Notice
Recent Posts
Recent Comments
Link
일 | 월 | 화 | 수 | 목 | 금 | 토 |
---|---|---|---|---|---|---|
1 | 2 | 3 | ||||
4 | 5 | 6 | 7 | 8 | 9 | 10 |
11 | 12 | 13 | 14 | 15 | 16 | 17 |
18 | 19 | 20 | 21 | 22 | 23 | 24 |
25 | 26 | 27 | 28 | 29 | 30 | 31 |
Tags
- 머신러닝
- 크롤링
- least square estimation
- Omitted Variable Bias
- HTML
- causal inference
- 인과추론
- Sharp RD
- 교란 변수
- 통계
- 사영
- Instrumental Variable
- 인과 추론
- LU분해
- 누락편의
- 잔차의 성질
- residuals
- rct
- OVB
- 선형대수
- 예제
- Python
- simple linear regression
- confounder
- 네이버 뉴스
- 최소제곱법
- 회귀불연속설계
- 교란변수
- backdoor adjustment
- 단순선형회귀
Archives
- Today
- Total
목록낭비 (1)
Always awake,

"본 포스팅은 인과 관계를 잘 알아야 하는 이유에 대한 개인적인 생각을 정리한 글입니다." correlation is not causation(상관 관계는 인과 관계가 아니다) "A가 B의 원인이다"라는 인과 관계는 A(원인)를 했을 때와 하지 않았을 때의 B(결과)가 다른 것을 의미합니다. 즉, 다른 조건은 모두 동일하게 유지한 채 어떤 하나만 바꿨을 때 결과가 달라지면 그것은 원인에 해당하는 것이죠. 우리는 흔히 어떤 상관 관계가 높은 두 사건을 보고 하나는 원인이고, 하나는 결과다!라고 판단하는 경우가 있습니다. 아래는 재미있는 상관 관계에 대한 예시입니다. 마가린 소비와 이혼율 두 사건은 상관관계가 0.99로 매우 높습니다. 그렇다면 마가린을 많이 소비할수록 이혼율이 높으므로 마가린은 이혼을 촉진..
인과추론(Causal Inference)
2021. 5. 11. 01:37