빅데이터분석 필기 (10, 개념추가 + 실습)

[군집분석]

ANOVA (분산분석) 표
	F - 검정	유의확률 (유의성 검정)
기술점수	3.556	0.101

이걸 봤을 때, 해석은 이렇게 할 수 있다. (시험출제)

1. 가설 검정 (모집단에 대해서!!)

• 심판 전체에 대한 ~
• H0 : 유의하지 않다. (== 군집을 나누는데 유의하지 않다.)
• H1 : 유의하다. (== 군집을 나누는데 유의하다.) 

※ 유의하다는 것은 '의미가 있다'는 말과 동일하다.

 

2. 검정 통계량 : F - 검정 = 3.556 

3. 기각역 : p -value = 0.101 > 유의수준 = 0.05 (Accept H0)

4. 결론 : 모든 심판의 기술점수는 군집분석하는 데 유의한 역할을 하지 않은 것으로 나타났다. OR 기여도가 없었다. 

 

유의성 검정을 하는 이유는? 표본 계산을 통해 모집단을 알아보기 위해서
→ 전체에 대해서 유의성을 알아보는 것이 핵심이다. 

 

검정(Test)은 전체 집합 (모집단) 미래에 대한 것 

 

유의확률 : 검정 -> 검정의 대상은 (모집단, 전체, 미래) 
전체를 알기위해 표본에서 유의확률을 구한 것이다. 
표본에서 계산한 확률 = 유의확률
유의수준 : 모집단의 비교 기준 

 

유의성 ~ 표본을 사용하니까 → 모집단
유의하다는 것 : 차이가 있다, 효과가 있다. 

 

상관계수가 작다 = p-value값이 크다 
상관계수가 크다 = p-value값이 작다 = 상관관계가 높다는 의미, 의미있다

 

 

---

[요인분석 실습] (뒤에서 배울 예정) 

KMO 

• 변수들의 상관성, 척도
• 상관관계를 나타내는 척도 OR 크기 
• Barlett : 자신만의 논리로 검정
• 1) H0, H1 : 행렬상의 상관계수가 전반적으로 유의하느냐  
• 2) 검정 통계량: 근사 카이제곱 = 245.45 → p-value : 0.000
• 바틀렛 공식을 사용해야 하는데, 사용하지 않고 카이제곱-분포함수를 이용한 것이 근사 카이제곱 (근사값)
• 3) 기각역 (H0의 기각역) : p-value : 0.000 < 유의수준 : 0.05 (Reject H0)
• 4) 결론 : 행렬상의 상관계수가 전반적으로 유의하다. 

[ 공통성 ]

 

• 초기에는 1.000 값을 준 다음 추출된 값이 0.3 이하일 경우, 그 변수는 무시가 된다.
• 0.4 이상이여야, 공통성을 가진다. 

 

[ 설명된 총분산 ] → 추출된 요인들에 의해 설명된 정도 

• 성분이 9개일 때, 초기 고윳값 부분 전체 합은 9이다. 
• 이 때 1보다 큰 값들만 추출하여 성분을 줄인다. 고윳값은 요인의 계수를 결정한다. 

성분행렬 → 회전된 성분행렬 

•  회전된 성분행렬이 핵심이다. 
• 성분행렬의 계수는 상관계수이다. ex) 고품질과 성분1에 대한 상관계수
• 회전 : 각 성분이 어떤 변수에 속하는지 알아보기 위해 회전을 시킨다. (?)
• ex) Case1 : f1 = 고품질 * 0.216 + 고가치 * 0 + 0.265 * 품질 브랜드 + ...
• 구매의향을 y라 하고, 요인 9개를 요인 '신뢰성', '효용성', '실용성' 3개로 함축하여 계산한다.