Week
06. 로지스틱 회귀 분석 (Logistic Regression)
이항 변수 분석의 논리
분석의 대상: 정치학에서 마주하는 수많은 결정은 '연속적인 점수'가 아닌 '상호 배타적인 선택'의 형태를 띱니다. (예: 투표 참여 여부, 당선과 낙선, 전쟁의 발발 등)
방법론적 전환: 지난주 OLS는 무한 가정을 했지만, '0 또는 1' 데이터에서는 이 가정이 무너집니다.
정책의 효과를 '지지율 몇 점 상승'으로 보는 것과 '과반 득표 여부'로 보는 것은 분석 전략에서 어떤 차이를 만들까요?
확률의 공리적 한계와 직선의 모순
범위의 문제
\( Y = \alpha + \beta X \)는 독립변수가 커짐에 따라 예측값이 무한히 증가하거나 감소합니다.
비논리적 예측
투표 여부(0, 1)에 적용하면 확률이 **100%를 초과(1.2)**하거나 **0% 미만(-0.2)**이 되는 현상이 발생합니다.
직선은 필연적으로 닫힌 구간(0~1)을 탈출합니다.
데이터 분석 결과가 확률의 정의를 벗어난다면, 그 모델을 실무 정책 결정의 근거로 사용할 수 있을까요?
왜 최소제곱법을 쓰면 안 되는가? (2)
이분산성 강제 발생
종속변수가 0과 1뿐이면, 오차의 분산은 독립변수(\( X \))의 값에 따라 자동으로 변하게 설계됩니다.
정규성(Normality)의 부재
오차항은 종 모양(정규분포)이어야 하지만, 이분 데이터에서는 오차가 두 지점에만 몰려 정규분포가 불가능합니다.
통계적 가정이 위배된 모델에서 나온 '유의미한 p-value'를 우리는 어떻게 해석해야 할까요?
결과: 계산된 표준오차(S.E.)와 p-value를 신뢰할 수 없게 되며, 가설 검정이 무의미해집니다.
시그모이드 함수 (Sigmoid Function)
직선의 확률 곡선화
어떤 값이 들어와도 0과 1 사이로 부드럽게 꺾어주는 마법의 함수입니다.
\[ P = \frac{1}{1 + e^{-(\alpha + \beta X)}} \]
- \( e \): 자연상수. 함숫값을 S자 형태로 수렴시키는 역할.
- \( \alpha + \beta X \): 기존의 직선 방정식.
Undergrad Tip: 시그모이드(S) 곡선은 '임계점'을 넘기 전까지는 변화가 느리다가, 결정적 순간(중앙)에 확 변하는 인간의 심리를 잘 반영합니다.
왜 이 함수는 중앙 부근에서는 민감하게 반응하고, 양 끝단(0과 1 근처)에서는 변화가 둔화되는 형태를 띨까요?
확률을 '오즈'로 재구성하기
오즈(Odds)의 정의
사건이 '발생할 확률(\( P \))'과 '발생하지 않을 확률(\( 1-P \))'의 비율입니다.
\[ Odds = \frac{P}{1-P} \]
오즈비 (Odds Ratio)
두 집단의 오즈를 나눈 값입니다. (예: "저소득층보다 고소득층의 투표 오즈가 2배다")
Analogy: 경마나 도박에서 "승률이 4:1이다"라고 할 때의 그 '배당률'과 같은 논리입니다. 확률은 0~1에 갇혀 있지만, 오즈는 끝없이 뻗어갑니다.
단순히 "확률이 10% 높다"는 표현보다 "승산이 2배다"라는 표현이 집단 간 격차를 설명하는 데 왜 더 효과적일까요?
로짓(Logit): 곡선을 다시 직선으로
자연로그의 도입
오즈에 로그를 취하면, 0~\(\infty\) 범위가 \(-\infty\)~\(+\infty\)로 확장됩니다.
\[ \ln\left(\frac{P}{1-P}\right) = \alpha + \beta X \]
수학적 의도: 드디어 좌변(로짓)과 우변(선형 식)의 수치 범위가 일치하게 되어, 우리가 아는 회귀 분석의 연산 방식을 적용할 수 있게 됩니다.
로그를 씌우는 과정은 복잡해 보이지만, 결국 '곡선'의 문제를 '직선'의 풀이법으로 해결하기 위한 장치 아닐까요?
계수(\( \beta \))의 올바른 해석법
통계적 진술
"독립변수 \( X \)가 1단위 증가할 때, 종속변수의 **로그 오즈(Log-Odds)**가 \( \beta \)만큼 변화한다."
실무적 진술 (오즈비)
\( e^{\beta} \) 값을 사용하여 해석합니다. (예: \( \beta=0.7 \Rightarrow e^{0.7} \approx 2.0 \))
"X가 1단위 증가할 때 사건의 발생 승산(Odds)이 2배가 된다."
주의!
선형 회귀처럼 "Y가 \( \beta \)만큼 증가한다"고 말하면 오답입니다.
※ 로지스틱에서 계수는 '확률' 자체가 아니라 '로그 단위'라는 점을 명심하세요.
로그 오즈라는 추상적인 개념을 '배수(Multiples)'라는 구체적인 언어로 치환하는 과정이 왜 정책 보고서에서 중요할까요?
데이터 구조와 이항 코딩 (Binary Coding)
종속변수의 요건
반드시 수치 **'0'과 '1'**로 코딩되어야 합니다. (예: 기권=0, 투표=1)
기준 집단의 설정
통상적으로 관심 있는 사건(투표, 당선)을 '1'로 두는 것이 해석상 편리합니다.
독립변수의 형태: 수치형(나이)뿐 아니라 범주형(정당 지지)도 가능하지만, 범주형은 반드시 '더미 변수' 처리가 필요합니다.
만약 종속변수가 0과 1이 아닌 1과 2로 코딩되어 있다면, 모델의 계산 결과에는 어떤 오류가 발생할까요?
최대우도법 (Maximum Likelihood Estimation)
OLS와의 차차이
OLS는 '거리(오차)'를 줄이지만, MLE는 **'그럴듯함(우도)'**을 높입니다.
MLE의 논리
"이 데이터 패턴이 나타날 확률을 가장 높게 만들어주는 곡선의 기울기는 무엇인가?"를 추적합니다.
Analogy: 범인의 발자국을 보고 그 발자국이 남을 수 있는 가장 가능성 높은 범인의 키와 몸무게를 추정하는 수사 과정과 비슷합니다.
'가장 적은 실수'를 찾는 것(OLS)과 '가장 가능성 있는 설명'을 찾는 것(MLE) 중 무엇이 더 인간의 추론 방식에 가까울까요?
Pseudo R-squared: 로지스틱의 설명력
개념적 차이
로지스틱은 \( R^2 \)를 직접 쓸 수 없습니다. 대신 모델 유무에 따른 우도 개선도를 측정합니다.
판단 기준
로지스틱(McFadden's 등)에서는 **0.2~0.4**만 되어도 설명력이 매우 우수하다고 봅니다.
학부생을 위한 팁
선행 회귀의 0.6보다 낮게 나온다고 해서 실망하지 마세요. 0과 1이라는 극단적인 인간 행동을 30%나 맞히는 것은 대단한 일입니다.
인간의 투표 선택처럼 수많은 우연이 개입하는 행위를 30%나 설명해낼 수 있다면, 그것은 강력한 모델일까요, 아니면 부족한 모델일까요?
변수가 통계적으로 유의미한가?
검정의 원리
MLE를 사용하므로 t-분포가 아닌 **Z-통계량**을 사용합니다.
- 귀무가설($H_0$): 해당 변수는 투표 확률에 영향을 주지 않는다 (\(\beta = 0\)).
- 판단: \( p \)-value < 0.05이면 귀무가설을 기각합니다.
정치적 결론
가설 기각 시, 해당 변수는 정치적 선택을 설명하는 데 유의미한 변수라고 결론 내립니다.
Note: 사회과학에서는 p-value 0.05라는 문턱이 "이 결과가 우연이 아닐 확률이 95%"라는 과학적 '최소 요건'입니다.
만약 계수의 절댓값은 큰데 p-value가 0.05보다 크다면, 이 변수를 논문에 '영향력이 큰 변수'로 소개해도 될까요?
오즈비(Odds Ratio)의 수치적 변환 실습
공식: \( OR = e^{\beta} \)
분석 결과 '효능감'의 계수가 \( \beta=0.4 \)라면?
- \( e^{0.4} \approx 1.5 \)
- "효능감이 1단위 오를 때, 투표 승산(Odds)이 **1.5배** 증가한다."
방향성 읽기
- \( \beta > 0 \Rightarrow OR > 1 \) (확률 증가)
- \( \beta < 0 \Rightarrow OR < 1 \) (확률 감소)
- \( OR = 1 \) : 아무런 영향 없음.
만약 어떤 변수의 오즈비가 정확히 1이 나왔다면, 이 변수는 종속변수에 어떤 영향을 미치고 있는 것일까요?
모델의 예언은 얼마나 적중했는가?
|
실제값 (Actual) |
| 투표 (1) |
기권 (0) |
| 예측 |
투표 (1) |
TP
적중 |
FP
오판(1종) |
| 기권 (0) |
FN
놓침(2종) |
TN
적중 |
정치적 상황실
TP: 투표한다고 예측했고, 진짜 함.
FP: 투표한다고 예측했으나, 기권함.
Tip: FP는 선거 캠프가 '안 올 사람'에게 전화 돌리느라 돈 쓴 상황이고, FN은 '우리 지원자'를 몰라보고 홍보물을 안 보낸 상황입니다.
선거 전략가에게는 '투표할 사람을 놓치는 것'과 '안 할 사람에게 홍보비를 쓰는 것' 중 무엇이 더 뼈아픈 실수일까요?
정확도(Accuracy)의 정의와 한계
공식
\[ \frac{TP + TN}{\text{Total Samples}} \]
모델이 맞춘(투표/기권 전체) 정답의 비율입니다.
숨겨진 함정!
전체의 90%가 투표자라면, 아무 분석 없이 모두가 투표한다고만 해도 정확도는 90%가 나옵니다. 이때 모델은 무능하지만 수치만 좋아 보입니다.
불균형한 데이터에서 정확도만 강조하는 보고서를 우리는 왜 경계해야 할까요?
정밀도(Precision): "1"이라고 외친 값 중 실제 1
예측의 신뢰성
\[ \frac{TP}{TP + FP} \]
모델이 '투표할 것'이라고 예측한 사람들 중 실제 투표자의 비율.
정치적 적용
선거 자금이 부족할 때, "투표 확실층"을 얼마나 정교하게 골라냈는가를 평가하는 지표입니다.
정밀도가 매우 높다면, 우리는 모델이 지목한 사람들에게 안심하고 캠페인 비용을 집중해도 될까요?
재현율(Recall): 실제 1 중 찾아낸 1
타겟 포착 성능
\[ \frac{TP}{TP + FN} \]
실제 투표자들을 모델이 얼마나 빠짐없이 포착했는지를 보여줍니다.
정치적 적용
무차별 투표 독려 운동 시, 잠재적 유권자를 한 명이라도 더 찾아내고 싶을 때 중요한 지표입니다.
범죄 수사나 질병 진단 모델에서는 정밀도와 재현율 중 무엇이 더 생명과 직결되는 중요한 지표일까요?
정밀도와 재현율의 트레이드오프
상충 관계
예측 기준(Threshold)을 엄격하게 잡으면 지목한 사람의 투표 확률(정밀도)은 높지만, 많은 투표자를 놓칩니다(재현율 하락).
F1-Score (조화평균)
두 지표가 한쪽으로 치우치지 않았는지 평가하는 종합 지수입니다.
Note: 모든 사람을 투표자로 예측하면 재현율은 100%가 되지만, 정밀도는 처참해집니다. 이를 필터링해주는 것이 F1입니다.
모든 사람을 투표자로 예측하면 재현율은 100%가 됩니다. 이때 정밀도는 어떻게 변할까요?
ROC 곡선: 판정 기준에 따른 변화
- X축: 거짓 양성률 (틀린 예측)
- Y축: 참 양성률 (맞은 예측)
곡선이 왼쪽 상단 구석에 가까울수록(수직으로 올라갔다 꺾이는 모양) 우수한 모델입니다.
만약 곡선이 대각선(45도 직선) 모양이라면, 이 모델은 동전 던지기보다 나을 것이 있을까요?
AUC (Area Under Curve)
1.0 (최고)
모든 선택을 완벽히 분류하는 신적인 모델.
0.7 ~ 0.8
정치 분석에서 "훌륭하다"고 인정받는 준수한 모델.
0.5 (최저)
분석 가치가 없는 무작위 추측 모델.
장점: 데이터 내 집단 크기가 불균형하더라도 모델의 실질적인 '변별력'을 안정적으로 보여줍니다.
두 모델의 Pseudo R-squared는 비슷한데 AUC가 크게 다르다면, 여러분은 어떤 모델을 최종적으로 선택하시겠습니까?
로그 우도: 모델의 데이터 설명력
확률의 로그값
최대우도법(MLE)에서 계산되며, 항상 **음수(-)**로 나타납니다.
비교의 기준
0에 가까울수록(절댓값이 작을수록) 실제 데이터를 더 잘 반영하고 있다는 뜻입니다.
우리 모델이 아무 데이터 없는 기본 모델보다 얼마나 로그 우도를 높였는지를 통해 모델의 존재 가치를 증명합니다.
모델이 복잡해질수록 로그 우도는 좋아지겠지만, '설명의 간결함'이라는 측면에서는 어떤 손해를 보게 될까요?
다항 로지스틱 회귀: 셋 이상의 선택지
확장된 모델링
종속변수가 'A당/B당/C당'처럼 여러 범주일 때 사용합니다.
- 준거 집단 설정: 한 범주를 기준으로 나머지들의 상대적 확률 변화를 계산합니다.
논리적 구조
선택지가 \( K \)개라면, 내부적으로 \( K-1 \)개의 로지스틱 식을 동시에 추측하여 상대적 우위를 비교합니다.
준거 집단을 '무당층'으로 잡을 때와 '거대 여당'으로 잡을 때, 독립변수 계수의 부호와 해석의 초점은 어떻게 달라질까요?
서열 로지스틱 회귀: 순서가 있는 데이터
위계적 구조
"매우 반대 < 반대 < 찬성 < 매우 찬성"처럼 서열이 있을 때 적용합니다.
병렬 회귀 가정
범위 간 경계선을 넘을 확률의 영향력이 모든 단계에서 동일하다고 가정합니다.
Note: 단계별 문턱(Threshold)을 하나씩 넘는 과정으로 이해하면 쉽습니다.
이념 성향(진보-중도-보수)을 분석할 때, 중도에서 보수로 이동하는 동력과 진보에서 중도로 이동하는 동력이 과연 같다고 단정할 수 있을까요?
로지스틱 모델의 상호작용 효과
복합적 관계
한 변수의 효과가 다른 변수에 따라 변하는 현상. (예: 여성에게는 학력이 투표율을 높이지만, 남성에게는 미비함)
시각화 필수!
로지스틱은 비선형 모델이므로, 단순히 계수만 보지 말고 반드시 **예상 확률 곡선**을 그려서 확인해야 합니다.
두 변수의 곱셈 항이 유의미하게 나왔다면, 이는 "두 변수가 단순히 합쳐진 것 이상의 특별한 시너지나 간섭이 존재한다"는 것을 어떻게 증명하나요?
한계 효과(AME): 로그 오즈를 %p로
필요성
오즈비는 '배수'를 알려주지만, 실제 투표 확률이 "몇 퍼센트 포인트(%p)" 변하는지는 알려주지 못합니다.
평균 한계 효과 (AME)
"소득이 1단위 증가할 때, 투표 확률은 평균적으로 **4.5%p** 상승한다"와 같이 보고할 수 있게 해줍니다.
Tip: 정책 결정자들은 "승산이 1.5배입니다"라는 말보다 "확률이 5% 오릅니다"라는 말을 훨씬 더 잘 이해합니다.
왜 똑같은 1단위 변화라도 S자 곡선의 가파른 중앙부와 완만한 끝단에서의 한계 효과 수치는 다르게 나타날까요?
시각적 분석: 예상 확률 도표
신뢰구간(CI) 해석
곡선을 둘러싼 음영이 좁을수록 예측이 정확하며, 넓어지는 구간은 데이터가 부족하거나 불확실함 수치가 높음을 뜻합니다.
Check: 확률이 급격히 상승하는 '골든 타임' 구간을 포착하여 정치적 지지층의 경계선을 찾을 수 있습니다.
수치로 가득 찬 결과표보다 한 장의 예상 확률 그래프가 대중과 정치인을 설득하는 데 왜 더 강력한 도구가 될까요?
완전 예측 및 분리 문제
원인
특정 변수가 0과 1을 오차 없이 완벽하게 갈라놓을 때 발생합니다.
수학적 결과
계수가 **무한대**로 발산하며, 컴퓨터는 "모델이 수렴하지 않았다"는 경고를 보냅니다.
조치: 샘플 수가 너무 적거나, 사실상 종속변수와 똑같은 의미의 변수(Tautology)를 넣었는지 확인해야 합니다.
100%의 예측력을 가진 변수는 과학적 발견일까요, 아니면 우리가 분석 설계를 잘못했다는 신호일까요?
희귀 사건 로짓 (Relogit)
표본의 불균형
전쟁, 쿠데타, 탄핵 등은 발생(1)보다 미발생(0)이 압도적으로 많습니다.
추정의 편향
1의 비중이 5% 미만인 경우, 일반 로지스틱은 확률을 실제보다 낮게 추정하는 경향이 있습니다.
솔루션: King & Zeng(2001)의 해법처럼 소수 사례 가중치를 조절하여 예측력을 정교화합니다.
"대부분의 날은 전쟁이 일어나지 않는다"고만 예측하는 모델이 있다면, 이 모델은 정치학적으로 어떤 결함을 가지고 있는 것일까요?
다중공선성의 심화 진단
문제의 본질
독립변수들끼리 너무 밀접하게 연관되어 있어, 순수 영향력을 분리하기 어려운 상태입니다.
징후: VIF >= 10
모델 성능은 높은데, 정작 중요한 개별 변수들의 p-value가 유의미하지 않게 나옵니다.
Note: "교육 연수"와 "문해력"을 동시에 넣으면, 둘이 한 몸처럼 움직여 각각의 효과를 알 수 없게 됩니다.
서로를 강하게 반영하는 두 변수가 모델에 공존할 때, 우리가 얻은 계수값은 '진실'에 가까울까요, 아니면 '불안정한 추정치'일까요?
설명력과 간결함 사이의 최적점
딜레마
변수를 많이 넣을수록 적합도는 좋아지지만, 과적합(Overfitting)의 위험이 커집니다.
AIC / BIC 수치
모델의 적합도를 측정하면서도 변수 개수에 **벌칙(Penalty)**을 부과합니다. 이 수치가 **가장 낮은** 모델이 최고입니다.
변수를 무작정 늘리는 것이 '좋은 과학'이 아니라면, 우리는 어떤 기준으로 분석의 복잡성을 통제해야 할까요?
로지스틱 회귀의 진단: 잔차와 이상치
잔차(Residuals) 검토
특정 관측치가 모델의 예측에서 심하게 벗어나는지 확인합니다.
쿡의 거리 (Cook's Distance)
단 몇 개의 특이한 데이터가 전체 회귀 곡선의 모양을 왜곡하고 있지는 않은지 진단합니다.
Action: 예측 확률은 0.99인데 실제 결과가 0인 사례들을 추적하여, 코딩 오류나 누락된 변수를 역추적하세요.
모델이 유독 설명하지 못하는 '예외적인 개인들'을 연구하는 것은 우리 이론을 정교화하는 데 어떤 도움을 줄까요?
로지스틱 회귀의 진단: 잔차와 이상치
잔차(Residuals) 검토
특정 관측치가 모델의 예측에서 심하게 벗어나는지 확인합니다.
쿡의 거리 (Cook's Distance)
단 몇 개의 특이한 데이터가 전체 회귀 곡선의 모양을 왜곡하고 있지는 않은지 진단합니다.
Action: 예측 확률은 0.99인데 실제 결과가 0인 사례들을 추적하여, 코딩 오류나 누락된 변수를 역추적하세요.
모델이 유독 설명하지 못하는 '예외적인 개인들'을 연구하는 것은 우리 이론을 정교화하는 데 어떤 도움을 줄까요?
분석 결과의 학술적 보고 양식
필수 기재 요소
- 계수(\(\beta\))와 표준오차(S.E.): 유의성 확인의 기초.
- 오즈비(Odds Ratio): 영향력을 '배수'로 전달.
- 모델 적합도: Pseudo \( R^2 \) 또는 로그 우도.
작성 팁
단순 수치 나열보다 **"A 변수가 1단위 증가할 때 투표 승산이 \( n \)배 증가한다"**는 식의 서술형 문장을 병기하세요.
독자에게 '통계적 유의성'과 '실질적 영향력(오즈비의 크기)' 중 무엇이 더 중요하게 다가갈까요?
투표 참여 결정 요인 분석
연구 질문
"정치적 효능감이 높은 사람은 실제로 투표장에 더 많이 가는가?"
분석 설계
- 종속변수: 투표 여부 (0/1)
- 독립변수: 효능감 점수, 연령, 교육, 소득
기대: 효능감 계수가 양(+)이고 유의미하면, 시민의 심리적 태도가 참여의 동력임을 입증합니다.
만약 연령을 통제한 후에도 효능감의 효과가 유지된다면, 이는 우리에게 어떤 정치적 시사점을 줄까요?
현직 의원의 재선 확률 예측
연구 질문
"의정 활동 실적(법안 발의 수)은 재선 성공에 기여하는가?"
해석의 묘미
법안 발의 수의 오즈비가 1에 가깝다면, 유권자들은 입법 실적보다 '지역구 관리' 같은 다른 요소를 더 중시한다는 해석이 가능합니다.
Check: 모델의 예측 정확도가 80%라면, 이를 차기 선거 전략의 절대적 기준으로 삼을 수 있을까요?
모델의 예측 정확도(Accuracy)가 80%라면, 우리는 이 모델을 차기 선거 전략 수립의 절대적 기준으로 삼을 수 있을까요?
분류 임계값(Threshold)의 조정
보수적 예측 (Threshold 0.8)
확실한 투표층만 공략하고 싶을 때. **정밀도**가 올라갑니다.
포괄적 예측 (Threshold 0.3)
조금이라도 가능성 있는 사람을 다 찾을 때. **재현율**이 올라갑니다.
기본값은 0.5이지만, 분석의 목적(예산 아끼기 vs 캠페인 확산)에 따라 이 기준선은 움직여야 합니다.
선거 당일 '투표 독려 전화'를 돌릴 대상을 정할 때, 여러분은 임계값을 높이시겠습니까, 아니면 낮추시겠습니까?
머신러닝으로 확장되는 로지스틱
소프트맥스(Softmax)
다항 로지스틱을 딥러닝 분야에서 부르는 이름입니다.
원리
여러 선택지의 점수를 합쳐 1(100%)이 되도록 변환하여, 각 선택지의 확률을 한꺼번에 계산하는 AI의 기초 알고리즘입니다.
Insight: 여러분이 오늘 배운 로지스틱 회귀가 사실은 현대 바둑 AI나 챗봇이 정답을 분류하는 핵심 원리와 맞닿아 있습니다.
정치 분석에서도 인공지능의 분류 알고리즘이 기존의 통계 모델보다 항상 우월한 결과를 낼까요?
한계 (1): 선형성과 가산성 가설
가설의 위배
로지스틱은 '로그 오즈'와 독립변수가 직선 관계라고 가정합니다.
비선형의 무서움
만약 효과가 특정 구간에서만 폭발적으로 변한다면 로지스틱은 이를 놓칩니다. 이때는 제곱항 등을 넣어 보완해야 합니다.
"소득이 일정 수준을 넘어서면 오히려 투표율이 떨어진다"는 가설이 있다면, 일반적인 로지스틱 모델로 이를 잡아낼 수 있을까요?
한계 (2): 상관관계와 인과관계
원인의 착각
높은 오즈비와 낮은 p-value는 **'함께 움직인다'**는 증거일 뿐, 반드시 원인과 결과는 아닙니다.
누락 변수 편향
모델에 넣지 않은 제3의 변수(예: 사회적 네트워크)가 실제 원인일 수 있다는 점을 늘 경계해야 합니다.
통계적으로 완벽한 모델을 만들었다 하더라도, 왜 우리는 여전히 "이것이 진짜 원인인가?"라고 되물어야 할까요?
6주차 요약: 선택을 숫자로 읽는 법
- 직선의 극복: 0과 1 사이를 보장하는 S자 곡선의 도입.
- 해석의 무기: 로그 오즈를 오즈비와 한계 효과(AME)로 번역.
- 성능의 다각도: 정확도 외에 정밀도, 재현율, AUC로 검증.
- 확장성: 다항·서열 로짓을 통해 더 복잡한 정치 지형을 분석.
- 인과를 향해: 다음 주 '인과추론'을 위한 통계적 기초 완성.