ········································································ 52
Chapter 4: 추론통계 - 추정과 검정
4.1 점추정과 구간추정 ······························································· 56
4.2 가설검정 기초 ······································································ 60
Part 2: 회귀분석과 시계열 분석
Chapter 5: 단순 회귀분석
5.1 회귀분석의 개념 ··································································· 66
5.2 회귀분석 추론 ······································································ 71
5.3 OLS의 기하학적 해석 ························································· 74
5.4 회귀분석의 기본 가정 ·························································· 76
5.5 횡단면 회귀의 확장: Fama-MacBeth(Eugene Fama 교수 수업 경험) · 77
Chapter 6: 다중 회귀분석
6.1 다중회귀 모형 ······································································ 81
6.2 다중공선성(Multicollinearity) ·············································· 88
6.3 변수 선택과 정보 기준 ·························································· 88
6.4 더미 변수와 교호작용 ·························································· 89
6.5 로지스틱 회귀와 분위 회귀 ················································· 91
Chapter 7: 시계열 분석
7.1 정상성과 단위근 검정 ·························································· 95
7.2 시계열 데이터의 구조와 자기 상관 ····································· 99
7.3 수익률 예측과 할인율(John H. Cochrane 교수 수업 경험) · 102
Chapter 8: 다변량 시계열 분석
8.1 VAR 모형(Vector autoregression) ····························· 106
8.2 공적분과 장기균형 ····························································· 108
8.3 공적분과 VECM ································································ 110
8.4 충격 반응 분석(Impulse Response Function) ·············· 111
Part 3: 머신러닝과 텍스트 마이닝
Chapter 9: 머신러닝 기초
9.1 머신러닝 개요 ···································································· 116
9.2 일반화, 과적합, 모형 평가 ················································ 117
9.3 정규화(Regularization) ····················································· 119
Chapter 10: 의사결정 나무와 앙상블
10.1 의사결정 나무(Decision Tree) ······································· 122
10.2 랜덤 포레스트(Random Forest) ···································· 124
10.3 그래디언트 부스팅 ··························································· 127
Chapter 11: 비지도 학습
11.1 군집 분석(Clustering) ····················································· 130
11.2 차원축소 ·········································································· 134
Chapter 12: 텍스트 마이닝
12.1 텍스트 전처리 ·································································· 138
12.2 텍스트 표현 ····································································· 140
12.3 키워드 추출: KeyBERT ·················································· 142
12.4 텍스트 지수 구축: NKPII 사례 ······································· 143
Part 4: 경영정보시스템과 종합 사례
Chapter 13: 경영정보시스템 개론
13.1 정보시스템의 개념과 발전 ··············································· 147
13.2 정보시스템의 계층 구조: TPS·MIS·DSS·EIS ················· 148
13.3 주요 정보시스템 유형과 데이터 기반 의사결정 ··············· 149
13.4 클라우드 인프라와 MIS의 교육적 의의 ·························· 151
Chapter 14: 데이터베이스와 빅데이터
14.1 데이터베이스, SQL, ETL ················································ 153
14.2 빅데이터 인프라와 데이터 거버넌스 ································ 155
Chapter 15: 사례 1, 함정 MRO 의사결정 지원시스템(DSS) 설계와 구현
15.1 문제 정의, 데이터 아키텍처, ETL ·································· 159
15.2 예측 모형 구축과 DSS 기능 설계 ·································· 161
Chapter 16: 사례 2, 안보 충격 모니터링 시스템과 국방 예산 EIS
16.1 시스템 개요, 데이터 아키텍처, 안보 충격 지수 산출 ····· 164
16.2 VECM 분석, 충격 반응 해석, EIS 설계 ························ 166
부록
Appendix A: Python 환경 설정 ············································ 170
Appendix B: R 기초 ······························································ 171
Appendix C: 통계 검정 요약표 ·············································· 173
Appendix D: 데이터 소스 ······················································· 174
Appendix E: 참고문헌 ···························································· 175
[본 문]
통계 공식과 분석 기법은 그 자체로도 중요하지만, 실제 데이터와 실제 문제를 만났을 때 비로소 그 의미와 가치가 분명해집니다. 이 책은 바로 그 지점을 독자와 함께 짚어 가기 위해 기획되었습니다. 따라서 이 책은 단순히 공식을 나열하거나 코드 사용법만 소개하는 데 그치지 않고, 왜 특정 방법론이 필요한지, 어떤 상황에서 어떤 분석을 선택해야 하는지, 그리고 그 결과를 실제 의사결정에 어떻게 연결할 수 있는지를 함께 설명하고자 하였습니다.
- p.5 「저자 서문」 중에서
무엇보다 이 책이 독자 여러분이 데이터와 방법론을 단순한 계산 기술이 아니라, 현실을 이해하고 더 나은 의사결정을 이끌어 내는 도구로 바라보는 데 작은 길잡이가 되기를 기대합니다. 독자 여러분의 비판과 조언은 앞으로 이 책을 더 좋은 방향으로 다듬는 데 소중한 밑거름이 될 것입니다.
- p.6 「저자 서문」 중에서
양성 판정을 받아도 실제 질환일 확률은 8.8%에 불과하다. 이는 질병의 유병률이 매우 낮기 때문이다. 이 예시는 희귀 질환에서는 민감도가 높더라도 양성예측도(PPV)가 낮을 수 있음을 보여준다. 사람들은 종종 사전확률의 영향을 과소평가하는 경향이 있다.
- p.47 「Chapter 3: 확률과 확률분포」 중에서
정상 시계열이란 평균, 분산, 자기공분산과 같은 통계적 성질이 시간에 따라 변하지 않는 시계열을 말한다. 이러한 가정이 충족되지 않으면 많은 시계열 모형의 해석과 예측이 어려워진다. 따라서 시계열 자료를 회귀분석에 사용하기 전에는 반드시 정상성 여부를 먼저 확인해야 한다.
- p.95 「Chapter 7: 시계열 분석」 중에서
이처럼 중심극한정리는 모집단의 형태와 무관하게 표본 평균이 정규분포로 수렴함을 보여주며, 대부분의 통계 검정이 정규분포 근사를 사용할 수 있는 중요한 이론적 근거가 된다. n=1일 때는 원래 모집단인 균등분포의 특성이 그대로 나타나지만, n=30 이상이 되면 표본 평균의 분포는 정규분포에 매우 가까워진다.
- p.55 「Chapter 3: 확률과 확률분포」 중에서
점추정이 하나의 값으로 모수를 추정하는 방법이라면, 구간추정(interval estimation)은 모수가 포함될 것으로 예상되는 구간을 함께 제시하는 방법이다. 실제 연구에서는 하나의 수치만 제시하는 것보다, 불확실성까지 반영한 구간을 함께 제시하는 것이 더 바람직하다.
- p.57 「Chapter 4: 추론통계 - 추정과 검정」 중에서
비정상 시계열의 대표적인 예는 확률 보행(random walk)이다. 이 과정에서는 충격이 일시적으로 사라지지 않고 누적되므로, 분산이 시간의 흐름에 따라 계속 증가한다. 이런 성질 때문에 서로 무관한 두 확률 보행 시계열을 단순 회귀하면 높은 R²와 유의한 t 통계량이 나타나는 허구적 회귀(spurious regression) 문제가 발생할 수 있다.
- p.96 「Chapter 7: 시계열 분석」 중에서
전통적인 효율적 시장가설은 주식수익률이 체계적으로 예측되기 어렵다고 본다. 그러나 이후의 자산가격 연구는 현재 가격에 내포된 정보가 미래 장기수익률을 어느 정도 예측할 수 있음을 보여주었다. 배당 수익률이 높은 시기, 즉 주가가 상대적으로 낮은 시기에는 미래 기대 수익률이 높아질 수 있다는 해석이 가능하다.
- p.102 「Chapter 7: 시계열 분석」 중에서
OLS는 평균적인 관계를 추정하는 데 유용하지만, 분포 전체의 구조를 보여주지는 못한다. 분위 회귀는 저분위, 중앙, 고분위에서 각각 다른 기울기를 추정함으로써, 동일한 설명변수가 분포의 위치에 따라 다른 효과를 보일 수 있음을 보여준다. 특히 이분산성이 존재하거나 극단적 고비용 사례가 중요한 분석에서는 OLS보다 더 풍부한 정보를 제공할 수 있다.
- p.94 「Chapter 6: 다중 회귀분석」 중에서
이러한 텍스트 지수 구축 방법론은 안보 분야에만 국한되지 않는다. 이들 응용의 공통 절차는 대체로 유사하다. 먼저 도메인 전문가와 함께 핵심 키워드를 선정하고, TF-IDF 등의 방법으로 가중치를 부여한 뒤, 시계열 지수를 구축하고 정규화한다. 마지막으로 실제 사건, 시장 지표, 정책 변화와 비교하여 지수의 설명력과 타당성을 검증한다.
- p.144 「Chapter 12: 텍스트 마이닝」 중에서
텍스트 전처리는 단순한 준비 단계가 아니라, 이후 분석 결과의 품질을 좌우하는 핵심 단계이다. 한국어 텍스트는 조사, 어미 변화, 띄어쓰기 오류, 복합명사, 고유명사 처리 등의 문제 때문에 영어보다 전처리의 중요성이 더 크다.
- p.139 「Chapter 12: 텍스트 마이닝」 중에서
이 단계에서 정보시스템은 기록하고 보고하는 시스템을 넘어 해석하고 권고하는 시스템으로 진화하고 있다. 이러한 발전 단계를 이해하면, MIS는 단일 소프트웨어 이름이 아니라 조직이 데이터를 다루는 방식의 진화라고 볼 수 있다.
- p.147 「Chapter 13: 경영정보시스템 개론」 중에서
AD광고
AD광고
