Enrich Part 1 notebook with descriptive explanations

Author: deepthought

mybook/index.qmd

@@ -176,7 +176,3 @@
 | 12.4 인과 예측 | 미국 경제학회 웹캐스트 | [2019 AEA Continuing Education Webcasts](https://www.aeaweb.org/conference/cont-ed/2019-webcasts) |
 | 12.5 도메인 적응 | Concept Drift | [Learning under Concept Drift: A Review](https://ieeexplore.ieee.org/document/8496795) |
 
-# 참고할 링크
-
-- https://github.com/CausalInferenceLab/causal-inference-with-causalML
-- https://github.com/CausalInferenceLab/causal-inference-lecture/tree/main/Lecture%20Notes

mybook/notebook/Part1_CausalInference.ipynb

@@ -4,23 +4,34 @@
    "cell_type": "markdown",
    "metadata": {},
    "source": [
+    "# Part 1: 인과추론 기초\n\n",
     "인과추론 기초\n",
     "\n",
     "# 1장 - 인과추론 소개\n",
     "\n",
+    "인과추론의 핵심은 상관관계에서 인과관계를 분리해내는 것입니다. 본 섹션에서는 인과추론의 기본 개념과 목적, 그리고 머신러닝과의 차이점에 대해 학습합니다.\n",
+    "\n",
     "앞으로 내용을 인과추론을 이해하는 데 필요한 용어와 인과추론이 왜 필요한지와 무엇을 할 수 있는지에 대해서 알아보겠습니다.\n",
     "\n",
     "## 1.1 인과추론의 개념\n",
     "\n",
+    "인과관계는 하나의 변수가 다른 변수를 변화시키는 직접적인 영향을 의미합니다. 단순히 두 변수가 함께 움직이는 상관관계와는 구별되어야 합니다.\n",
+    "\n",
     "연관관계는 인과관계가 아니다. 그러나 때로는 연관관계가 인과관계가 될 수 있습니다.\n",
     "\n",
     "## 1.2 인과추론의 목적\n",
+    "\n",
+    "인과추론의 주된 목적은 처치(Treatment)가 결과(Outcome)에 미치는 효과를 추정하는 것입니다. 이를 통해 비즈니스 의사결정의 근거를 마련합니다.\n",
     " \n",
     "\n",
     "## 1.3 머신러닝과 인과추론\n",
     "\n",
+    "머신러닝이 '무엇이 일어날까?'라는 예측에 집중한다면, 인과추론은 '왜 일어났을까?' 또는 '내가 개입한다면 어떻게 바뀔까?'라는 질문에 답합니다.\n",
+    "\n",
     "\n",
     "## 1.4 연관관계와 인과관계\n",
+    "\n",
+    "상관관계는 인과관계를 의미하지 않습니다. 데이터 속에 숨겨진 교란 요인을 배제해야만 진정한 인과 효과를 발견할 수 있습니다.\n",
     " "
    ]
   },
@@ -160,14 +171,18 @@
    "cell_type": "markdown",
    "metadata": {},
    "source": [
-    "### 1.4.1 처치와 결과\n"
+    "### 1.4.1 처치와 결과\n",
+    "\n",
+    "처치(Treatment)는 우리가 효과를 알고 싶어 하는 개입이며, 결과(Outcome)는 그로 인해 변화하는 변수입니다.\n"
    ]
   },
   {
    "cell_type": "markdown",
    "metadata": {},
    "source": [
     "### 1.4.2 인과추론의 근본적인 문제\n",
+    "\n",
+    "개별 개체에 대해 처치를 받았을 때와 받지 않았을 때의 결과를 동시에 관찰할 수 없다는 점이 인과추론의 근본적인 한계입니다.\n",
     " \n"
    ]
   },
@@ -229,21 +244,27 @@
    "metadata": {},
    "source": [
     "### 1.4.3 인과모델\n",
+    "\n",
+    "인과모델은 변수 간의 관계를 정의하여 개입의 효과를 추론할 수 있게 하는 틀입니다.\n",
     " "
    ]
   },
   {
    "cell_type": "markdown",
    "metadata": {},
    "source": [
-    "### 1.4.4 개입\n"
+    "### 1.4.4 개입\n",
+    "\n",
+    "개입(Intervention)은 시스템의 특정 변수 값을 인위적으로 조정하는 행위를 의미합니다.\n"
    ]
   },
   {
    "cell_type": "markdown",
    "metadata": {},
    "source": [
-    "### 1.4.5 개별 처치효과\n"
+    "### 1.4.5 개별 처치효과\n",
+    "\n",
+    "개별 처치효과(ITE)는 특정 개체에 대해 처치가 있을 때와 없을 때의 결과 차이입니다.\n"
    ]
   },
   {
@@ -252,6 +273,8 @@
    "source": [
     "\n",
     "### 1.4.6 잠재적 결과\n",
+    "\n",
+    "잠재적 결과(Potential Outcomes)는 특정 처치 상태에서 나타날 수 있는 가상의 결과값들입니다.\n",
     " \n",
     "### 1.4.7 일치성 및 SUTVA 가정\n"
    ]
@@ -261,6 +284,8 @@
    "metadata": {},
    "source": [
     "### 1.4.8 인과 추정량\n",
+    "\n",
+    "ATE(Average Treatment Effect)와 같은 지표를 통해 집단 전체의 인과 효과를 요약하여 측정합니다.\n",
     "\n"
    ]
   },
@@ -729,16 +754,22 @@
    "metadata": {},
    "source": [
     "# 2장 - 무작위 실험 및 기초 통계 리뷰\n",
+    "\n",
+    "무작위 실험(Randomized Controlled Trial, RCT)은 인과추론의 골드 스탠다드로 불립니다. 본 섹션에서는 실험 설계와 결과 분석을 위한 통계적 기초를 다룹니다.\n",
     " \n",
     " \n",
-    "## 2.1 무작위 배정으로 독립성 확보하기\n"
+    "## 2.1 무작위 배정으로 독립성 확보하기\n",
+    "\n",
+    "처치군과 대조군을 무작위로 나눔으로써, 처치 여부와 다른 잠재적 요인들 간의 상관관계를 끊어내고 독립성을 확보합니다.\n"
    ]
   },
   {
    "cell_type": "markdown",
    "metadata": {},
    "source": [
     "## 2.2 A/B 테스트 사례\n",
+    "\n",
+    "비즈니스 현장에서는 웹사이트 UI 변경이나 마케팅 메시지의 효과를 측정하기 위해 A/B 테스트를 적극적으로 활용합니다.\n",
     " "
    ]
   },
@@ -6024,4 +6055,4 @@
  },
  "nbformat": 4,
  "nbformat_minor": 4
-}
+}