퍼포먼스 마케터 부트캠프 8주 1일차(참여 30일차)

자주 쓰이는 세가지 검정

구분	카이제곱 검정	독립 표본 t-검정	상관관계 분석
검정 목적	두 범주형 변수 간의 관련성이 있는지 검정	두 집단의 평균 차이가 있는지 검정	두 수치형 변수 간의 관계를 확인
데이터 유형	범주형 - 범주형	범주형(집단 구분) - 수치형	수치형 - 수치형
예시	유입경로 vs 클릭여부	성별 vs 독서중단 위치 평균	나이 vs 독서중단 위치
사용 코드	분할표 생성 contingency_table = pd.crosstab 반환값: (카이제곱 통계량, P-value, 자유도, 기대 빈도표) chi2, p_value, df_chi2, expected_frequencies = stats.chi2_contingency(contingency_table)	t-statistic과 p-value를 반환 t_statistic, p_value = stats.ttest_ind(group_male, group_female)	correlation_matrix=df.corr(method='pearson') from scipy.stats import pearsonr 상관계수 및 p-value 계산 corr_age_ep, p_value_age_ep = pearsonr(numeric_df['age'], numeric_df['exit_position_numeric'])
통계량	카이제곱 통계량 (Chi²)	t 통계량 (T-statistic)	상관계수 (corr), p-value
해석 기준	p-value < 0.05 → 관련 있음	p-value < 0.05 → 평균 차이 있음	p-value < 0.05 → 유의한 상관관계
결과 해석 예시	“유입경로에 따라 클릭률이 다르다”	“남녀 간 평균 독서 위치 차이 존재”	“나이 많을수록 완독 위치가 낮아진다” 등
유의사항	기대 빈도 5 이상인지 확인	두 그룹 데이터 퍼진 정도가 너무 다르면 안됨, 이상치에 민감	인과관계 아님에 유의, 비선형 관계 파악 어려움-피어슨은 선형관계의 강도만 측정