통계적 모델링 기법

Python으로 설문 데이터 분석하기

EbunOluwa Andrew

Data Scientist

왜 설문 분석에서 통계적 모델링을 쓰나요?

• 변수 간 관계로 예측 수행
• 시각화를 활용
  • 인사이트를 선명하게 전달

¹ 이미지: Chris Liverani, Unsplash

통계적 모델링을 언제 사용하나요

• 복잡한 데이터
• 변수 간 영향 파악
• 결과 예측

¹ 이미지: Tyler Easton, Unsplash

통계적 모델링 기법 예시

• 선형 회귀
• 두 표본 t-검정
• 카이제곱 검정

선형 회귀 모형

• 선형 회귀 모형
  • x와 y 간 선형 관계 가정
  • y = m*x + b
  • y = 종속 변수
  • x = 독립 변수
  • m = 기울기
  • b = y절편

¹ 이미지: Seeing Theory-Brown.edu

설문 분석의 선형 회귀

employee	gender	company_type	wfh_available	mental_fatigue_score	burn_rate
fff200	Male	Service	No	3	0.24
fff500	Female	Service	Yes	5.7	0.45
fff700	Female	Service	Yes	5.8	0.49
fff300	Female	Service	Yes	6.7	0.63
fff100	Female	Product	Yes	4.7	0.38
fff400	Male	Service	Yes	3.4	0.28
fff600	Female	Product	Yes	5.4	0.5
fffe3400	Female	Product	No	6.7	0.58
fffe200	Male	Service	Yes	6.3	0.48
fffe3000	Male	Service	Yes	5.4	0.41

설문 분석의 선형 회귀

data.plot.scatter(
x='mental_fatigue_score',
y='burn_rate')
plt.show()

두 표본 t-검정

• 두 모집단 평균 차이의 유의성 검정
• 귀무가설 = 두 모집단 평균은 같다
• 대립가설 = 두 모집단 평균은 같지 않다

¹ 이미지: Olesia Bahrii, Unsplash

설문 분석의 두 표본 t-검정

employee	gender	company_type	wfh_available	mental_fatigue_score	burn_rate
fff100	Female	Product	Yes	4.7	0.38
fff400	Male	Service	Yes	3.4	0.28
fff600	Female	Product	Yes	5.4	0.5

company_type	burn_rate
Service	0.57
Service	0.75
Service	0.51
Service	0.57

company_type	burn_rate
Product	0.51
Product	0.79
Product	0.66
Product	0.39

카이제곱 검정

• 두 범주형 변수 간 연관성의 유의성 검정
• 귀무가설 = 변수 간 유의한 연관성 없음
• 대립가설 = 유의한 연관성 있음

설문 분석의 카이제곱 검정

• 변수 #1

  • company_type
  • Product 또는 Service

• 변수 #2

  • wfh_available
  • Yes 또는 No

company_type	wfh_available
Product	Yes
Product	Yes
Product	No
Service	Yes
Service	Yes
Product	Yes
Service	No
Service	No
Product	Yes
Service	Yes

어떤 기법을 쓸까? - 선형 회귀

두 변수 = 수치형

어떤 기법을 쓸까? - 두 표본 t-검정

• 두 표본 t-검정
  • 한 변수 = 범주형
  • 한 변수 = 수치형

¹ 이미지: Diana Polekhina, Unsplash

어떤 기법을 쓸까? - 카이제곱 검정

• 카이제곱 검정
  • 두 변수 = 범주형

¹ 이미지: Element5 Digital, Unsplash

연습해 봅시다!

Python으로 설문 데이터 분석하기