시리즈 전체 색인The Complete Series Index

2025년 한 해 동안 격주로 쓴 스물네 편의 색인입니다. 위에서부터 읽으면 한 과목이 됩니다. 각 섹션은 앞 섹션을 전제하고 마지막 편은 일부러 첫 편으로 고리를 닫습니다.

The index for twenty-four posts written fortnightly across 2025. Read top to bottom it works as a course: each section assumes the one before it, and the last post deliberately closes the loop back to the first.

시리즈가 하는 주장The argument the series makes

가장 깨끗한 시연은 잘못 설정된 모형 편입니다. R² 0.76, t값 11 이상, 깨끗한 잔차 진단 — 그리고 참값에서 27% 벗어난, 데이터를 아무리 더해도 틀린 값으로 수렴하는 추정치. 모든 진단이 건강해 보였습니다. 그것을 잡을 수 있었던 유일한 것은 추정량이 무엇을 요구하는지 알고 그것을 직접 확인하는 일이었습니다.

The cleanest demonstration is the misspecification post: R² of 0.76, t-statistics above 11, clean residual diagnostics — and an estimate 27% away from the truth, converging to the wrong value no matter how much data you add. Every diagnostic looked healthy. The only thing that would have caught it was knowing what the estimator required and checking that directly.

나머지는 전부 가정을 더 방어 가능하게 만드는 방법이거나, 문제가 커질 때 그 규율을 유지하는 방법입니다.

Everything else is either a way of making assumptions more defensible, or a way of keeping that discipline as problems get larger.

기초와 계량경제학Basics & Econometrics

바닥 다지기. 도구, 표본이론, 모형 검증, 그리고 모형이 조용히 잘못되는 방식들.

The groundwork: tools, sampling theory, model validation, and the ways a model goes quietly wrong.

1. 중심극한정리는 언제 도착하는가 — 거의 모든 신뢰구간이 기대는 정리가 실제로 언제 작동하는지, 그리고 실패하는 세 경우.
2. 루프를 쓰고 싶어질 때가 신호다 — NumPy·Pandas·Statsmodels가 왜 이런 모양인지, 그리고 조용히 실패하는 연쇄 인덱싱 버그.
3. 열 개에서 즉시, 십만 개에서 한 시간 — O(n²) 곡선을 직접 재고 왜 복잡도가 장비를 이기는지.
4. 인터페이스 하나로 수백 개 모형 갈아 끼우기 — scikit-learn 추정량 API와 그에 딸린 누출 규칙.
5. 모형이 자기 답안을 채점하게 두지 않기 — 표본 내 적합도로 설정을 고를 수 없는 이유.
6. 답이 이미 있는데 왜 반복해서 찾는가 — 닫힌 해와 경사하강, 그리고 느린 쪽이 확장되는 이유.
7. 자신 있게, 정확하게 틀린 회귀 — 시차 종속변수와 계열상관 오차, 그리고 재모수화로 빠져나오기.
8. 분산을 성가신 것이 아니라 예측 대상으로 보기 — ARCH와 GARCH, 변동성 군집.
9. 주소가 든 데이터는 전부 공간 데이터다 — 단계구분도, 좌표계 함정, 그리고 기술이 멈춰야 하는 지점.

1. When Does the CLT Actually Arrive? — when the theorem behind almost every interval actually kicks in, and the three cases where it fails.
2. The Moment You Reach for a Loop — why the stack looks like this, and the chained-indexing bug that fails silently.
3. Instant at Ten, an Hour at a Hundred Thousand — measuring the curve, and why complexity beats hardware.
4. One Interface, Several Hundred Models — the estimator API and the leakage rule attached to it.
5. Not Letting a Model Grade Its Own Homework — why in-sample fit cannot choose a specification.
6. The Answer Already Exists, So Why Iterate? — closed form versus gradient descent, and why the slow one scales.
7. Confidently, Precisely Wrong — a lagged dependent variable with correlated errors, and how to reparameterise out.
8. Variance as the Thing to Forecast — ARCH, GARCH and volatility clustering.
9. Every Dataset with an Address Is Spatial — choropleths, the CRS trap, and where description has to stop.

실험 설계Experimental Design

무작위 배정은 이 시리즈에서 인과 문제를 정면으로 푸는 유일한 기법입니다. 이 섹션 이후의 모든 것이 그것을 갖지 못했을 때의 우회로입니다.

Randomisation is the only technique in this series that solves the causal problem outright. Everything after this section is a workaround for not having it.

1. 동전 던지기가 사 주는 것 — 무작위 배정이 실제로 사 주는 것을, 주장이 아니라 몬테카를로로.
2. 무작위 배정을 했는데 왜 통제변수를 넣는가 — 편향이 아니라 정밀도, 그리고 유효성을 지키는 처치 이전 규칙.
3. 대시보드를 매일 보면 위양성률은 5%가 아니다 — 엿보기 문제와 그 세 가지 정당한 해법.

1. What a Coin Flip Buys You — demonstrated by Monte Carlo rather than asserted.
2. You Randomised. So Why Add Controls? — precision not bias, and the pre-treatment rule that keeps it valid.
3. Check Daily and It Is Not 5% — the peeking problem and its three legitimate fixes.

인과 추론Causal Inference

무작위 배정을 하지 못했을 때 효과를 추정하기. 각 설계가 검정 불가능한 가정 하나를 다른 것과 맞바꿉니다. 이 섹션은 대체로 어느 가정을 방어할 수 있는지 고르는 이야기입니다.

Estimating effects when you could not randomise. Each design trades one untestable assumption for another, and the section is largely about choosing which one you can defend.

1. 무작위 배정을 못 했을 때 남는 것 — 잠재적 결과, ATE 대 ATT 대 ATC, 그리고 두 가정.
2. 정답을 미리 아는 데이터셋 — 실험 답을 아는 상태에서 관측 방법을 채점하기.
3. 교란변수를 보지 않고도 효과를 재는 법 — 도구변수와 회귀 불연속, 그리고 누구의 효과를 얻는지.
4. 가장 많이 쓰이고 가장 많이 잘못 쓰이는 설계 — 평행추세와 엇갈린 도입 문제.
5. 추정량을 고르기 전에 끝나는 일들 — 여덟 단계 틀과, 데이터를 만지기 전에 DAG를 그리는 이유.
6. 쉬워 보이는 질문 하나를 끝까지 따라가기 — 그 틀을 구체적 질문 하나에 처음부터 끝까지.
7. 읽을 순서가 붙은 인과추론 읽기 목록 — 책·논문·소프트웨어와 그 경로.

1. What Is Left When You Could Not Randomise — potential outcomes, ATE vs ATT vs ATC, and the two assumptions.
2. The Dataset Where We Know the Answer — grading observational methods against a known experimental answer.
3. Measuring Without Seeing the Confounders — IV and RDD, and whose effect you end up with.
4. The Most Used and Most Misused Design — parallel trends and the staggered adoption problem.
5. What Is Decided Before You Pick an Estimator — the eight steps, and why the DAG comes first.
6. Following One Deceptively Easy Question — the framework applied end to end.
7. A Reading List, With an Order Attached — books, papers, software, and a route through them.

머신러닝Machine Learning

차원 축소와 정규화를, 경제학자가 실제로 던지는 질문을 통해 봅니다. 어느 계수를 믿을 수 있는가.

Dimension reduction and regularisation, viewed through the question an economist actually asks: which coefficients can I trust?

1. 데이터의 진짜 차원은 몇인가 — 주성분분석과, 모두가 건너뛰는 표준화 단계.
2. 회전만으로는 펴지지 않는 것 — 다양체 학습, 그리고 t-SNE 그림이 뜻하지 않는 것.
3. 지수 하나가 계수를 줄이느냐 없애느냐를 가른다 — 능형·LASSO·엘라스틱넷, 그리고 추론이 안 되는 이유.
4. 통제변수를 고르면서 신뢰구간을 잃지 않는 법 — 두 갈래가 만나는 곳.

1. How Many Dimensions Does Your Data Really Have? — PCA and the scaling step everyone skips.
2. What No Rotation Will Straighten — manifold learning, and what t-SNE plots do not mean.
3. One Exponent Decides Shrink or Vanish — ridge, LASSO, elastic net, and why inference breaks.
4. Selecting Controls Without Losing the Interval — where the two threads meet.

가져갈 만한 세 가지Three things worth taking away

설계가 추정을 이깁니다. 깨끗한 설계에 단순한 추정량이, 훼손된 설계에 정교한 추정량을 얹는 것보다 매번 낫습니다. LaLonde 편이 그 실증입니다. 어떤 방법론적 정교함도 비교 가능하지 않은 비교군을 구해 내지 못했습니다.

Design beats estimation. A clean design with a simple estimator beats a sophisticated estimator on a compromised design, every time. The LaLonde post is the empirical demonstration: no amount of methodological sophistication rescued a comparison group that was not comparable.

표준오차는 당신의 불확실성을 과소진술합니다. 설계가 주어졌을 때의 표집 변동을 잽니다. 식별 가정이 성립하는지는 아무 말도 하지 않습니다. 대개 그쪽이 더 큰 의심의 원천입니다. 민감도 분석은 부록이 아니라 결과의 일부입니다.

The standard error understates your uncertainty. It measures sampling variation given the design. It says nothing about whether the identifying assumption holds, and that is usually the larger source of doubt. Sensitivity analysis is not an appendix; it is part of the result.

시행 전에 관여하십시오. 응용 작업에서 가장 지렛대가 큰 수는 거의 언제나 더 나은 추정량이 아닙니다. 그 일의 일부라도 무작위 배정하거나 단계적으로 나눌 수 있는지 일찍 묻는 것입니다. 그것이 없을 때 필요한 계량경제학보다 거의 항상 쌉니다.

Get involved before the rollout. The highest-leverage move in applied work is almost never a better estimator. It is asking, early, whether some part of the thing can be randomised or phased. That is nearly always cheaper than the econometrics required to compensate for its absence.