0:00:00.180,0:00:01.940
이전 강의에서

0:00:01.940,0:00:04.720
회귀선을 어떻게 사용하는지

0:00:04.720,0:00:08.090
특히, 모집단에서[br]회귀선의 기울기에 관하여

0:00:08.090,0:00:10.910
추론을 하기 위해[br]어떻게 표본자료를 바탕으로

0:00:10.910,0:00:15.700
회귀선의 기울기를 사용하는지[br]생각해 보았습니다

0:00:15.700,0:00:17.960
이번 시간에는

0:00:17.960,0:00:20.260
회귀선을 다룰 때

0:00:20.260,0:00:22.610
추론을 위한 조건이[br]무엇인지 알아보고자 합니다

0:00:22.610,0:00:24.900
어떻게 보면

0:00:24.900,0:00:27.280
평균, 혹은 비율에 대한[br]신뢰구간이나

0:00:27.280,0:00:30.320
가설검정을 시행할 때 고려했던

0:00:30.320,0:00:33.920
추론을 위한 조건과[br]유사한 부분이 있습니다

0:00:33.920,0:00:36.890
하지만 새로운[br]조건도 있습니다

0:00:36.890,0:00:39.860
이 조건들을 기억하기 위해

0:00:39.860,0:00:46.940
줄임말 LINER를 기억하세요

0:00:46.940,0:00:50.480
와닿지 않는다면[br]선형(linear)과 유사합니다

0:00:50.500,0:00:53.040
여기에 a가 있으면[br]선형(linear)이 되겠죠

0:00:53.040,0:00:54.670
이는 기억할 가치가 있습니다

0:00:54.670,0:00:57.140
회귀선에 대해 알아보고 있죠

0:00:57.140,0:01:01.240
L은 선형(linear)을 나타냅니다

0:01:01.240,0:01:05.000
여기서 조건은 모집단에서

0:01:05.000,0:01:08.620
변수 x와 y 사이의[br]실제 관계가

0:01:08.620,0:01:11.290
선형 관계라는 것입니다

0:01:11.290,0:01:13.700
선형 관계

0:01:13.700,0:01:15.680
선형 관계

0:01:15.680,0:01:18.340
선형 관계

0:01:18.340,0:01:20.180
선형 관계

0:01:20.180,0:01:21.660
x와 y 사이에서

0:01:21.690,0:01:23.950
x와 y 사이에서

0:01:23.950,0:01:25.910
x와 y 사이에서

0:01:25.910,0:01:28.920
대부분의 경우

0:01:28.920,0:01:31.270
예를 들어, AP 시험에서

0:01:31.270,0:01:33.950
이와 같은 조건은

0:01:33.950,0:01:36.400
만족한다고 가정합니다

0:01:36.400,0:01:37.720
일반적으로

0:01:37.720,0:01:38.600
모든 조건은[br]만족한다고 가정합니다

0:01:38.600,0:01:41.100
이 조건들이 무엇인지[br]아는 게 더 중요합니다

0:01:41.100,0:01:42.810
하지만 생각해 보세요

0:01:42.810,0:01:45.660
이 관계가 선형이 아니라면

0:01:45.660,0:01:47.250
추론이 탄탄하지 않겠죠

0:01:47.250,0:01:50.150
추론이 탄탄하지 않겠죠

0:01:50.150,0:01:53.290
다음 조건은

0:01:53.290,0:01:55.560
보통 추론을 위한[br]조건으로 언급되는

0:01:55.560,0:01:57.530
독립성(independence)[br]조건입니다

0:01:57.530,0:01:59.960
독립성(independence)[br]조건입니다

0:01:59.960,0:02:01.980
여러 가지 방식으로[br]생각해보죠

0:02:01.980,0:02:04.070
각 개체가

0:02:04.070,0:02:05.830
서로 독립이려면

0:02:05.830,0:02:09.180
복원추출하면 됩니다

0:02:09.180,0:02:11.910
아니면 10% 조건도 있습니다

0:02:11.910,0:02:13.430
비율, 혹은 평균에 대한

0:02:13.430,0:02:18.200
독립성 조건을 고려할 때[br]했던 내용이죠

0:02:18.200,0:02:20.010
표본의 크기가

0:02:20.010,0:02:23.710
모집단의 10%를 넘지 않아야

0:02:23.710,0:02:26.070
성립합니다

0:02:26.070,0:02:28.140
다음은[br]일반성(normal) 조건입니다

0:02:28.140,0:02:30.230
비율, 평균에 대한 추론을 할 때

0:02:30.230,0:02:32.610
했던 부분이죠

0:02:32.610,0:02:35.170
그러나, 회귀선을 다룰 때에는

0:02:35.170,0:02:37.580
조금 더 복잡합니다

0:02:37.580,0:02:39.590
일반성 조건은 보통

0:02:39.590,0:02:42.160
만족한다고 가정했죠

0:02:42.160,0:02:43.820
하지만 회귀선을 그려보면

0:02:43.820,0:02:44.880
원근법을 사용합니다

0:02:44.880,0:02:46.670
3차원 공간입니다

0:02:46.670,0:02:48.410
이것은 x축

0:02:48.410,0:02:50.500
이것은 y축입니다

0:02:50.500,0:02:54.810
모집단에서 회귀선은[br]이런 모습입니다

0:02:54.810,0:02:57.270
따라서 일반성 조건은

0:02:57.270,0:03:00.800
모집단에서 주어진[br]어떠한 x에 대해서도

0:03:00.800,0:03:04.640
예상하는 y의 분포는

0:03:04.640,0:03:06.580
정규분포를 따릅니다

0:03:06.603,0:03:08.810
x가 주어졌을 때

0:03:08.810,0:03:10.910
y에 대한 정규분포를

0:03:10.910,0:03:11.870
그릴 수 있는지[br]확인해 봅시다

0:03:11.870,0:03:13.990
여기 정규분포가 있습니다

0:03:13.990,0:03:16.860
이 x에 대해서

0:03:16.860,0:03:21.300
정규분포를 예상할 수 있습니다

0:03:21.300,0:03:23.460
이렇게 말이죠

0:03:23.460,0:03:24.530
이렇게 말이죠

0:03:24.530,0:03:25.380
x가 주어진다면

0:03:25.380,0:03:27.760
y의 분포는 정규분포를 따릅니다

0:03:27.760,0:03:29.750
보통 이 조건은

0:03:29.750,0:03:32.470
만족한다 하고 넘어갈 것입니다

0:03:32.470,0:03:34.390
적어도 통계학 입문에서는

0:03:34.390,0:03:36.970
여러분이 다루기에[br]조금 어렵기 때문이죠

0:03:36.970,0:03:38.810
다음 조건입니다

0:03:38.810,0:03:42.790
동일한(equal) 분산 조건입니다

0:03:42.790,0:03:45.090
동일한(equal) 분산 조건입니다

0:03:45.090,0:03:46.390
이는 주어진 x에 대하여

0:03:46.390,0:03:48.670
이 정규분포들이

0:03:48.670,0:03:51.250
산포도가 같아야[br]한다는 것이죠

0:03:51.250,0:03:52.870
따라서 분산이[br]같다고 할 수 있고

0:03:52.870,0:03:54.520
아니면 표준편차가 같다고[br]할 수 있습니다

0:03:54.520,0:03:56.360
아니면 표준편차가 같다고[br]할 수 있습니다

0:03:56.360,0:03:59.880
예를 들어[br]여기 주어진 x가

0:03:59.880,0:04:02.580
이런 모습을 나타내며

0:04:02.580,0:04:03.620
분산이 작다면

0:04:03.620,0:04:06.890
추론을 위한 조건을[br]만족하지 않게 되겠죠

0:04:06.890,0:04:10.430
마지막으로[br]우리에게 익숙한 조건입니다

0:04:10.430,0:04:12.300
임의성(random) 조건입니다

0:04:12.300,0:04:14.600
이 조건은 자료들이

0:04:14.600,0:04:17.170
잘 설계된 임의표본이나

0:04:17.170,0:04:19.200
한 무작위 실험으로부터[br]나왔다는 것입니다

0:04:19.200,0:04:23.040
또한 이 조건은 지금까지[br]추론을 위한 조건으로

0:04:23.040,0:04:25.760
모든 경우에서 쓰였습니다

0:04:25.760,0:04:27.140
그냥 넘어갈게요

0:04:27.140,0:04:28.270
LINER[br]알아두세요

0:04:28.270,0:04:30.470
시험에 잘 나옵니다

0:04:30.470,0:04:32.960
하지만 대부분의 경우[br]문제를 풀 때

0:04:32.960,0:04:36.130
통계학 입문에서는

0:04:36.130,0:04:38.720
추론을 위한 조건이[br]만족되었다고 가정할 것입니다

0:04:38.720,0:04:40.910
아니면 추론을 위한 조건에[br]무엇이 있는지 물어볼 것입니다

0:04:40.910,0:04:42.970
그러나 증명하라고는[br]안할 것입니다

0:04:42.970,0:04:46.010
예를 들어, 일반성 조건이나[br]동일한 분산조건은

0:04:46.010,0:04:47.040
통계학 입문에서 다루기엔

0:04:47.040,0:04:49.763
조금 과합니다