결과와 관련된 변수는 모두 통제해야 할까?
인과 다이어그램은 교란 경로와 매개·충돌 변수를 구분합니다. 상관이 큰 변수부터 넣는 선택은 편향을 만들 수 있습니다.
Robust Causal Inference Using Directed Acyclic Graphs: the R package ‘dagitty’
연구와 학습, 시험과 도서를 한곳에서 찾습니다.
검색 결과마다 자료의 코너와 성격을 표시합니다. 제목을 먼저 살펴보고 그림 카드와 기존 본문으로 이어 가세요.

관심 주제로 찾아보기
인과 다이어그램은 교란 경로와 매개·충돌 변수를 구분합니다. 상관이 큰 변수부터 넣는 선택은 편향을 만들 수 있습니다.
Robust Causal Inference Using Directed Acyclic Graphs: the R package ‘dagitty’
베이지안 접근은 일부 비형식적 오류의 설득력이 사전확률과 증거 생성 과정에 따라 연속적으로 달라진다고 본다.
The Rationality of Informal Argumentation: A Bayesian Approach to Reasoning Fallacies
민감도 하나로 검사 후 확률을 읽을 수 없습니다. 사전 가능성과 우도비를 결합해 증거가 믿음을 얼마나 바꾸는지 계산합니다.
Diagnostic Tests 4: Likelihood Ratios
Colquhoun의 계산은 p값과 발견의 사후 오류확률이 다른 양임을 보이며, 사전가능성·검정력·관측 증거를 함께 명시해야 한다고 주장합니다.
An Investigation of the False Discovery Rate and the Misinterpretation of p-values
기억에 대한 확신을 조정하는 일과 외부 도구를 선택하는 일은 구분됩니다. 메타인지 훈련 연구를 기대 보상과 전략 선택의 관점에서 읽습니다.
The effect of metacognitive training on confidence and strategic reminder setting
36–40 / 115편