1. 피어슨 상관분석 (단순관련. 인과관계×)
분석 -> 상관분석 -> 이변량 상관계수
변수칸 : 독립변수(5점척도) 종속변수(5점척도) 때려넣기. 원인-결과 구별이 없기 때문
상관계수(Correlation Coeff)~에서 피어슨에 체크
유의성검정 : 양측
확인
조건: 두 변수 모두 연속형 숫자(5점 척도)일 때 사용
목적: 한 변수가 증가할 때 다른 변수도 같이 증가하는지(양의 상관),
아니면 감소하는지(음의 상관)
그 '관계의 방향과 강도'를 확인하는 것입니다.
1) 핵심은 상관계수 r, 유의확률 p
2) 상관계수
2-1) -1~ 1 사이값
2-2) 0.3이면 상관있음. 0.5 이상이면 넘 상관있음
2-3) 음수면 반대로 움직인다(반비례관계)
3) 유의확률
p < .05 → 통계적으로 유의
2. (다중)회귀분석 (5개 성격 다 때려넣을예정)
분석-> 회귀분석 -> 선형
종속변수 : 1개만 넣고
독립변수 : 다 넣고
우측 통계량버튼 : 추정값, 모형적합도, 공선성진단 체크
=> 확인
블라블라
1.R과R^2 (결정계수)
- R :: 상관계수 : 상관분석에서는 소문자인데, 회귀분석에서는 대문자. -1에서+1사이. 0.4-0.6 중간 상관관계. 0.6-0.8은 높은 상관관계
- R2 :: 결정계수, 설명력 : 0.25나오면, 5가지 성격요인이 챗봇선호도를 25퍼 설명해준다는~
2. ANOVA(분산분석) 표의 유의확률(Sig.
0.05보다 작아야 통과!
유의미하다는 뜻
3. 계수(\beta)와 유의확률(Sig.)
- B :: 비표준화계수 : 5개 성격중 어떤게 찐인지 가려냄. +이면 정적영향. -이면 부적영향.
- 베타 :: 표준화계수 : 1을 기준으로 비표준화계수를 표준화한것. 독립변수가 여러개일 때, 단위를 일치해서 영향력이 더 강한걸 비교할때 씀
- 유의확률 : 0.05보다 적을 경우, 독립변수들 중 한개 이상은 종속변수에 영향을 미칠것임을 보여줌
4. durbin
- 회귀분석에서는 자기상관이란 것을 측정하는데, 이걸 판단하는 것. 0-4까지 값인데 2에 가까우면 자기상관이 없다는 것. 즉 2일수록 좋다는 뜻!
5. 공선성통계량
- 변수간 상관관계가 매우 높은경우 발생! 콩인지 된장인지 구분 잘 안될 때. 인과관계에는 다중공선성이 생기면=> 문제가 됨. 반드시 다중공선성 체크해야햄.
- 공차 0.1이상 VIF 10미만이면 공산성 없는 것.
3. 독립표본 t검정에서 가장 중요하게 보는 순서.
분석 -> 회귀분석 -> 이분형 로지스틱
종속변수 : 종속변수
공변량 : 독립변수 5개
체크 : 추정값의 신뢰구간 95%,
조건: 독립변수가 2개의 집단(2점 척도)이고, 종속변수가 연속형 숫자(5점 척도)일 때 사용
목적: 두 집단 사이에 '평균의 차이'가 통계적으로 진짜 있는지를 확인하는 것입니다.
예시: "A방식 선호자(1)와 B방식 선호자(2)의 성실성 점수 평균이 다른가?"
1) 일단 평균이 누가 더 높은지 확인
- 그룹0: 평균 3.5985
- 그룹1: 평균 3.7031
=> 그룹 1번이 더 높구만
2) 유의 확률 확인
독립표본 검정표 → 양측 확률이 제일 중요합니다.
- p < .05 → 차이 있음
- p > .05 → 차이 없음
3.로지스틱 회귀분석
독립변수가 5점촉도, 종속변수가 2점척도일때,
- 유의확률 (p-value): 5점 척도 독립변수가 2점 척도 종속변수에 유의미한 영향을 미치는지 확인합니다.
($p < .05$ 이면 유의함)
- Odds Ratio (Exp(B), 승산비): 독립변수가 1단위 증가할 때, 종속변수에서 우리가 관심 있는 결과(1번 집단)가 발생할 확률이 몇 배나 증가하는지를 보여주는 지표입니다.
- 예시: "외향성 점수(5점 척도)가 1점 높아질 때마다, AI 챗봇을 유료로 구독(2점 척도: 구독/미구독)할 확률이 1.5배(Exp(B)=1.5) 증가한다."