홈 > 강의소개
다변량(통계)분석Ⅱ
김용태 교수
단국대학교 대학원 통계학과 석사과정
단국대학교 대학원 정보통계학과 박사졸업
단국대학교 대학원 통계학과 석사과정
단국대학교 대학원 정보통계학과 박사졸업
단국대학교
한국외국어대학교
을지대학교
현) 유니와이즈 전임교수
AI가 이끄는 스마트한 학습 경험, AI 튜터와 함께 더 빠르고, 더 깊게 학습하세요.
긴 강의 내용을 AI가 핵심만 요약하여 복습 시간을 단축시킵니다.
강의에서 가장 중요한 키워드와 개념을 자동으로 추출해 제공합니다.
학습한 내용을 바탕으로 AI가 생성한 퀴즈를 풀며 이해도를 점검합니다.
모르는 부분을 24시간 언제든 AI 튜터에게 질문하고 답변을 받습니다.
총 9개 챕터, 36강으로 구성되어 있습니다.
| 제목 | 강의시간 | 상세내용 |
|---|---|---|
| 7장. 주성분분석 | ||
|
[1강] 주성분분석 (1)
|
1:
05:
19
|
|
|
주성분분석의 기본 개념과 수학적 정의 정리
• 주성분분석(PCA) 개념·목적 : 상관된 다변량 데이터를 서로 독립인 선형결합변수(주성분)로 변환하여 분산·공분산 구조를 가장 잘 설명하고 차원축소·해석·2차 분석(회귀, 군집 등)에 활용하는 방법 • 주성분의 수학적 정의 : 공분산행렬 Σ의 고유값·고유벡터(eigenvalue, eigenvector)를 사용해 Y_i = e_i'X로 정의하며, l_i'l_i=1 제약하에 분산 최대·상호 직교(공분산 0)를 만족하는 선형결합으로 구성하고 각 주성분의 분산은 해당 고유값 λ_i가 됨 • 분산·설명력·기하학적 의미 : 전체 변동은 고유값의 합으로 표현되고 각 주성분의 설명력은 λ_i / Σλ_j로 평가하며, 주성분은 공분산구조에 맞춰 좌표축을 직교 회전한 축(타원체의 고유벡터 방향)이고 주성분점수는 이 축에서의 좌표값으로 원변수와의 상관을 통해 해석에 활용됨 |
||
|
[2강] 주성분분석 (2)
|
0:
52:
41
|
|
|
상관행렬을 이용한 주성분분석, 표준화와 표본 주성분 개념 정리
• 공분산행렬·상관행렬 기반 PCA 선택 기준: 변수 단위·분산 구조에 따라 S 또는 R을 선택하고, 표준화 변수 Z 정의와 Z의 공분산행렬이 상관행렬 R이 되는 구조, Σ = V^{1/2} R V^{1/2}, R = V^{-1/2} Σ V^{-1/2} 관계 정리 • 표준화 변수 기반 주성분 및 설명력: 상관행렬 R의 고유값·고유벡터로 주성분 Y_i = e_i'Z를 정의하고 Var(Y_i)=λ_i, 총분산 ΣVar(Z_j)=p, 설명력 비율 λ_i/p, Corr(Y_i,Z_k)=e_{ki}√λ_i 성질 및 이변량 예제(예제 7.2, 7.3)를 통한 S 기반·R 기반 PCA의 고유값·고유벡터·설명력 비교 구조 제시 • 표본 주성분과 모집단 주성분 추정: 모수 미지 상황에서 표본공분산행렬 S와 표본상관행렬 R의 고유값·고유벡터(λ̂_i, ê_i)로 표본 주성분 Ŷ_i = ê_i'X를 정의하고 Var(Ŷ_i)=λ̂_i, Cov(Ŷ_i,Ŷ_j)=0(i≠j), 총분산 = Σs_kk = Σλ̂_i, Corr(Ŷ_i,X_k)=ê_{ki}√λ̂_i/√s_{kk} 공식을 이용해 모집단 주성분 구조를 추정하는 절차 정리 |
||
|
[3강] 주성분분석 (3)
|
1:
01:
02
|
|
|
표본 고유값·고유벡터 성질과 주성분 개수 선택·해석·응용 정리
• 표본 고유값·고유벡터 추론과 등상관구조 검정: 표본 공분산·상관행렬에서의 고유값·고유벡터 정규근사 분포, 모집단 고유값 신뢰구간, 등상관구조 하 고유값 패턴과 카이제곱 검정을 통한 등상관 가설 검정 • 주성분 해석과 개수 선택 기준: 주성분 그래프(1·2주성분)로 구조·이상치 탐색, 누적분산비·평균 고유값·스크리 그래프를 이용한 주성분 개수 결정, 마지막 주성분 고유값≈0을 통한 공선성·선형종속 진단, 공분산행렬 vs 상관행렬 선택에 따른 주성분 해석 차이 및 신체 치수 사례 해석 • 주성분분석 응용: 정규성 검정에서 주성분 단위 일변량 검정, 1·2주성분 기반 이상치 탐색, 다중공선성 해결을 위한 주성분 회귀, 요인·군집·판별분석 전처리 및 차원축소·시각화 도구로서의 활용 구조 정리 |
||
|
[4강] 주성분분석 (4)
|
0:
42:
47
|
|
|
R을 이용한 주성분분석: 형제 머리 크기 예제 정리
• R 주성분분석 구현: princomp 함수 구조(cor·scores 옵션), summary·screeplot·biplot 및 결과 객체(sdev·loadings·scores) 해석 체계 정리 • 주성분 선택·해석 기준: 공분산행렬 vs 상관계수행렬 선택 조건, 고유값·분산비·누적분산비·스크리도표를 이용한 주성분 개수 결정 및 로딩·점수 의미 정리 • 형제 머리 크기 예제 해석: 두 변수에 대한 1주성분의 공통 크기 성분(약 85% 설명력)과 2주성분 차이 성분 구조, 공분산·상관계수행렬 사용 시 결과 비교 및 점수 기반 순서화 정리 |
||
|
[5강] 주성분분석 (5)
|
1:
02:
02
|
|
|
성별 및 신체측정 자료의 주성분분석과 활용 정리
• 주성분분석(PCA) 절차와 구현: 공분산·상관계수행렬 선택, 고유값·분산비·누적분산비·스크리 플롯·Kaiser 기준을 이용한 주성분 개수 결정 및 R(principal, prcomp, eigen)에서의 분석·로딩값 출력·주성분 점수 산출 방법 정리 • 집단별 주성분 구조 해석: 심리검사 자료에서 성별(남자 vs 여자) 및 전체 집단에 대한 전반적 심리상태·문제인식·언어능력 성분 해석과 KRISS 체위자료 8개 신체변수의 전반적 신체 크기 성분과 둘레·체형 성분 도출 및 성별·연령대별 비교 구조 정리 • 주성분 점수 활용: 성별·연령별 산점도 기반 집단 특성 비교, 주성분 점수의 Shapiro–Wilk 검정·QQ-plot을 통한 정규성 진단, 이상치 탐색 및 회귀·군집 등 후속 분석용 축소 변수로의 활용 방법 정리 |
||
| 8장. 인자분석 | ||
|
[6강] 인자분석 (1)
|
1:
02:
48
|
|
|
다변량분석 인자분석 기본 개념과 다중 인자모형 정리
• 인자분석 기본 개념과 목적 : 공분산·상관 구조를 소수의 공통인자로 표현해 차원 축소, 변수 그룹화, 잠재 요인 해석을 수행하고 주성분분석과의 모형·설명 대상 차이를 정리 • 다중 인자모형과 공분산행렬 분해 : 직교 인자모형 $X-\mu=LF+\epsilon$의 가정하에 $\Sigma = LL' + \Psi$ 분해, 공통성 $h_i^2$·특수분산 $\psi_i$ 정의 및 인자적재값을 통한 변수–인자 관계 구조화 • 인자적재행렬의 비유일성·척도불변성과 기하학적 해석 : 직교변환에 따른 적재행렬 비유일성, 선형변환에 대한 인자 구조 보존, 인자축–변수벡터 기하 표현을 통한 공통성, 변수군 그룹화 원리 정리 |
||
|
[7강] 인자분석 (2)
|
0:
43:
30
|
|
|
인자적재행렬 추정과 인자 개수 결정 요약(주성분법·주축인자분석·최대우도법·인자수 검정)
• 인자적재행렬 추정 방법: 공분산·상관행렬의 스펙트럼분해를 이용한 주성분법·주축인자분석·최대우도(ML) 인자분석을 통해 인자적재행렬 L과 공통성·특수성 추정 및 수렴 특성·정규성 가정·Heywood 상황 가능성 비교 • 주성분법·주축인자분석·ML 인자분석 구조: Σ=LL'+Ψ 분해 기반으로 고유값·고유벡터를 이용한 L 구성, 공통성 초기값 설정과 반복 갱신 절차, 다중상관계수제곱과 특수분산 추정, ML의 척도불변성·모형적합 검정 가능성과 Heywood·ultra-Heywood 상황 메커니즘 정리 • 인자 개수 결정 기준: 누적분산비율(총 변이 70~90% 규칙), 평균 고유값 기준(Kaiser·Joliffe 규칙), 스크리 그래프의 기울기 변화 지점 판단, ML 인자분석 기반 카이제곱 우도비 검정을 이용한 적절한 공통인자 수 m 선택 절차 정리 |
||
|
[8강] 인자분석 (3)
|
0:
59:
38
|
|
|
인자분석 회전, 인자점수 추정과 인자분석 전략 정리
• 인자회전과 단순구조: 인자적재행렬을 직교회전(Varimax, Quartimax)·사각회전(Promax, Quatimin 등)으로 변환해 공통인자를 해석하기 쉬운 단순구조로 만드는 절차와 인자패턴·인자구조 개념 정리 • 인자점수 추정 방법: 공통인자값을 수치화하기 위한 인자점수 개념 및 가중최소제곱(Bartlett) 방법과 회귀적 방법의 모형가정, 추정식 구조, 특성(오차가중·조건부기댓값 최소제곱) 비교 • 인자분석 전략과 활용: 주성분법·최대우도법 기반 인자추출, 인자 수 결정과 회전 적용, 표본 분할을 통한 구조 안정성 점검, 신체측정·성적 데이터 사례로 본 인자명 부여 및 차원축소·해석 전략 정리 |
||
|
[9강] 인자분석 (4)
|
1:
04:
48
|
|
|
엔지니어·파일럿 테스트와 기업 재무자료의 인자분석 해석 및 R 구현
• 인자분석 기본 개념과 인자 수 결정: 공통인자·공통성·특수성 정의, 고유값·누적 설명력·스크리도표·카이제곱 검정에 따른 인자 수 선택 원리 정리 • R 기반 인자분석 구현: factanal·principal 함수 구조, ML 인자분석과 주성분 기반 인자분석, Varimax·Promax 회전과 로딩행렬·인자패턴도 해석, 회귀·Bartlett 인자점수 산출 절차 • 응용 사례 해석: 엔지니어·파일럿 6개 능력 검사에서 기구 조작 능력·상황 판단 능력 인자 도출 및 집단 비교, 100대 기업 재무자료에서 안정성·수익성·성장성 3요인 추출과 기업별 인자점수 산점도 분석으로 재무 특성 요약·분류 |
||
| 9장. 정준상관분석 | ||
|
[10강] 정준상관분석 (1)
|
0:
56:
49
|
|
|
정준상관분석 개념과 정준변수 도출 원리 요약
• 정준상관분석 개념·목적: 두 변수군 간 공분산·상관행렬(ΣXX, ΣYY, ΣXY) 구조를 이용해 각 군의 선형결합인 정준변수(U=a'X, V=b'Y)를 만들고, 이들의 상관을 최대화하여 고차원 연관성을 저차원 요약값(정준상관계수)으로 표현하는 기법 • 정준상관계수와 고유값 구조: 정준상관계수는 ρ(U,V)=a'ΣXYb / {√(a'ΣXXa)√(b'ΣYYb)}를 최대화하는 a,b에서 얻어지며, 그 제곱 ρk²는 Mx=ΣXX^(-1/2)ΣXYΣYY^(-1)ΣYXΣXX^(-1/2) (또는 My) 의 고유값으로 주어지고, 대응 고유벡터로 정준변수 계수(e_k,f_k → U_k,V_k)를 구성함 • 표준화 변수와 정준계수 변환: 원변수(X,Y)를 분산 대각행렬(DXX,DYY)로 표준화한 경우에도 정준상관계수 값은 불변이고, 정준계수는 c_k'=a_k'DXX^(1/2), d_k'=b_k'DYY^(1/2) 형태로만 재조정되며, 첫 번째 정준변수 쌍의 ρ가 크고 이후 ρ가 작을수록 첫 번째 쌍이 두 변수군 관계 대부분을 설명함 |
||
|
[11강] 정준상관분석 (2)
|
0:
47:
54
|
|
|
정준상관분석 표본정준변수·검정·해석 정리
• 정준상관분석 구조: 표본공분산·상관행렬 분할(SXX,SYY,SXY)과 고유값 문제를 통해 표본정준변수(U,V)와 정준상관계수(ρk)를 산출하고, 첫 번째 정준상관계수로 두 변수군(X,Y) 간 최대 상관구조를 요약함 • 정준변수·정준계수 해석: 정준변수는 원변수의 선형결합으로 구성된 인공 변수로, 정준계수(표준화 정준계수 포함)는 각 변수의 상대적 기여도와 방향을 나타내며, 정준상관계수는 공분산·상관행렬 선택 및 척도변환에 대해 불변이고 다중상관계수와도 회귀적 관계를 가짐 • 상관성 검정과 Wilks’ Lambda: 귀무가설 H0: ΣXY=0 하에서 Wilks’ Lambda Λ=∏(1−r_i²)와 카이제곱 근사통계량으로 두 변수군 간 상관성 존재 여부를 검정하고, Λ 값과 임계값 또는 χ² 분포 비교를 통해 정준상관분석의 유의성을 판단함 |
||
|
[12강] 정준상관분석 (3)
|
0:
51:
42
|
|
|
정준상관분석 R 활용: CCA 패키지와 화학공정 예제 정리
• 정준상관분석 개념 및 목적: 두 변수군(X, Y) 간 공분산·상관 구조를 소수의 정준상관계수와 정준변수(U, V)로 요약하고, 제1 정준상관계수 중심으로 변수군 간 선형 관계성과 설명력 평가 • CCA 패키지 활용 절차: cc·comput·matcor·img.matcor·plt.cc 함수로 상관계수행렬(Xcor, Ycor, XYcor), 정준계수·표준화 정준계수, 정준점수(U, V), 이미지·벡터·산점도 그래프를 계산·시각화·해석 • 정준상관분석 가설검정: Wilks’ λ와 카이제곱 근사 분포를 이용해 H0: ΣXY=0 검정, 정준상관계수로 λ 계산 후 임계값과 비교하여 두 변수군 간 유의한 다변량 상관 구조 존재 여부 판정 |
||
| 10장. 판별분석과 분류 | ||
|
[13강] 판별분석과 분류 (1)
|
1:
02:
44
|
|
|
판별분석과 Fisher 선형판별함수 개념 및 두 집단 판별 요약
• 판별분석 기본 개념: 범주형 종속변수와 여러 독립변수를 이용해 집단을 구분하는 선형판별함수·판별규칙을 구성하고, 오분류율로 성능을 평가하며 새로운 관측치 집단을 예측함 • Fisher 선형판별함수: 두 집단 공분산 동일 가정하에 표준화된 거리 $\dfrac{(\ell'(\mu_1-\mu_2))^2}{\ell'\Sigma\ell}$을 최대화하여 최적 방향벡터 $\ell=\Sigma^{-1}(\mu_1-\mu_2)$를 정의하고, 표본평균벡터와 합동공분산행렬 $S_p$로 $\hat\ell=S_p^{-1}(\bar X_1-\bar X_2)$를 추정함 • Fisher 판별규칙: 표본기반 판별점수 $\hat Y=\hat\ell'X$를 계산하고 집단별 평균점의 중간값 $\hat m$을 경계로 두어 $\hat y>\hat m$이면 $G_1$, $\hat y\le\hat m$이면 $G_2$로 분류하며, 신용평가·고객이탈 예측 등 이진 판별 문제에 적용함 |
||
|
[14강] 판별분석과 분류 (2)
|
1:
06:
23
|
|
|
다변량 정규 가정 하 판별분석: 선형·이차 판별함수 정리
• 최적 분류규칙 개념: 다변량 정규·사전확률·우도비 기반의 오분류확률 최소 규칙과 최대우도 규칙 구조 정리 • 선형판별함수와 추정: 공분산 동일 가정 하 선형 경계식 유도, Fisher 판별과의 관계, 표본평균·합동공분산행렬을 이용한 근사 선형판별규칙 및 R 구현 절차 • 이차판별함수와 선택 기준: 공분산 상이 시 이차형식 기반 이차판별함수 및 표본 이차판별식 구성, 선형 vs 이차 선택을 위한 공분산 동일성 가설검정과 표본 크기·추정 안정성 기준 정리 |
||
|
[15강] 판별분석과 분류 (3)
|
0:
54:
32
|
|
|
다변량 판별분석: 다그룹 정준판별, 최적판별규칙, 오분류율
• 정준판별분석과 차원축소: 그룹간 제곱합행렬 B와 그룹내 제곱합행렬 E로 정의된 행렬 E⁻¹B의 고유값·고유벡터를 이용해 s=min(g−1,p)개의 정준판별함수(정준축)를 구성하고, 이 정준축 상의 거리 최소 기준으로 다그룹 분류규칙을 설정함 • 선형·이차 판별함수와 최적 분류규칙: 공분산이 동일한 경우 공통공분산추정량 S_pooled에 기반한 선형판별함수 L_i(X), 공분산이 다른 경우 그룹별 공분산 S_i에 기반한 이차판별함수 Q_i(X)를 구성하여 p_i f(X|G_i)를 최대화하는 최대 사후확률(=사전확률 동일 시 최대우도) 규칙으로 최적 분류를 수행함 • 오분류율 추정과 타당성 검증: 분류표(confusion matrix)로 정확한 분류율과 명백한 오류율을 정의하고, 재대입(resubstitution), 표본분할(partitioning, train-test), 교차타당성(cross validation, leave-one-out) 방법으로 오분류율을 추정하여 판별함수의 예측 성능과 편의(bias)·불편성(trade-off)을 평가함 |
||
|
[16강] 판별분석과 분류 (4)
|
0:
55:
18
|
|
|
판별함수의 표준화와 유의성 검정, 단계적 변수선택 요약
• 판별함수 표준화와 중요도 해석: 공통 표준편차를 이용한 표준화 판별계수 a* = Sa를 정의하여 변수 단위 차이를 제거하고, 계수 크기로 각 변수의 상대적 판별 기여도 비교 • 판별함수 유의성 검정과 Wilks Lambda: 두 집단에서는 Hotelling T²로 μ₁=μ₂ 검정, 다집단에서는 E⁻¹Ω의 고유값·Wilks Lambda(Λ=∏1/(1+λᵢ)) 및 그 카이제곱·F 근사분포로 유의한 판별함수 개수 결정 • 변수선택과 단계적 판별분석: 전진·후진·단계적 선택에서 부분 Wilks Lambda와 부분 F-통계량을 사용해 불필요 변수를 제거하고 필요한 변수만으로 차원을 축소하며, 최종 선택 변수 집합으로 판별함수를 추정하는 단계적 판별분석 수행 |
||
|
[17강] 판별분석과 분류 (5)
|
0:
54:
07
|
|
|
이집트 두개골 자료를 이용한 R의 판별분석(LDA/QDA) 정리
• 판별분석 기본 구조: 이집트 두개골 4개 연속형 계측변수와 2개 시기 그룹변수를 활용한 LDA/QDA 모형 설정, MASS::ldahist로 분포 탐색, biotools::boxM으로 공분산 동일성 검정 후 LDA/QDA 선택 • 판별모형 추정·평가: MASS::lda/qda와 prior·CV 옵션을 이용한 판별함수 추정, predict와 교차표로 정분류율·오류율 계산, CV 기반 분류율로 일반화 성능 평가 • 시각화·변수선택 도구: klaR::partimat으로 LDA/QDA 판별경계 시각화, klaR::stepclass와 k-fold 교차타당성을 이용한 단계적 변수선택으로 최적 판별모형 구성 |
||
|
[18강] 판별분석과 분류 (6)
|
0:
53:
30
|
|
|
은행 고객 신용도 판별분석: LDA·QDA와 변수선택 비교 요약
• 다집단 판별분석 구조: 은행 고객 신용도(양호·모호·불량)를 그룹변수로 하고 X1~X10 설명변수를 사용하여 LDA·QDA 기반 분류모형을 적합·비교함 • LDA·QDA 적용 기준: 공분산행렬 동질성(박스의 M 검정) 결과에 따라 LDA vs QDA를 선택하고, 혼동행렬·정확분류율·집단별 행비율로 분류 성능과 모호 집단 분류 한계를 평가함 • 변수선택 및 축소 모형: stepclass와 교차검증으로 핵심 변수(X1, X2, X3, X8)를 선정해 축소 LDA·QDA 모형을 구성하고, 변수절약법칙 관점에서 적은 변수로도 유사한 분류율을 확보하는 절차를 정리함 |
||
| 11장. 군집분석 | ||
|
[19강] 군집분석 (1)
|
0:
53:
27
|
|
|
군집분석: 유사성 측도와 계층적 군집방법 핵심 정리
• 군집분석 개념 및 목적: 사전 집단 정보 없이 특성변수와 거리척도를 이용해 관측치를 비지도 방식으로 군집화하고, 군집 수 결정과 군집 간 차이·구조를 탐색하는 다변량 분석방법 • 유사성 측도(거리척도): 유클리드·표준화·민코우스키·맨하탄·마할라노비스·캔버라·체비셰프 거리 등으로 관측치 간 근접성을 수치화하여 군집 형성의 기준으로 사용하는 거리 기반 측도 체계 • 계층적 군집방법과 Ward 방법: 최단·최장·평균연결법 및 Ward 방법을 통해 군집 간 거리 또는 ESS 증가량을 기준으로 순차 병합하고, 덴드로그램 절단 높이로 군집 수를 결정하는 계층적 군집화 절차 |
||
|
[20강] 군집분석 (2)
|
1:
01:
04
|
|
|
비계층적 군집과 모형기반 군집
• 비계층적 군집·K-평균법: 사전 군집 수 지정, 중심 기반 반복 알고리즘, 유클리디안 거리·군집 내 제곱합 최소화, 초기값 민감성과 군집 재배치 특징 정리 • 군집 개수 결정·타당성 평가: Ward ESS 변화·Mojena 기준(거리 평균·표준편차·k값), 표본 분할 교차타당성으로 군집 구조 안정성·유사성 검증 절차 요약 • 변수 군집화·모형기반 군집: 상관계수 기반 변수 거리 정의, Gaussian 혼합모형과 EM 알고리즘, 공분산행렬 분해(볼륨·형태·방향)와 BIC에 의한 군집 수·공분산 구조 선택 원리 정리 |
||
|
[21강] 군집분석 (3)
|
1:
07:
21
|
|
|
R을 이용한 군집분석: 거리행렬, 계층·비계층·모형기반 방법 정리
• 거리행렬과 계층적 군집분석: dist 함수로 거리행렬 계산(method·diag·upper·p 설정) 후 hclust–plot–cutree로 덴드로그램 기반 계층적 군집(single·complete·ward·average 방법 비교 및 군집 수 결정) 수행 • K-means 비계층적 군집분석: 원자료를 입력으로 kmeans 함수 수행 후 centers·cluster·(tot.)withinss를 이용해 군집 구조 해석, WSS–elbow rule로 적정 군집 수 선택 절차 정리 • 모형기반 군집분석(Mclust): 공분산 구조 모형(modelNames)과 군집 수 G 후보에 대해 BIC 최대 조합으로 최적 모형·군집 수 선택, classification·uncertainty·density를 활용해 군집 패턴과 분류 불확실성 해석 |
||
| 12장 다차원척도법 | ||
|
[22강] 다차원척도법 (1)
|
1:
02:
57
|
|
|
다변량 데이터의 고전적 다차원척도법(MDS)과 차원 결정
• 고전적 다차원척도법(MDS) 구조: 근접성·거리행렬로부터 더블 센터링을 통해 내적행렬 B를 구성하고 고유값 분해로 좌표와 차원수를 동시에 추정하는 유클리드 기반 공간모형 • 좌표 추출과 차원 선택 기준: B의 양의 고유값과 고유벡터로 주성분 좌표 X*를 구하고 누적 비율 Pm(또는 |λ|·λ² 비율, 트레이스·크기 기준)을 이용해 적절한 저차원(보통 2~3차원) 근사 차원수 결정 • 유클리드·비유클리드 거리에서의 MDS–PCA 관계: 유클리드 거리에서는 고전적 MDS 좌표가 PCA 주성분 점수와 동등하며, 비유클리드(맨해튼 등) 거리에서는 B가 양정치가 아니어 음의 고유값이 발생하므로 양의 고유값 부분공간과 적합 비율을 활용하거나 필요 시 비계량 MDS로 전환해 차원을 결정함 |
||
|
[23강] 다차원척도법 (2)
|
1:
01:
34
|
|
|
다변량분석 고전적 다차원척도법 예제 정리: Mahalanobis 거리와 MDS 적용
• 고전적 다차원척도법(MDS) 개념: 거리행렬로부터 내적행렬 고유분해를 통해 저차원 좌표를 추정하고, 고유값 기반 PM1·PM2 지표로 적정 차원수 결정 및 비유클리드 거리에서의 음의 고유값 해석 절차 정리 • Mahalanobis 거리와 공통공분산행렬: 집단별 평균벡터 간 Mahalanobis 거리를 위해 공통공분산행렬을 추정하고, 이를 이용해 시대별 두개골·집단 간 거리행렬을 구성해 잠재 차원(시간·지리적 위치) 구조를 추정하는 방법 정리 • 최소신장트리(MST)와 구조 보존 점검: 거리행렬로 MST를 구성해 MDS 좌표 위에 중첩함으로써 근접구조 보존 여부와 왜곡 정도를 진단하고, 집단 간 유사성·군집 구조를 보조적으로 해석하는 절차 정리 |
||
|
[24강] 다차원척도법 (3)
|
0:
34:
47
|
|
|
비계량형 다차원척도법 개념과 R 적용 예제 핵심 정리
• 비계량형 다차원척도법: 순서형 근접성·비유사성의 단조구조만 보존하여 객체 간 거리를 저차원 공간에 배치하는 기법 • 불일치와 스트레스 함수: 관측 비유사성의 단조회귀로 불일치를 추정하고, Kruskal 스트레스 함수를 최소화해 좌표와 차원 수를 선택하는 절차 • R 기반 분석 도구: MASS::isoMDS와 Shepard 도표를 활용해 투표·이데올로기 자료의 집단 구조, 이데올로기적 위치와 군집 패턴을 시각화하는 방법 |
||
|
[25강] 다차원척도법 (4)
|
0:
46:
02
|
|
|
대응분석 개념과 카이제곱거리, MDS 적용 정리
• 대응분석 기본 개념: 이원 분할표에서 행·열 범주의 결합확률·행비율·열비율을 이용해 연관성을 카이제곱거리로 정량화하고 저차원 공간에 표현하는 기법 • 카이제곱거리 구조: 행·열 조건부 분포(행비율·열비율) 사이의 가중 유클리드 거리로 행·열 범주 간 이질성을 정의하고, 전치 행렬을 통해 행거리·열거리 관계를 동일 원리로 계산하는 절차 • 대응분석 좌표와 구현: 행·열 카이제곱거리행렬에 classical MDS를 적용해 2차원 좌표(공동 플롯)를 생성하고, 점 간 거리로 유사 조건부 분포·기대빈도 대비 과다/과소 발생 패턴을 해석하며 R 교차표 코드로 실제 데이터를 분석하는 방법 정리 |
||
| 13장. 확인적 인자분석 및 구조방정식 모형 | ||
|
[26강] 확인적 인자분석 및 구조방정식 모형 (1)
|
0:
50:
13
|
|
|
확인적 인자분석과 구조방정식 모형 핵심 개념 정리
• 구조방정식 모형(SEM) : 확인적 인자분석과 경로분석을 통합해 관측변수·잠재변수·외생변수·내생변수·측정오차·구조오차를 포함한 다변량 인과구조, 직접효과·간접효과·총효과·매개효과를 동시에 추정·해석하는 모형 • 인자분석 및 경로분석 구조 : 탐색적 인자분석(EFA)은 인자 수·구조 미지 상태에서 공통인자와 적재구조를 탐색하고, 확인적 인자분석(CFA)은 사전 가정된 인자 개수·변수–인자 연결 제약을 공분산구조 모형으로 검정하며, 경로분석은 선형·가법 구조에서 다수 독립·종속변수 간 직접·간접·총효과를 경로도로 추정하는 기초 구조방정식 모형 • 매개효과 및 검정 : 독립변수–매개변수–종속변수 경로에서 직접효과·간접효과·총효과를 분해해 매개효과 없음·부분매개·완전매개를 4단계 절차로 판정하고, 간접효과의 통계적 유의성은 부트스트래핑 기반 신뢰구간·p값 추정과 소벨 검정(Z 통계량, 정규분포 근사)을 통해 검정함 |
||
|
[27강] 확인적 인자분석 및 구조방정식 모형 (2)
|
0:
59:
08
|
|
|
구조방정식모형의 구성, 모수추정과 적합도 평가 핵심 정리
• 구조방정식 모형 구조: 잠재·관측·오차변수로 이루어진 구조모형(ξ, η, Γ, B, ζ)과 측정모형(Λx, Λy, δ, ε) 수식 및 경로도 표현, 외생·내생 잠재변수 구분과 정규성·독립성 가정 정리 • 모형식별과 모수추정: 자유도 df = k(k+1)/2 − 모수 수에 따른 부정·포화·간명모형 판별, MLE·GLS·ULS로 모형 공분산 Σ(θ)를 표본 공분산 S에 근접하게 추정하는 적합도함수(FML, FLS) 기반 절차 • 모형적합도와 수정 전략: χ², GFI·AGFI, NFI·NNFI·PNFI, RMR·RMSEA, AIC·ECVI, 임계 N으로 전체 적합도 평가 후, 수정지수(MI)와 비유의 모수(p>0.05)를 근거로 경로·공분산·변수 조정하여 간명·고적합 최종 모형 도출 |
||
|
[28강] 확인적 인자분석 및 구조방정식 모형 (3)
|
0:
59:
07
|
|
|
확인적 요인분석과 R 패키지(SEM, lavaan) 활용 정리
• 확인적 요인분석 2요인 모형(능력·야망) 구조: 상관계수 행렬 기반 잠재변수 분산 1 고정, 인자적재·오차분산·요인 간 상관 추정 및 모형 적합도(CFI, TLI, RMSEA, SRMR, 카이제곱) 평가 • SEM 패키지 활용: specifyModel로 RAM 형식 모형 정의(→, <->, NA·고정값 규칙), sem로 공분산/상관행렬 또는 원자료 분석, pathDiagram로 비·표준화 계수 포함 경로도 시각화 • lavaan·qgraph 활용: 수식 기반 모형 문법(=~, ~~)과 cfa·fitMeasures로 CFA 및 적합도·표준화계수 산출, 상관행렬 사용 시 잠재분산 1 고정 및 std.lv/std.all 해석, qgraph.lavaan으로 잠재·관측변수 구조와 인자적재·요인 상관 시각화 |
||
|
[29강] 확인적 인자분석 및 구조방정식 모형 (4)
|
0:
55:
32
|
|
|
Grant-White와 Pasteur 학교 비교용 확인적 요인분석 예제 정리 (예제 13.3, SEM·lavaan 비교)
• 확인적 요인모형 구조: 세 잠재요인(시각·문장·반응성)과 9개 관측변수의 요인부하·공분산·오차분산으로 구성된 CFA 식별 구조 정의 • 모수 추정 및 소프트웨어 비교: sem 패키지(잠재변수 분산 1 고정, 모든 요인부하 추정)와 lavaan 패키지(대표 요인부하 1 고정, 잠재분산 추정)의 식별 방식·모형식·표준화 옵션 비교 • 모형 적합도·계수 해석: 카이제곱·GFI·AGFI·CFI·NFI·RMSEA·SRMR 등 적합도 지수 기준과 요인부하·요인 간 공분산·R²를 통한 문항 설명력 및 잠재요인 관계 해석 절차 정리 |
||
|
[30강] 확인적 인자분석 및 구조방정식 모형 (5)
|
0:
51:
56
|
|
|
경로분석과 직접·간접·총효과 해석 및 R 구현
• 경로분석(path analysis) 개념: 관측변수만으로 구성된 복수 회귀식 기반 경로모형 설정·오차항 구조 포함·경로계수와 R²로 변수 간 직접 영향과 공분산 구조 해석 • 직접효과·간접효과·총효과: 독립변수의 즉시 효과·매개변수를 통한 경로별 곱의 합·직접·간접효과 합으로 정의하고, 매개모형에서 X→M→Y, 다중 경로(X1→X2→Y2 등)의 효과 분해 수식화 • R lavaan·semPlot 구현: lavaan의 `sem()`과 `~` 문법으로 회귀모형·경로계수·파생 파라미터(`:=`)를 정의해 직접·간접·총효과 및 유의성 추정·검정하고, semPlot의 `semPaths()`로 표준화 계수·경로 굵기·레이아웃을 시각화하는 절차 정리 |
||
|
[31강] 확인적 인자분석 및 구조방정식 모형 (6)
|
0:
56:
43
|
|
|
구조방정식 모형과 Wheaton 소외감 예제 정리
• 구조방정식 모형 구성요소: 잠재변수·관측변수, 측정모형(CFA)·구조모형(경로모형) 구조와 회귀식 표현, 직접효과·간접효과·총효과 정의 및 해석 체계 정리 • Wheaton 소외감 연구 모형 설정: 장기추적 자료의 AL67·AL71·SES 잠재변수와 anomia·powles·educate·sei 관측변수 간 요인구조, 반복측정 공분산, 소외감의 시간효과 및 사회경제상태 영향 모형화 • R SEM 추정 절차: sem·lavaan 패키지를 이용한 공분산행렬 기반 모형 지정(`=~`, `~`, `~~`), 요인적재량·구조계수 추정과 표준화계수 산출, χ²·GFI·CFI·RMSEA·SRMR 등 적합도 지수 평가 및 매개효과 분석 |
||
| 14장. 반복측정데이터 분석 | ||
|
[32강] 반복측정데이터 분석 (1)
|
0:
50:
21
|
|
|
반복측정 분산분석과 반복측정 2요인 분산분석 핵심 정리
• 반복측정 일원 분산분석: 동일 개체에 여러 처리수준을 반복 적용하는 혼합효과 모형으로, 전체제곱합을 개체간·개체내(처리·오차) 제곱합으로 분해하고 개체내 변동을 이용해 처리효과에 대한 F검정을 수행함 • 반복측정 2요인 설계와 모형: 집단요인 A(독립집단)와 반복측정 요인 B(시간·조건)를 동시에 포함하는 혼합모형에서, 복합대칭 공분산 구조를 전제로 개체효과와 오차를 분리하여 A, B, A×B 효과를 추정함 • 반복측정 2요인 분산분석 검정 구조: 전체제곱합을 A, A 내 개체, B, A×B, 오차 제곱합으로 분해하고 각 효과별 적절한 오차항(MS_subj(A), MS_error)과 자유도를 사용해 F비를 구성·해석함 |
||
|
[33강] 반복측정데이터 분석 (2)
|
0:
59:
43
|
|
|
반복측정 분산분석과 R 구현, 구형성 검정 정리
• 반복측정 분산분석 구조: wide→long 데이터 변환(reshape 인수: varying, v.names, timevar, idvar, direction, sep), id·반복요인(trt, dis)의 factor 지정, 개체 간·개체 내 변동과 처리효과·집단효과·교호작용 효과에 대한 F검정 및 자유도·임계값 계산 • R 반복측정 ANOVA 구현: aov에서 Error(id/요인)을 이용한 1요인·2요인 반복측정 모형 지정(x ~ trt + Error(id/trt), x ~ age*dis + Error(id/dis)), summary·model.tables로 처리평균·효과 추정 및 분산분석표 해석, interaction.plot으로 교호작용 패턴 시각화 및 해석 • 구형성(sphericity) 가정 검정: Mauchly 구형성 검정으로 공분산 구조 및 차이점수 분산 동질성 확인, ezANOVA를 통한 Mauchly p값·Greenhouse–Geisser·Huynh–Feldt 보정 자유도·p값 산출, 구형성 만족 시 원래 F·p 사용, 위반 시 GG·HF 보정값으로 처리·교호효과 유의성 판단 |
||
| 부록 | ||
|
[34강] <부록>
|
0:
00:
00
|
|
|
교재만 있습니다.
|
||
|
[35강] 예제데이터
|
0:
00:
00
|
|
|
파일을 다운받아 이용하시면 됩니다.
|
||
|
[36강] R 소스
|
0:
00:
00
|
|
|
파일을 다운받아 이용하시면 됩니다.
|
||
김용태 교수님
다변량(통계)분석Ⅱ
