통계 및 품질 향상을 위한 팁과 기법

좋든 싫든 한 번쯤은 브레인스토밍을 한 경험이 있을 겁니다. 브레인스토밍은 사방에서 아이디어가 솟아나면 다소 어수선하게 진행될 수도 있지만, 알맞은 다이어그램을 활용한다면 완벽하게 구조화될 수 있습니다.1960년대 후반에 등장한 이시카와 다이어그램은 수많은 사람들이 브레인스토밍 과정을 거쳐 어떤 현상이나 문제의 잠재적 원인을 파악하고 이러한 관계를 매핑하는 데 도움을 주었습니다.이러한 다이어그램은 그 초점, 모양과 구조 때문에 '특성요인도' 또는 'Fishbone 다이어그램'으로 알려져 있습니다.

올바른 선형 회귀 분석을 선택하기란 어려울 수 있습니다. 단일 표본만으로 이를 모형화하려고 해도 크게 도움이 되지 않죠. 이 글에서는 모형을 선택할 때 일반적으로 사용되는 통계적 방법 및 이러한 과정에서 겪을 수 있는 어려움을 소개하고, 최상 회귀 모형을 선택하기 위한 실질적인 조언을 제공하고자 합니다.

t-검정은 간편하게 평균을 비교할 수 있는 통계 가설 검정입니다. 1-표본 t-검정을 사용하면 표본 평균을 가설값이나 목표값과 비교할 수 있으며, 2-표본 t-검정을 사용하면 두 집단의 평균을 비교할 수 있습니다. 또한 쌍체 t-검정을 사용하면 관찰 결과가 연결된 2개 집단(예: 전과 후)을 비교할 수 있습니다.

분산 분석(ANOVA)을 통해 집단 3개 이상의 평균이 서로 다른지 확인할 수 있습니다. 분산 분석은 F-검정을 사용하여 평균의 동질성 통계적으로 검정합니다. 이 게시물에서는 일원 분산 분석 예시를 통해 분산 분석과 F-검정의 원리를 설명합니다.

만약 여러분이 통계학자가 아니라면, 수많은 통계 결과를 봤을 때 마치 이상한 나라의 앨리스가 된 듯한 기분을 느낄 수도 있습니다. 신비로운 유령들이 불쑥 나타나는 환상의 세계로 갑자기 빨려 들어간 것처럼 말이죠.  

P값에 관한 잘못된 해석은 많은 문제를 야기합니다. 이러한 문제는 이미 제 동료인 Jim Frost가 자세히 소개한 적이 있기 때문에 이 글에서 다시 언급하지는 않겠습니다. 그럼에도 불구하고 P값은 여전히 결과의 통계적 유의성을 결정하는 데 가장 많이 사용되는 도구입니다. 

회귀 분석을 통해 하나 이상의 예측 변수와 반응 변수의 통계적 관계를 설명하는 공식을 도출할 수 있습니다. Minitab Statistical Software를 사용하여 회귀 분석 모형을 적용하고 잔차 그림을 확인했다면 이제 결과를 해석해야 합니다. 이 게시물에서는 선형 회귀 분석 결과에 나타난 P값과 계수를 해석하는 방법을 설명합니다.

지난 번에는 회귀 계수와 개별 P값을 해석하는 방법에 대해 소개한 바 있습니다.