기본 콘텐츠로 건너뛰기

선형회귀 분석 (8)




 앞서 예제에서 선형 회귀 모델이 쉽게 적용되지 않는다는 것을 확인했습니다. 그러면 할 수 있는 일은 다른 방법을 모색하거나 비선형회귀 등 복잡한 모형을 도입해 보는 것입니다. 하지만 그 전에 해야 할 일은 어디서 잘못되었는지 알기 위해 데이터를 다시 뜯어보는 것입니다. 


 결국 많은 답이 데이터에 숨어 있으며 데이터에 대해서 잘 이해할 수록 정확한 결론을 도출해 낼 수 있습니다. 사실 이 경우에는 데이터 분포가 한쪽으로 치우친데다 다이아몬드 크기가 커질 수록 가격을 결정하는 다른 요소들이 많이 작용해서 단순한 예측 모델을 적용할 수 없는 것이 이유일 것입니다. 이를 확인하기 위해서 각 구간별 가격, 크기 분포를 확인해 보겠습니다. 


 다시 ggplot2 패키지를 읽어들인 후 이번에는 10개의 구간별로 carat 을 나눠 가격 분포를 다시 살펴보겠습니다. 앞서 예제에서 쓴 mygroup 함수를 다시 사용해 10개로 나누겠습니다. 

library("ggplot2")

mygroup<-function k="4){</span" y="">
   count=length(y)
   z=rank(y,ties.method = "min")
   return(floor((z-1)/(count/k))+1)
  }

diamonds$carat2<-mygroup carat="" diamonds="" span="">
table(diamonds$carat2)


 여기서 aggregate라는 매우 중요한 함수를 소개합니다. 이 함수를 이용해서 나만의 기능을 가진 다양한 연산 함수를 만들 수 있습니다. 


aggregate(price~carat2,data=diamonds,mean)

 이 코드는 새로 만든 carat2 그룹별로 평균을 구해 데이터프레임 형태로 보여달라는 이야기입니다. 

> aggregate(price~carat2,data=diamonds,mean)
   carat2      price
1       1   655.2940
2       2   750.7332
3       3   922.4984
4       4  1486.0546
5       5  2090.2473
6       6  3095.9929
7       7  5039.2091
8       8  5825.0127
9       9  7944.2637
10     10 12936.2783


 여기서 확장할 수 있는 것은 mean이라는 기능 대신 여러 개의 기능을 지닌 함수를 만들어 넣을 수 있다는 것입니다. myfx이라는 함수를 만들어 평균, 표준편차, 상한값, 하한값을 구해보겠습니다. 

myfx=function(x){
  result=c(mean(x),
           sd(x),
           min(x),
           max(x))
}

aggregate(price~carat2,data=diamonds,myfx)


 이렇게 하면 한 번에 여러가지 값을 구할 수 있으며 원하는 값만큼 더 포함시켜 구할 수 있습니다. 


> aggregate(price~carat2,data=diamonds,myfx)
   carat2    price.1    price.2    price.3    price.4
1       1   655.2940   173.7378   326.0000  2366.0000
2       2   750.7332   190.1553   345.0000  2346.0000
3       3   922.4984   215.3054   410.0000  1992.0000
4       4  1486.0546   430.2606   452.0000  4368.0000
5       5  2090.2473   621.2567   806.0000  6607.0000
6       6  3095.9929   814.0840   945.0000  9182.0000
7       7  5039.2091  1615.5915  1547.0000 16469.0000
8       8  5825.0127  1996.9402  1262.0000 18542.0000
9       9  7944.2637  2901.3972  2327.0000 18806.0000
10     10 12936.2783  3391.1394  3105.0000 18823.0000


 가격만 아니라 캐럿에 대해서도 같은 것을 구할 수 있습니다. 그리고 박스 플롯 등으로 시각화 할 수 있습니다. 


boxplot(price~carat2, outline=FALSE, data=diamonds)


> aggregate(carat~carat2,data=diamonds,myfx)
   carat2    carat.1    carat.2    carat.3    carat.4
1       1 0.29246125 0.02385143 0.20000000 0.31000000
2       2 0.33087712 0.01081135 0.32000000 0.35000000
3       3 0.39554695 0.01867721 0.36000000 0.42000000
4       4 0.49700353 0.03086971 0.43000000 0.53000000
5       5 0.62134302 0.06467172 0.54000000 0.70000000
6       6 0.78512112 0.07346134 0.71000000 0.90000000
7       7 0.98613037 0.03609363 0.91000000 1.01000000
8       8 1.06254319 0.03560108 1.02000000 1.13000000
9       9 1.31185889 0.13126791 1.14000000 1.51000000
10     10 1.85988565 0.30804080 1.52000000 5.01000000


 이렇게 보니 여러 가지를 확인할 수 있습니다. 1-3구간 까지는 선형으로 증가하던 가격이 4구간에서 한번 크게 증가하고 다시 7,9 구간에서 더 큰 폭으로 증가하는 것 같습니다. 이렇게 증가폭이 달라지는 만큼 하나의 선형 회귀 모델을 사용해서 회귀 계수를 얻는 방식이 잘 통하지 않는 것입니다. 쉽게 말해 기울기가 자꾸 변하는 그래프인 셈입니다. 


 여기서 한 가지 더 알아보기 위해 이번에는 10개의 그룹으로 균등하게 나누는 대신 특정값을 기준으로 나누는  cut breaks  함수를 사용해 보겠습니다. 0.5캐럿 이하, 0.5-1 캐럿, 1-2캐럿, 2캐럿 이상 이렇게 네 그룹으로 나누려면 어떻게 하는지 아래 함수에서 볼 수 있습니다. 5.01캐럿 다이아몬드까지 있으므로 중요한 점은 마지막 breaks 지점은 이것보다 크게 표시해야 한다는 것입니다. 그리고 각 그룹은 labels 함수로 이름을 정할 수 있습니다. 

diamonds$carat3=cut(diamonds$carat,breaks=c(0,0.5,1,2,6),labels = c(1,2,3,4))
table(diamonds$carat3)

 역시 carat3에 대해서도 같은 방식으로 알아보겠습니다. 


> aggregate(price~carat3,data=diamonds,myfx)
  carat3    price.1    price.2    price.3    price.4
1      1   839.7181   310.0636   326.0000  3378.0000
2      2  2811.3427  1302.8293   806.0000 16469.0000
3      3  7607.7241  3297.9883  1262.0000 18818.0000
4      4 14951.2504  2703.5945  5203.0000 18823.0000
> aggregate(carat~carat3,data=diamonds,myfx)
  carat3    carat.1    carat.2    carat.3    carat.4
1      1 0.35482569 0.06489307 0.20000000 0.50000000
2      2 0.72203473 0.15586754 0.51000000 1.00000000
3      3 1.25632870 0.24508433 1.01000000 2.00000000
4      4 2.15368449 0.23670424 2.01000000 5.01000000


이렇게 보면 몇 개의 그룹으로 나눠보면 선형 모델이 가능할 것 같습니다. 물론 꼭 이런 방법을 고집해야 하는 것은 아니지만, 한 번 해보겠습니다. subset 함수로 0.5 캐럿 이하 집단을 구해보겠습니다. 


diamonds1<-subset carat="" diamonds="" span="">
model=lm(price~carat, data=diamonds1)
summary(model)

par(mfrow=c(2,2))
plot(model)


> diamonds1<-subset carat="" diamonds="" span="">
> model=lm(price~carat, data=diamonds1)
> summary(model)

Call:
lm(formula = price ~ carat, data = diamonds1)

Residuals:
    Min      1Q  Median      3Q     Max 
-753.67 -145.77  -11.56  122.74 2040.33 

Coefficients:
            Estimate Std. Error t value Pr(>|t|)    
(Intercept) -377.353      8.721  -43.27   <2e-16 span="">
carat       3430.054     24.177  141.88   <2e-16 span="">
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Residual standard error: 215.9 on 18930 degrees of freedom
Multiple R-squared:  0.5153, Adjusted R-squared:  0.5153 
F-statistic: 2.013e+04 on 1 and 18930 DF,  p-value: < 2.2e-16




 이것도 플롯의 모양의 독특해보이지만, 이전 모델보다는 훨씬 나은 결과입니다. 참고로 줄무늬 처럼 나타나는 이유는 가격은 비교적 연속 분포지만, 캐럿은 사실 0.01단위로 끊어지는 변수이기 때문입니다. 이걸 보니 더 작게 그룹을 나누면 회귀 계수가 얼추 맞을 것 같습니다. 0.2-0.3캐럿 그룹을 구해봅시다. 


> diamonds1<-subset carat="" diamonds="" span="">
> model=lm(price~carat, data=diamonds1)
> summary(model)

Call:
lm(formula = price ~ carat, data = diamonds1)

Residuals:
    Min      1Q  Median      3Q     Max 
-336.71 -107.49   -4.88   97.90 1690.29 

Coefficients:
            Estimate Std. Error t value Pr(>|t|)    
(Intercept)  -188.44      26.22  -7.186 7.87e-13 ***
carat        2880.53      92.29  31.213  < 2e-16 ***
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Residual standard error: 149 on 4201 degrees of freedom
Multiple R-squared:  0.1883, Adjusted R-squared:  0.1881 
F-statistic: 974.3 on 1 and 4201 DF,  p-value: < 2.2e-16

> par(mfrow=c(2,2))
> plot(model)


 이 정도면 몇 개 예측에서 크게 벗어나는 값 몇 개만 제외시키면 회귀 계수를 맞출 수 있을 것 같습니다. 회귀 계수는 이 구간에서 2880이므로 0.1캐럿 증가시 288달러 가격 증가로 볼 수 있습니다. 


 하지만 이것이 올바른 문제 해결일까요? 아닐 것입니다. 이렇게 잘게 잘라서 여러 개의 회귀 계수를 구하는 것이 과연 어떤 효용성이 있을까요? 오히려 10개 구간으로 잘라 가장 낮은 구간 대비 가장 높은 구간의 크기가 6배 크고 가격이 20배 비싸다는 쪽이 특별한 통계 분석이 없더라도 직관적으로 이해가 더 쉽습니다. 




 아무튼 이런 삽질(?)을 통해서 데이터의 특성을 더 잘 이해할 수 있게 되었고 처음 생각과는 다르게 단순하게 분석할 수 없다는 것도 알았습니다. 다음에는 샘플 숫자를 줄여 회귀 분석에 다른 예제들을 더 해보겠습니다. 부단한 삽질과 노력만이 실력이 느는 지름길일 것입니다. 

댓글

이 블로그의 인기 게시물

통계 공부는 어떻게 하는 것이 좋을까?

 사실 저도 통계 전문가가 아니기 때문에 이런 주제로 글을 쓰기가 다소 애매하지만, 그래도 누군가에게 도움이 될 수 있다고 생각해서 글을 올려봅니다. 통계학, 특히 수학적인 의미에서의 통계학을 공부하게 되는 계기는 사람마다 다르긴 하겠지만, 아마도 비교적 흔하고 난감한 경우는 논문을 써야 하는 경우일 것입니다. 오늘날의 학문적 연구는 집단간 혹은 방법간의 차이가 있다는 것을 객관적으로 보여줘야 하는데, 그려면 불가피하게 통계적인 방법을 쓸 수 밖에 없게 됩니다. 이런 이유로 분야와 주제에 따라서는 아닌 경우도 있겠지만, 상당수 논문에서는 통계학이 들어가게 됩니다.   문제는 데이터를 처리하고 분석하는 방법을 익히는 데도 상당한 시간과 노력이 필요하다는 점입니다. 물론 대부분의 학과에서 통계 수업이 들어가기는 하지만, 그것만으로는 충분하지 않은 경우가 많습니다. 대학 학부 과정에서는 대부분 논문 제출이 필요없거나 필요하다고 해도 그렇게 높은 수준을 요구하지 않지만, 대학원 이상 과정에서는 SCI/SCIE 급 논문이 필요하게 되어 처음 논문을 작성하는 입장에서는 상당히 부담되는 상황에 놓이게 됩니다.  그리고 이후 논문을 계속해서 쓰게 될 경우 통계 문제는 항상 나를 따라다니면서 괴롭히게 될 것입니다.  사정이 이렇다보니 간혹 통계 공부를 어떻게 하는 것이 좋겠냐는 질문이 들어옵니다. 사실 저는 통계 전문가라고 하기에는 실력은 모자라지만, 대신 앞서서 삽질을 한 경험이 있기 때문에 몇 가지 조언을 해줄 수 있을 것 같습니다.  1. 입문자를 위한 책을 추천해달라  사실 예습을 위해서 미리 공부하는 것은 추천하지 않습니다. 기본적인 통계는 학과별로 다르지 않더라도 주로 쓰는 분석방법은 분야별로 상당한 차이가 있을 수 있어 결국은 자신이 주로 하는 부분을 잘 해야 하기 때문입니다. 그러기 위해서는 학과 커리큘럼에 들어있는 통계 수업을 듣는 것이 더 유리합니다. 잘 쓰지도 않을 방법을 열심히 공부하는 것은 아무래도 효율

R 스튜디오 설치 및 업데이트

 R을 설치한 후 기본으로 제공되는 R 콘솔창에서 코드를 입력해 작업을 수행할 수도 있지만, 보통은 그렇게 하기 보다는 가장 널리 사용되는 R 개발환경인 R 스튜디오가 널리 사용됩니다. 오픈 소스 무료 버전의 R 스튜디오는 누구나 설치가 가능하며 편리한 작업 환경을 제공하기 때문에 R을 위한 IDE에서 가장 널리 사용되어 있습니다. 아래 링크에서 다운로드 받습니다.    https://www.rstudio.com/  다운로드 R 이나 혹은 Powerful IDE for R로 들어가 일반 사용자 버전을 받습니다. 오픈 소스 버전과 상업용 버전, 그리고 데스크탑 버전과 서버 버전이 있는데, 일반적으로는 오픈 소스 버전에 데스크탑 버전을 다운로드 받습니다. 상업 버전의 경우 데스크탑 버전의 경우 년간 995달러, 서버 버전은 9995달러를 받고 여러 가지 기술 지원 및 자문을 해주는 기능이 있습니다.   데스크탑 버전을 설치하는 과정은 매우 쉽기 때문에 별도의 설명이 필요하지 않을 것 같습니다. 인스톨은 윈도우, 맥, 리눅스 (우분투/페도라)에 따라 설치 파일이 나뉘지만 설치가 어렵지는 않을 것입니다. 한 가지 주의할 점이라면 R은 사전에 반드시 따로 설치해야 한다는 점입니다. R 스튜디오만 단독 설치하면 아무것도 할 수 없습니다. 뭐 당연한 이야기죠.   설치된 R 스튜디오는 자동으로 업데이틀 체크하지 않습니다. 따라서 업데이트를 위해서는 R 스튜디오에서 Help 로 들어가 업데이트를 확인해야 합니다.     만약 업데이트 할 내용이 없다면 최신 버전이라고 알려줄 것이고 업데이트가 있다면 업데이트를 진행할 수 있도록 도와주게 됩니다. R의 업데이트와 R 스튜디오의 업데이트는 모두 개별적이며 앞서 설명했듯이 R 업데이트는 사실 기존 버전과 병행해서 새로운 버전을 새롭게 설치하는 것입니다. R 스튜디오는 실제로 업데이트가 이뤄지기 때문에 구버전을 지워줄 필요는

R 패키지 설치 및 업데이트 오류 (1)

 R 패키지를 설치하거나 업데이트 하다보면 여러 가지 문제가 생기는 경우들이 있습니다. 이 경우 아예 R을 재설치하는 것도 방법이지만, 어떤 경우에는 이렇게해도 해결이 안되고 계속해서 사용자는 괴롭히는 경우도 있습니다. 이런 경우 중 하나를 소개합니다.  새로운 패키지를 설치, 혹은 업데이트 하는 과정에서 같이 설치하는 패키지 중 하나가 설치가 되지 않는다는 메세지가 계속 나왔는데, 사실은 백신 프로그램 때문이었던 경우입니다.   dplyr 패키지를 업데이트 하려고 했는데, 제대로 되지 않아 다시 설치를 진행했습니다. 그런데 일부 패키지가 제대로 설치되지 않는다는 메세지가 나왔습니다.  > install.packages("dplyr") Error in install.packages : Updating loaded packages > install.packages("dplyr") Installing package into ‘C:/Users/jjy05_000/Documents/R/win-library/3.4’ (as ‘lib’ is unspecified) also installing the dependencies ‘bindr’, ‘bindrcpp’, ‘Rcpp’, ‘rlang’, ‘plogr’ trying URL ' https://cran.rstudio.com/bin/windows/contrib/3.4/bindr_0.1.1.zip ' Content type 'application/zip' length 15285 bytes (14 KB) downloaded 14 KB trying URL ' https://cran.rstudio.com/bin/windows/contrib/3.4/bindrcpp_0.2.2.zip ' Content type 'application/zip' length 620344 b