[통계학 기초]_6주차

출처: [스파르타코딩클럽] 가설검정의 주의점

[스파르타코딩클럽] 가설검정의 주의점 | Notion

[스파르타코딩클럽] 가설검정의 주의점

[수업 목표]
가설검정의 다양한 주의점에 대해 이해한다.
이러한 주의점들을 참고하여 가설검정을 진행할 수 있다.

---

6.1 재현 가능성

✔️ 우연히 결과가 나오는 것이 아닌, 항상 일관된 결과가 나오는지 확인해야 합니다!

 

1) 재현가능성이란 무엇인가?

☑️ 재현 가능성

• 동일한 연구나 실험을 반복했을 때 일관된 결과가 나오는지 여부. 연구의 신뢰성을 높이는 중요한 요소
• ex) 신약을 개발할 때 실험실에서만 효과가 있는 것이 아니라 실제 상황에서도 일관된 결과가 나온다고 믿을 수 있기 때문에 개발 가능한 것
• 최근 p값에 대한 논쟁이 두드러지고 있음
  • p값을 사용하지 않는 것이 좋다
  • 유의수준을 0.05에서 변경하는 것이 좋다
• 가설검정 원리상의 문제나(가설을 엉뚱하게 세웠는데 우연찮게 0.05보다 작게 나올수도) 가설검정의 잘못된 사용(원하는 결과값이 나올때까지 계속 실험하는 것)이 낮은 재현성으로 이어진다는 문제 발생
• 최근 논문을 다시 재현해서 실험을 해보는데 똑같은 결과가 않나오는 사례가 많은… 재현성 위기가 문제가 되고 있음

☑️ 중요성

• 결과가 재현되지 않는다면 해당 가설의 신뢰도가 떨어짐

2) 재현성 위기의 원인은 무엇인가~?

☑️ 실험 조건을 동일하게 조성하기 어려움

• 완전 동일하게 다시 똑같은 실험을 수행하는 것이 쉽지 않음
• 또한 가설검정 자체도 100% 검정력을 가진 것이 아니기 때문에 오차가 나타날 수 있음

☑️ 가설검정 사용방법에 있어서 잘못됨

• p값이 0.05가 유도되게끔 조작하는 것이 가능 (p해킹) ->나도 모르게 조작하게 돼, 하다보니까 유도되게끔 하게됨..
• 실제로는 통계적으로 아무 의미가 없음에도 의미가 있다고 해버리는 1종 오류를 저지를 수 있음
• 0.05라는 것은 100번 중에 5번 즉, 20번 중에 1번은 귀무가설이 옳음에도 불구하고 기각될 수 있음
• 유의수준으로 통제하는 것이 중요
• 하지만, 유의수준을 너무 낮추면 베타값이 커져버리는 문제 발생…
• 따라서, 어떤 논문에서는 유의수준을 0.005로 설정하면서 데이터 수를 70% 더 늘려서 베타 값도 컨트롤 하는 방향을 제안하기도 함
• 잘못된 가설을 세우더라도 우연히 0.05보다 낮아서 가설이 맞는것처럼 보일 수도 있음. 따라서 가능한 좋은 가설을 세우는 것도 중요

---

6.2 p-해킹

✔️ 인위적으로 p-값을 낮추지 않을 수 있도록 조심해야 합니다!

 

1) p-해킹이란 무엇인가?

☑️ p-해킹

• 데이터 분석을 반복하여 p-값을 인위적으로 낮추는 행위
• 유의미한 결과를 얻기 위해 다양한 변수를 시도하거나, 데이터를 계속해서 분석하는 등의 방법을 포함

☑️ 문제점

• p-해킹은 데이터 분석 결과의 신뢰성을 저하시킴

2) p-해킹은 언제 조심해야하는가?

☑️ 여러 가설 검정을 시도 할 때

• 여러 가설 검정을 시도하여 유의미한 p-값을 얻을 때까지 반복 분석하는 것을 조심
• p-해킹은 유의미한 결과를 얻기 위해 p-값이 0.05 이하인 결과만 선택적으로 보고하는 행위를 조심
• 데이터의 수를 늘리다보니 특정 데이터 수를 기록할때 잠깐 p값이 0.05 이하를 기록함으로 이를 바탕으로 대립가설 채택하는 것을 조심
• 즉, 결과를 보며 데이터 개수를 늘려서는 안됨
• 다양한 상황 중에서 p값이 유리하게 나오는 상황만 선별적으로 보고하는 것을 조심
• 다양한 변수를 건드리며 유리한 결과가 나올 때 다시 처음 부터 가설을 그 결과에 맞게 세우는 것
• 즉, 마음에 드는 상황만 골라서 보고해서도 안됨. 모든 결과를 다보고하거나 더 엄격한 추가실 험을 수행
• 가능한 가설을 미리 세우고 검증하는 가설검증형 방식으로 분석을 해야 하며 만약 탐색적으로 분석한 경우 가능한 모든 변수를 보고하고 본페로니 보정과 같은 방법을 사용해야 함

 

6.3 선택적 보고

✔️말 그대로 선택적으로 보고하는 것!

 

1) 선택적 보고란 무엇인가?

☑️ 선택적 보고

• 유의미한 결과만을 보고하고, 유의미하지 않은 결과는 보고하지 않는 행위
• 이는 데이터 분석의 결과를 왜곡하고, 신뢰성을 저하시킴

☑️ 그림으로 확인하기!

• 모든 결과와 선택적으로 보고된 결과를 히스토그램으로 나타냄
• 전체 결과와 보고된 결과의 분포가 다르면 선택적 보고의 가능성을 시사

2) 선택적 보고는 언제 조심해야하는가?

☑️ 유의미한 결과만 공개 할 때

• 다수의 데이터 분석 중 유의미한 결과가 나온 실험만을 보고서에 작성하여 발표

☑️ 결과를 보면서 가설을 다시 새로 설정했는데 마치 처음부터 설정한 가설이라고 얘기할 때

• 미리 가설과 실험 방법등에 대해서 설정을 한다음 연구를 수행하거나 연구하는 동안 얻어진 모든 변수와 결과에 대해서 공개하지 못할 때

---

6.4 자료수집 중단 시점 결정

✔️ 원하는 결과가 나올 때 까지 자료를 수집하는 것을 조심!

 

1) 자료수집 중단 시점 결정이란 무엇인가?

☑️ 자료수집 중단 시점 결정

• 데이터 수집을 시작하기 전에 언제 수집을 중단할지 명확하게 결정하지 않으면, 원하는 결과가 나올 때까지 데이터를 계속 수집할 수 있음. 이는 결과의 신뢰성을 떨어뜨림.

☑️ 그림으로 확인하기!

• 샘플 크기에 따른 평균값과 95% 신뢰구간을 나타낸 그래프
• 데이터 수집을 언제 멈출지 결정하는 것은 결과에 영향을 미칠 수 있음
• 이상적으로는 사전에 정해진 계획에 따라야 함

2)자료수집 중단 시점은 언제 조심해야하는가?

☑️ 결과를 이미 정해놓고 그에 맞추기 위해 자료수집을 하고자 할 때

• 50명의 데이터를 수집하기로 했으나, 원하는 결과가 나오지 않자 100명까지 추가로 수집

---

6.5 데이터 탐색과 검증 분리

✔️ 검증하기 위한 데이터는 반드시 따로 분리 해놓아야 함!

 

1) 데이터 탐색과 검증 분리란 무엇인가?

☑️ 데이터 탐색과 검증 분리

• 데이터 탐색을 통해 가설을 설정하고, 이를 검증하기 위해 별도의 독립된 데이터셋을 사용하는 것
• 이는 데이터 과적합을 방지하고 결과의 신뢰성을 높임

☑️ 그림으로 확인하기!

• 탐색 데이터와 검증 데이터를 히스토그램으로 나타냄
• 데이터 탐색과 검증을 분리하면 탐색 과정에서 발견된 패턴이 검증 데이터에서도 유효한지 확인 가능
• 검증 데이터는 철저하게 탐색 데이터와 구분되어져야 함

2)데이터 탐색과 검증 분리는 언제 사용해야하는가?

☑️ 검증하기 위한 데이터가 따로 필요할 때

• 데이터셋을 탐색용(training)과 검증용(test)으로 분리하여 사용 -> "전동킥보드 헬멧 착용 인지 시스템 개발 시, 머신러닝 사용했음"