ADsP 필기 08 — 통계분석 ② 통계분석 기법 (상관·회귀·다중공선성·PCA·MDS·시계열)

ADsP 필기 08 — 통계분석 ② 통계분석 기법 (상관·회귀·다중공선성·PCA·MDS·시계열)

출제기준 대단원 3-2: 통계분석 — 상관분석 / 회귀분석 / 다차원척도법·주성분분석 / 시계열 분석
07편에 이어 3과목 최대 출제 구간(★★★★★)의 후반부입니다.
이번 편은 PCA·시계열·회귀(다중공선성) 가 핵심이고, 계산 문제(결정계수, 공분산, MSE, 상관계수 변환)도 꽤 나옵니다.
계산은 모두 한 줄짜리라서 공식만 알면 점수를 거저 가져갈 수 있어요.

---

상관분석 ⭐⭐⭐

두 변수 사이 선형 관계의 방향과 강도를 보는 분석입니다.

공분산 Cov(X,Y) : 같이 움직이는 방향. 단위에 의존, 범위 제한 없음
상관계수 r = Cov(X,Y) / (σx · σy) : 단위를 제거, 범위 −1 ~ 1

• 부호 = 방향, 절댓값 |r| = 강도 (−1이라고 관계가 약한 게 아니라 가장 강한 음의 관계)
• r = 0 → "직선 상관이 없다"일 뿐, 관계가 아예 없다는 뜻은 아님(곡선 관계 가능). 상관 ≠ 인과.

구분	피어슨	스피어만
대상	연속형(구간·비율), 정규성 가정	서열·순위 자료, 정규성 불필요
특징	선형 관계, 이상값에 민감	순위로 변환 → 단조(비선형도 어느 정도) 관계 포착
함수	cor(x,y,method="pearson")	cor(x,y,method="spearman")

• 상관분석 귀무가설: H0: ρ = 0 (선형상관 없음). p-value < α이면 "유의한 상관이 있다".
• 산점도 행렬(pairs): 대각선은 변수 분포, 나머지는 변수쌍 산점도.

 

기출 (45회)

Q. 상관계수에 대한 설명 중 틀린 것은?
① 상관계수는 −1에서 1 사이 값을 가진다.
② 상관계수가 0일 경우, 직선 상관관계가 없다.
③ 상관계수가 −1일 경우, 상관관계가 가장 약하다.
④ 상관계수는 두 변수 간의 직선관계를 측정한다.

A. ③ — −1은 가장 강한 음의 상관입니다.

 

기출 (45회)

Q. 스피어만·피어슨 상관분석 설명으로 가장 부적절한 것은?
① 스피어만은 범주형 변수의 선형관계를 설명한다.
② 피어슨은 연속형 변수 간 선형 관계 분석에 쓴다.
③ 스피어만은 서열형(순위형) 변수 간 관계 분석에 쓴다.
④ 스피어만은 비선형 관계도 어느 정도 설명할 수 있다.

A. ① — 스피어만은 서열(순위) 변수용이지 명목형 범주 변수용이 아닙니다.

 

기출 (50회)

Q. 공분산의 특성 설명 중 틀린 것은?
① 부호로 두 변수 관계의 방향을 알 수 있다.

② 측정 단위에 영향을 받는다.

③ 값은 항상 −1과 1 사이이다.

④ 양수이면 같은 방향으로 움직이는 경향이 있다.

A. ③ — −1~1 범위는 공분산이 아니라 상관계수의 성질입니다.

 

기출 (46회) 공분산 계산

Q. X: 1,2,3,4,5 / Y: 2,4,5,6,8 의 표본 공분산은?

A. 3.5

• 평균 X̄=3, Ȳ=5. 편차곱: (−2)(−3)=6, (−1)(−1)=1, 0, (1)(1)=1, (2)(3)=6 → 합 14
• 표본 공분산 = 14 ÷ (n−1) = 14 ÷ 4 = 3.5

기출 (48회·49회) 상관계수의 불변성 ⭐

• (49회) x와 y의 상관계수가 0.2일 때 −2x+1과 y−1의 상관계수는? → −0.2
• (48회) X와 Y의 상관계수가 0.5일 때 옳은 것은? → (X+0.3)과 (Y+0.2)의 상관계수는 0.5 (③)

상관계수는 평행이동(+상수)에는 변하지 않는다.
양수를 곱하면 변하지 않고, 음수를 곱하면 부호만 반대가 된다 (크기는 그대로).

48회 ④ "(−X)와 (−2Y)의 상관계수는 1"은 둘 다 음수를 곱해 부호가 두 번 뒤집히므로 0.5 그대로입니다(1이 되는 건 아님).

---

회귀분석 ⭐⭐⭐ (최빈출)

종속변수가 연속형이면 선형회귀, 범주형(0/1) 이면 로지스틱 회귀입니다. 회귀식: Y = β0 + β1X1 + … + βkXk + ε

회귀분석 4대 가정과 진단

가정	의미	진단 방법
선형성	독립·종속변수가 선형 관계	잔차도에 곡선(U자) 패턴이 없어야 함
독립성	오차(잔차)끼리 서로 독립	더빈-왓슨 검정
등분산성	잔차의 분산이 일정	잔차도에 깔때기 모양이 없어야 함
정규성	잔차가 정규분포	Q-Q plot이 45도 직선

 

⚠️ 독립성은 "독립변수끼리 관련이 없다"가 아닙니다. 독립변수 간 상관이 높은 건 다중공선성이라는 별개의 문제예요.

 

기출 (45회)

Q. 선형회귀분석의 가정에 대한 설명 중 틀린 것은?
① 정규성: 잔차의 분포가 정규분포를 따른다.
② 독립성: 독립변수 간에는 서로 관련이 없다.
③ 등분산성: 잔차 분포가 동일한 분산을 가진다.
④ 선형성: 독립변수와 종속변수 간에는 선형관계가 있다.

A. ② — 독립성은 오차항(잔차)들이 서로 독립이라는 뜻입니다.

 

더빈-왓슨(DW)

0~4 사이 값. 2에 가까우면 자기상관 없음, 0에 가까우면 양의 자기상관, 4에 가까우면 음의 자기상관.

모형 적합도와 검정 ⭐⭐⭐

SST(총변동) = SSR(회귀가 설명) + SSE(설명 못한 오차)
R² (결정계수) = SSR / SST = 1 − SSE/SST   (0~1)
MSE = SSE / (n − 2)   [단순회귀, 자유도 n−2]
F = MSR / MSE         [단순회귀: 회귀 자유도 1, 오차 자유도 n−2 / 다중: k, n−k−1]

• F검정: 모형 전체의 유의성. H0: 모든 회귀계수 = 0
• t검정: 개별 회귀계수의 유의성. H0: βi = 0, t = 회귀계수 / 표준오차
• 다중회귀는 변수를 추가하면 R²가 무조건 커지므로 수정된 결정계수(adjusted R²) 로 비교. 불필요한 변수를 넣으면 adjusted R²는 내려갑니다.
• 절편(β0)은 X=0이 의미 없는 경우가 많아 단정적으로 해석하지 않습니다.
• 오차(모집단) vs 잔차(표본·모형) 구분.
• 상관계수 r과 결정계수 R²: R² = r² (단순회귀), 범위는 r이 −1~1, R²는 0~1.

 

기출 (46회) 결정계수 계산

Q. SSE = 200, SSR = 300일 때 결정계수는?

A. 0.6 — SST = 500, R² = 300/500 = 0.6

 

기출 (47회) MSE 계산

Q. 단순회귀모형에서 SSE = 20, 샘플 수 10이면 MSE는?

A. 2.5 — 단순회귀의 오차 자유도는 n−2 = 8, MSE = 20/8 = 2.5 (10으로 나눈 2가 아닙니다!)

 

 

최소제곱법(OLS)

잔차제곱합(SSE)을 최소화하는 회귀계수를 추정합니다.

 

회귀모형의 종류

단순선형(변수 1개) · 다중선형(변수 여러 개) · 다항회귀(x², x³ — 곡선이지만 계수에 대해서는 선형) · 비선형회귀(지수·로그형 모수)

 

일반화 선형모형(GLM)

로지스틱 회귀 : 이항(0/1) 종속변수, 분포=이항, 연결함수=로짓(logit), exp(β)=오즈비
포아송 회귀   : 발생 횟수(Count) 종속변수, 분포=포아송, 연결함수=로그

 

⚠️ 로지스틱 회귀는 연속형 예측 모델(회귀)이 아니라 분류 모델로 분류됩니다.

49회에는 "분류 모형이 아닌 것은 다중 회귀분석"이 나왔어요.

 

회귀 성능지표

MAE  = 평균(|오차|)        — 이상치에 둔감
MSE  = 평균(오차²)         — 큰 오차에 민감
RMSE = √MSE                — y와 단위 동일
MAPE = 평균(|오차/실제값|)×100 — 비율(%), 실제값 0 근처에서 불안정

---

다중공선성 ⭐⭐⭐

독립변수끼리 상관이 높아 어느 변수 덕분인지 구분하지 못하는 현상입니다.

• 증상: 계수의 값·부호가 불안정, 표준오차 증가(t값 작아짐), R²는 높은데 개별 변수는 유의하지 않음
• 진단: 독립변수 간 상관계수 |r| > 0.8 의심, VIF = 1/(1−Rj²) — 1이면 문제없음, 5는 주의, 10 이상이면 다중공선성 높음
• 해결: ① 상관 높은 변수 제거·결합 ② 차원축소(PCA 등) ③ 정규화 회귀(릿지·라쏘·엘라스틱넷)

 

기출 (44회)

Q. 회귀분석의 독립변수들 간에 강한 상관관계가 나타나는 문제를 의미하는 것은?

① 다중공선성

② 회귀계수

③ 선형계수

④ 상관계수

A. ①

 

기출 (47회)

Q. 다중공선성에 대한 설명으로 적절하지 않은 것은?
① 다중공선성이 존재하더라도 회귀계수의 분산은 항상 동일하다.
② 독립변수 간 높은 상관관계로 회귀계수 추정이 불안정해진다.
③ VIF 지표로 측정 가능하다.
④ 높은 상관관계를 갖는 설명변수를 모형에서 제거하여 해결 가능하다.

A. ① — 다중공선성이 있으면 회귀계수의 분산(표준오차)이 커집니다.

 

기출 (47회)

Q. 다중공선성을 해결할 수 있는 방안으로 적절하지 않은 것은?

① 라쏘

② 릿지

③ 엘라스틱넷

④ 로지스틱 회귀

A. ④ — 로지스틱 회귀는 이항 종속변수를 위한 모델이지 다중공선성 해결책이 아닙니다.

---

변수 선택법과 정보기준 ⭐⭐

전진선택법 : 상수항만 있는 모형 → 가장 개선되는 변수를 하나씩 추가
후진제거법 : 모든 변수를 넣은 모형 → 기여도 낮은 변수를 하나씩 제거
단계적선택 : 추가 + 제거 병행 (가장 유연)

• 정보기준은 모두 작을수록 좋음(AIC, BIC, Mallows' Cp). 수정 결정계수만 클수록 좋음.
• AIC = −2logL + 2k, BIC는 벌점이 더 커서(k·log n) 더 간결한 모형을 선택
• AICc: 표본이 작을 때 AIC를 보정

 

기출 (45회)

Q. 독립변수 후보 모두를 포함한 모형에서 변수를 하나씩 제거하는 변수선택법은?

① 후진 제거법

② 단계별 선택법

③ 교차검증법

④ 전진 선택법

A. ①

---

정규화 선형회귀: 라쏘·릿지·엘라스틱넷 ⭐⭐⭐

과적합(학습 데이터를 지나치게 외움) ↔ 과소적합(규칙도 못 찾음). 계수에 벌점(규제) 을 주어 모형 복잡도를 낮춥니다.

모형	규제	특징
라쏘(Lasso)	L1 (계수 절댓값 합)	일부 계수를 정확히 0으로 → 변수 선택 가능
릿지(Ridge)	L2 (계수 제곱 합)	0에 가깝게 줄이지만 0은 안 됨, 다중공선성에 강함
엘라스틱넷	L1 + L2	상관 높은 변수를 그룹으로 처리

 

💡 "L1 = Lasso = 변수 제거, L2 = Ridge = 축소만" 으로 암기.

규제 강도(λ)는 교차검증으로 정하고, 적용 전 변수를 표준화합니다.

---

다차원척도법(MDS) ⭐⭐

대상 간 유사성·거리를 2~3차원 점으로 시각화합니다. 가까운 점 = 비슷한 대상.

• 계량적 MDS(구간·비율 척도) vs 비계량적 MDS(서열 정보)
• Stress 값: 0에 가까울수록 적합도 높음 (0.1 이내면 우수, 0.2 이상이면 나쁨)
• R: dist() → cmdscale()
• ⚠️ MDS는 상대적 위치만 보여줍니다. "절대적 위치를 알 수 있다"는 틀린 설명 (45회)

 

기출 (46회)

Q. MDS의 활용 사례로 옳은 것은?

① 매출 예측

② 주택 가격 예측

③ 영화 간 유사성 분석 및 시각화 ④ 고객 마케팅 효과

A. ③ — 예측이 아니라 유사성 시각화가 MDS의 용도입니다.

---

주성분분석(PCA) ⭐⭐⭐ (군집 다음으로 빈출)

서로 상관된 많은 변수를 선형 결합해, 분산을 가장 잘 설명하는 소수의 서로 직교(무상관)하는 새 변수(주성분) 로 요약하는 비지도 차원 축소 기법입니다.

• PC1: 분산 최대 설명 축 / PC2: PC1과 직교하며 남은 분산 최대 설명 …
• 주성분 간 상관관계는 없음(직교), 주성분 수는 원래 변수 개수까지 만들 수 있음
• 목적: ① 차원 축소·시각화 ② 다중공선성 해결 ③ 잡음 제거·성능 향상(군집·분류 전처리)
• ⚠️ 변수의 단위(스케일)에 민감 → 반드시 표준화 (prcomp(data, scale.=TRUE)). "단위에 영향을 받지 않는다"는 대표 오답 함정
• 주성분 개수 결정 3가지: ① 누적 기여율 70~80% 이상 ② 고윳값 ≥ 1 (카이저 규칙) ③ 스크리 플롯의 엘보우(꺾이는 지점) 직전까지
• rotation(로딩): 주성분에 어떤 원래 변수가 크게 기여했는지. 행렬도(biplot)의 화살표 각도가 작으면 상관 높음, 직각이면 무상관
• 차원 축소(새 변수 생성) vs 변수 선택(원래 변수 중 일부 선택)을 구분
• 차원의 저주: 차원이 커지면 데이터가 희소해져 거리 기반 기법 성능이 저하

 

기출 (44회)

Q. 주성분 분석에 대한 설명으로 잘못된 것은?
① 차원 축소 기능이 있다.

② 차원 축소로 예측에도 활용 가능하다.

③ 변수 간 선형관계를 알아보기 위한 분석이다.

④ 주성분 간에는 상관관계가 없다.

A. ③ — 변수 간 선형관계를 보는 것은 상관·회귀분석이고, PCA는 차원 축소가 목적입니다.

 

기출 (45회)

Q. 주성분 분석에 대한 설명으로 틀린 것은?
① 주성분은 원 변수들의 선형 결합이다.

② 주성분 간에는 상관관계가 있다.

③ 주성분은 분산이 최대가 되도록 구성된다.

④ 가중치 산출이 된다.

A. 이론상 ② — 주성분은 서로 직교하므로 상관이 없습니다. (※ 제가 정리해 둔 기출 파일에는 정답이 ④로 표기돼 있는데, ④ "가중치 산출"(로딩)은 맞는 설명이라 원본 문항·정답 표기에 오류가 있을 가능성이 있어요. 이 문제는 "주성분 간 무상관"이라는 개념만 챙기세요.)

 

기출 (46회)

Q. PCA에 대한 설명으로 옳지 않은 것은?
① 주성분 분석은 비지도 학습이다.
② 분산을 극대화하는 방향으로 주성분을 생성한다.
③ 상관관계가 높은 변수들의 선형결합을 통해 차원을 축소한다.
④ 주성분 수는 데이터 수만큼 생성이 가능하다.

A. ④ — 주성분 수는 변수(차원) 개수까지만 만들 수 있습니다. 관측치(데이터) 수가 아닙니다.

---

시계열 분석 ⭐⭐⭐ (최빈출)

시간 순서가 있는 자료를 분석해 미래를 예측합니다. 시점 자체가 정보라서 순서가 바뀌면 의미를 잃습니다.

시계열 4대 구성요소

추세(Trend)   : 장기적 증가·감소 경향
계절(Seasonal): 1년 미만의 고정 주기 반복
순환(Cyclical): 주기가 불규칙한 장기 파동 (경기 변동)
불규칙(Irregular): 위 셋으로 설명 안 되는 우연적 변동

 

⚠️ "규칙요인"은 구성요소가 아닙니다. (48회 — 구성요소는 추세·계절·순환·불규칙)

• 덧셈 모형: Y = T + S + C + I → 계절 변동폭이 일정할 때 (기온)
• 곱셈 모형: Y = T × S × C × I → 추세가 커질수록 계절 변동폭도 커질 때 (매출·승객 수)

 

정상성 ⭐⭐⭐ (매 회차 출제)

① 평균이 모든 시점에서 일정
② 분산이 모든 시점에서 일정
③ 공분산은 시점이 아니라 시차(lag)에만 의존

• 비정상 → 정상: 평균 안정화는 차분(differencing), 분산 안정화는 로그·제곱근 변환
• ⚠️ 정상성은 "관측값이 서로 독립"이라는 뜻이 아닙니다. 시계열은 오히려 자기상관(이웃 시점끼리 닮음)이 핵심 정보예요. (49회)
• ⚠️ 정상 시계열의 "자기상관계수가 시간에 따라 감소한다"도 틀린 설명 (47회). 자기상관은 시차 k에 따라 달라질 뿐 시점에 의존하지 않습니다.

 

기출 (46회)

Q. 정상 시계열의 특징으로 옳은 것은?
① 시점에 무관하게 평균과 분산이 일정하다.

② 시간의 흐름에 따라 변동성이 있다.

③ 특정 구간에서 일정한 값을 가진다.

④ 공분산은 시차에 의존하지 않고 시점에 의존한다.

A. ① — ④는 반대입니다(공분산은 시차에만 의존).

 

기출 (47회)

Q. 시계열 자료의 정상성에 대한 설명으로 적절하지 않은 것은?
① 분산은 시점에 의존하지 않는다.

② 공분산은 시차에만 의존한다.

③ 평균이 모든 시점에서 일정하다.

④ 자기상관계수가 시간에 따라 감소한다.

A. ④

 

기출 (49회)

Q. 정상성에 대한 설명으로 옳지 않은 것은?
① 각 관측값은 서로 독립이다.

② 평균이 모든 시점에서 일정하다.

③ 분산이 모든 시점에서 일정하다.

④ 공분산은 시차에만 의존한다.

A. ①

 

기출 (44·45·48회) 정상화 방법 — 같은 질문이 세 번 나왔습니다

• (44회) 정상화 방법으로 적절하지 않은 것: ① 차분 ② 정규화 ③ 이상치 제거 ④ 구간 분할 → ②
  (※ 정규화는 값의 범위를 맞추는 스케일링이지 시계열 정상화 방법이 아닙니다. 정답은 ②로 표기됐습니다.)
• (45회) 정상성을 확보할 수 있는 방법: ① 더미 변수화 ② 정규화 ③ 차분 ④ 군집화 → ③
• (48회) 비정상 시계열을 정상 시계열로 변환하는 방법: ① 지수평활법 ② 선형회귀 ③ 차분 ④ 결측치 처리 → ③

 

💡 정상화 = 차분(평균) + 로그·제곱근 변환(분산). 평활법·정규화·회귀는 아닙니다.

 

ACF와 PACF ⭐⭐⭐

ACF  : 시차 k만큼 떨어진 시점 간 상관 (간접 영향까지 모두 포함)
PACF : 중간 시점들의 영향을 제거한 순수한 직접 상관

• 신뢰구간(±1.96/√N)을 벗어난 막대 = 유의한 자기상관
• 데이터에 패턴이 있으면 ACF가 천천히 감소, 백색잡음이면 곧바로 0 근처

AR · MA · ARIMA ⭐⭐⭐

모형	개념	ACF	PACF
AR(p)	현재값이 과거 관측값의 선형결합	서서히 감소	시차 p 이후 절단
MA(q)	현재값이 과거 오차항(백색잡음)의 선형결합	시차 q 이후 절단	서서히 감소
ARMA	AR + MA	서서히 감소	서서히 감소

암기: "AR은 PACF에서 끊긴다(P), MA는 ACF에서 끊긴다"
ARIMA(p, d, q) : p=AR 차수, d=차분 횟수, q=MA 차수 (d=0이면 ARMA)
계절 ARIMA     : (p,d,q)(P,D,Q)[m]  — m=계절 주기 (월별 데이터면 12)

• AR·MA·ARMA는 모두 정상성을 가정하고, 비정상이면 차분(I)을 더한 ARIMA를 씁니다.
• ARIMA 차수 결정 순서: 보통 먼저 정상화(차분 차수 d) 를 정한 뒤 ACF/PACF로 p, q를 정합니다.

 

기출 (47회)

Q. ARIMA 모델에 대한 설명으로 적절하지 않은 것은?
① (p,d,q)로 표현되며 각각 자기회귀 차수, 차분 차수, 이동평균 차수이다.
② 일반적으로 자기회귀 차수를 먼저 정하고, 차분 차수를 정한다.
③ 과거값과 오차를 이용해 미래를 예측하는 통계 모델이다.
④ 데이터를 정상 시계열로 변환하여 분석하므로 통계적 안정성이 높다.

A. ② — 차분(정상화)을 먼저 하고 p, q를 정합니다.

 

기출 (50회)

Q. 시계열 모형에 대한 설명으로 옳은 것은?
① AR 모형은 정상성을 가정하지 않는다.

② MA 모형은 비정상 시계열 자료에만 적용할 수 있다.

③ AR 모형과 MA 모형은 모두 정상성을 가정한다.

④ ARMA 모형은 반드시 차분한 자료에만 사용할 수 있다.

A. ③

 

Q. 이동평균모형(MA)은 현재의 시계열 값을 무엇의 선형결합으로 표현하는가?

① 과거의 관측값

② 과거와 현재의 관측값

③ 과거의 오차항

④ 과거와 현재의 오차항

A. ④ — MA는 "과거와 현재의 오차항"이라고 정의하는 것으로 출제됐습니다. (AR은 과거 관측값)

 

평활법

이동평균법 : 일정 기간 평균으로 잡음 제거. 모든 시점 가중치 동일 → 최근 정보를 반영 못 하는 한계
지수평활법 : 최근 데이터에 지수적으로 큰 가중치. 단기 불규칙 변동 제거, 중장기 예측에 적합

---

실무 한마디

시계열은 인프라 운영에서 바로 쓰입니다.

월별 침해사고 건수나 트래픽 로그는 대표적인 추세+계절성 데이터이고, 차분으로 추세를 제거한 뒤 ACF/PACF로 패턴을 읽고 ARIMA로 다음 분기 발생량을 예측하는 흐름이 그대로 시험 범위예요.

 

또 서버 CPU 사용률과 응답시간처럼 서로 높은 상관을 가지는 지표를 한 모형에 같이 넣으면 다중공선성이 생기는데, 이때 지표를 합치거나 PCA로 축소하는 방식이 실무에서도 통합니다.

 

보안 이벤트 지표 수십 개를 PCA로 2~3개 축에 압축해 대시보드에 군집을 보여주는 것도 같은 아이디어입니다.

---

핵심 정리

✅ 상관계수 −1~1(방향=부호, 강도=절댓값), 공분산은 범위 제한 없음·단위 의존
✅ 상관계수는 +상수 이동·양수 곱에 불변, 음수 곱하면 부호만 반전
✅ 피어슨(연속형, 선형) vs 스피어만(서열·순위, 정규성 불필요)
✅ 회귀 4대 가정: 선형성·독립성(오차끼리)·등분산성·정규성 / 독립성 ≠ 독립변수 간 무관
✅ R² = SSR/SST, MSE = SSE/(n−2), F=MSR/MSE (전체) vs t (개별 계수)
✅ 다중공선성: VIF ≥ 10, 해결=변수 제거·PCA·릿지/라쏘 (로지스틱 아님!)
✅ 라쏘(L1, 계수 0 가능) vs 릿지(L2, 0 불가) vs 엘라스틱넷(혼합)
✅ 전진(추가) / 후진(제거) / 단계적(병행), AIC·BIC·Cp 작을수록 좋음
✅ MDS: 유사성 시각화, Stress 0에 가까울수록 좋음, 절대 위치는 알 수 없음
✅ PCA: 비지도, 주성분 간 무상관, 단위 민감(표준화 필수), 개수=변수 수까지
✅ 시계열 4요인: 추세·계절·순환·불규칙 ("규칙" 아님)
✅ 정상성: 평균·분산 일정 + 공분산은 시차에만 의존 (관측값 독립 아님)
✅ 정상화: 차분(평균) + 로그/제곱근(분산)
✅ AR=PACF 절단 / MA=ACF 절단 / ARIMA(p,d,q) / AR·MA는 모두 정상성 가정

---

다음 편 예고

09편 — 정형 데이터 마이닝 ① 개요·분류분석: 데이터 분할·교차검증, 로지스틱 회귀, 의사결정나무, 앙상블(배깅·부스팅·랜덤포레스트), 인공신경망, 성과평가(혼동행렬·ROC)까지.

 

3과목 마지막 두 장이 시작됩니다.