SlideShare a Scribd company logo
1 of 18
Download to read offline
netstatgroup@gmail.com	
  

h'ps://sites.google.com/site/netstatanalysis/	
  

Network	
  Sta+s+cs	
  
Consul+ng	
  Group이	
  	
  
제공하는	
  분석	
  서비스들	
  
-­‐  국내	
  등재지	
  및	
  SSCI급	
  영문	
  학술지	
  수준의	
  분석이	
  목표	
  
-­‐  양적	
  분석에	
  대한	
  상담	
  및	
  연구	
  조교	
  역할	
  
	
  
netstatgroup@gmail.com	
  

h'ps://sites.google.com/site/netstatanalysis/	
  

Network	
  Analysis	
  
&	
  Visualiza+on	
  
의미	
  연결망	
  시각화	
  

분석	
  프로그램:	
  STATA,	
  Gephi	
  
netstatgroup@gmail.com	
  

h'ps://sites.google.com/site/netstatanalysis/	
  

Network	
  Clustering	
  	
  
	
  
&	
  Blockmodels	
  
Network	
  
Clustering	
  

1

A	
  학교(서울)	
  

2

B	
  학교(분당)	
  

3

C	
  학교(서울)	
  

4

D	
  학교(서울)	
  

5

E	
  학교(서울)	
  

6

[K]	
  

7

[L]	
  

8

F	
  학교	
  

9

[전국2	
  :	
  G	
  근접]	
  

10

[W]	
  

11

[전국3	
  :	
  H	
  근접]	
  
분석	
  프로그램:	
  STATA,	
  Pajek	
  
BLOCKMODEL	
  

B	
  학교	
  

C	
  학교	
  

A	
  학교	
  
K	
  학교	
  

D	
  학교	
  
A	
  학교	
  

E	
  학교	
  
F	
  학교	
  

G	
  학교	
  

H	
  학교	
  

분석	
  프로그램:	
  STATA,	
  Pajek	
  
netstatgroup@gmail.com	
  

h'ps://sites.google.com/site/netstatanalysis/	
  

Network-­‐Sta+s+cs	
  
Models	
  
netstatgroup@gmail.com	
  

h'ps://sites.google.com/site/netstatanalysis/	
  

1)	
  Christakis의	
  Diffusion	
  Model	
  
:	
  친구가	
  비만이면	
  나도	
  비만일까?	
  
	
  
	
  
	
  

2)	
  ERGM:	
  ExponenQal	
  Random	
  
Graph	
  Model	
  
:	
  특정	
  연결망	
  형태가	
  더	
  많이	
  나타나는가?	
  
	
  
	
  
	
  

3)	
  QAP	
  

:	
  종속	
  변수가	
  Qes일	
  때	
  Network	
  CorrelaQon을	
  제거한	
  모형	
  
netstatgroup@gmail.com	
  

h'ps://sites.google.com/site/netstatanalysis/	
  

Sequence	
  Analysis	
  
A	
  지역	
  환자들의	
  병원	
  4가지	
  이동	
  패턴	
  

분석	
  프로그램:	
  R,	
  STATA	
  
B	
  지역	
  환자들의	
  6가지	
  병원	
  이동	
  패턴	
  

분석	
  프로그램:	
  R,	
  STATA	
  
netstatgroup@gmail.com	
  

h'ps://sites.google.com/site/netstatanalysis/	
  

Longitudinal	
  
Visualiza+on	
  
특성에	
  따른	
  인터넷	
  서비스	
  이용	
  패턴의	
  차이	
  	
  	
  
(1)	
  특성	
  A	
  (Pearson	
  Chi-­‐Squared	
  Test,	
  p	
  <	
  0.001)	
  

(2)	
  특성	
  B	
  (Pearson	
  Chi-­‐Squared	
  Test,	
  p	
  <	
  0.001)	
  

분석	
  프로그램:	
  STATA	
  
netstatgroup@gmail.com	
  

h'ps://sites.google.com/site/netstatanalysis/	
  

회귀	
  분석	
  

OLS,	
  Logit,	
  Panel	
  Regression,	
  GLM,	
  
Poisson,	
  NegaJve	
  Binomial,	
  
Propensity	
  Score	
  Matching	
  등	
  
음이항	
  회귀	
  분석	
  및	
  일반화	
  선형	
  모형	
  분석	
  
창의성에	
  대한	
  음이항	
  회귀	
  및	
  일반화	
  선형	
  모형	
  분석	
  결과	
  
모형	
  1	
  

모형	
  2	
  

모형	
  3	
  

모형	
  4	
  

모형	
  5	
  

모형	
  6	
  

NB:	
  가설1	
  

NB:	
  가설2	
  

NB:	
  가설3	
  

NB	
  

GLM(NB)	
  

GLM(Gamma)	
  

새로운	
  조합(96-­‐98)	
  

0.0156***	
  

0.0154***	
  

0.0150***	
  

0.0152***	
  

0.0116***	
  

0.0156***	
  

ln(잠재적	
  조합)	
  

0.1201***	
  

0.1196***	
  

0.1188***	
  

0.1245***	
  

0.1343***	
  

0.1232***	
  

ln(잠재적	
  조합)2	
  

0.0124**	
  

0.0126**	
  

0.0121**	
  

0.0121**	
  

0.0148**	
  

0.0116*	
  

ln(발명	
  횟수)	
  

0.2259***	
  

0.2237***	
  

0.2262***	
  

0.2683***	
  

0.2395**	
  

0.2728***	
  

평균(발명	
  당	
  공동	
  발명가	
  수)	
  

-­‐0.1192***	
  

-­‐0.1134**	
  

-­‐0.1036**	
  

-­‐0.1460***	
  

-­‐0.1095*	
  

-­‐0.1518**	
  

평균(발명	
  당	
  공동	
  발명가	
  수)2	
  

0.0028	
  

0.0027	
  

0.0024	
  

0.0034*	
  

0.0028	
  

0.0035	
  

ln(소속	
  기업	
  수)	
  

-­‐0.0611	
  

-­‐0.0813	
  

-­‐0.0842	
  

-­‐0.0617	
  

-­‐0.0560	
  

-­‐0.0610	
  

ln(공동발명가	
  수)	
  

0.0493	
  

0.0348	
  

0.0165	
  

0.1475*	
  

0.0526	
  

0.1608	
  

지속적	
  협력	
  비율	
  

0.3701**	
  

0.3745**	
  

0.3795**	
  

0.3708**	
  

0.3756	
  

0.3703	
  

ln(외부	
  연결	
  수)	
  

-­‐0.0527***	
  

-­‐0.0521***	
  

-­‐0.0533***	
  

-­‐0.0504***	
  

-­‐0.0453*	
  

-­‐0.0503*	
  

ln(직접	
  연결	
  강도)	
  

-­‐0.3876***	
  

-­‐0.3768***	
  

-­‐0.3561***	
  

-­‐0.4345***	
  

-­‐0.3143*	
  

-­‐0.4508**	
  

ln(간접	
  연결	
  강도)	
  

0.3059***	
  

0.3006***	
  

0.2956***	
  

0.3091***	
  

0.2438*	
  

0.3172*	
  

ln(소속	
  연결망의	
  크기)	
  

0.0923***	
  

0.0918***	
  

0.0924***	
  

0.0911***	
  

0.0856***	
  

0.0916***	
  

ln(외부	
  협력	
  강도)	
  

-­‐0.0461	
  

-­‐0.0305	
  

-­‐0.0484	
  

-­‐0.0518	
  

-­‐0.0501	
  

-­‐0.0556	
  

ln(유사	
  지식	
  비율)	
  

-­‐0.0517	
  

-­‐0.0522	
  

-­‐0.0596*	
  

-­‐0.0532	
  

-­‐0.0351	
  

-­‐0.0555	
  

최신	
  특허	
  인용	
  

0.0095***	
  

0.0094***	
  

0.0093***	
  

0.0089**	
  

0.0093**	
  

0.0088*	
  

평균(피인용	
  수)	
  

0.0292***	
  

0.0299***	
  

0.0309***	
  

0.0307***	
  

0.0250***	
  

0.0316***	
  

ln(비특허	
  인용	
  수)	
  

종속변수:	
  새로운	
  조합(99-­‐01)	
  

-­‐	
  통제	
  변수	
  

0.0265**	
  

0.0255**	
  

0.0247**	
  

0.0336***	
  

0.0216	
  

0.0354*	
  

ln(외부	
  연결	
  수)	
  

-­‐0.0403	
  

0.0255	
  

0.0839	
  

0.0908*	
  

0.0977*	
  

0.0910	
  

ln(다양한	
  지식)	
  

0.1043***	
  

0.1042***	
  

0.3528***	
  

0.3607***	
  

0.3500***	
  

0.3607***	
  
분석	
  서비스	
  	
  
▪  자료	
  분석	
  상담	
  
	
   자료를	
  어떤	
  방법을	
  사용해서	
  분석해야	
  할지	
  모를	
  때,	
  분석	
  
상담을	
  해	
  드립니다	
  (이메일	
  상담	
  환영).	
  

▪  	
  분석	
  결과	
  서술	
  
	
   Data	
  and	
  Method	
  부분의	
  Variables,	
  Method,	
  Results의	
  
서술에	
  대한	
  연구	
  조교	
  역할이	
  가능합니다.	
  	
  
(영문	
  서술	
  가능)	
  

▪  	
  익명성	
  보장	
  
위의	
  명시되지	
  않은	
  서비스도	
  협의	
  하에	
  가능합니다.	
  	
  	
  
Who	
  are	
  we?	
  
▪  학위	
  논문	
  및	
  저널	
  논문에	
  대한	
  네트워크	
  
및	
  통계	
  분석을	
  제공	
  
▪  박사	
  과정	
  및	
  유학	
  준비	
  중인	
  석사	
  학위	
  
소지자들로	
  구성	
  
▪  국내	
  등재지	
  및	
  영문	
  SSCI	
  급	
  단독	
  저자	
  
출판	
  경험	
  
문의	
  및	
  연락처	
  

netstatgroup@gmail.com	
  
h'ps://sites.google.com/site/netstatanalysis/	
  

More Related Content

Viewers also liked

대하드라마 '정도전' 네트워크 분석
대하드라마 '정도전' 네트워크 분석대하드라마 '정도전' 네트워크 분석
대하드라마 '정도전' 네트워크 분석Junsik Whang
 
한글 언어 자원과 R: KoNLP 개선과 활용
한글 언어 자원과 R: KoNLP 개선과 활용한글 언어 자원과 R: KoNLP 개선과 활용
한글 언어 자원과 R: KoNLP 개선과 활용r-kor
 
[PyConKR 2014] 30분만에 따라하는 동시성 스크래퍼
[PyConKR 2014] 30분만에 따라하는 동시성 스크래퍼[PyConKR 2014] 30분만에 따라하는 동시성 스크래퍼
[PyConKR 2014] 30분만에 따라하는 동시성 스크래퍼Cheol Kang
 
How to do things with 'BigKinds'
How to do things with 'BigKinds'How to do things with 'BigKinds'
How to do things with 'BigKinds'Daemin Park
 
공공데이터 활용을 위한 "Tech 워크숍" 2회 - 공공데이터 수집, 가공하고 활용하기
공공데이터 활용을 위한 "Tech 워크숍" 2회 - 공공데이터 수집, 가공하고 활용하기공공데이터 활용을 위한 "Tech 워크숍" 2회 - 공공데이터 수집, 가공하고 활용하기
공공데이터 활용을 위한 "Tech 워크숍" 2회 - 공공데이터 수집, 가공하고 활용하기Cheol Kang
 

Viewers also liked (6)

대하드라마 '정도전' 네트워크 분석
대하드라마 '정도전' 네트워크 분석대하드라마 '정도전' 네트워크 분석
대하드라마 '정도전' 네트워크 분석
 
한글 언어 자원과 R: KoNLP 개선과 활용
한글 언어 자원과 R: KoNLP 개선과 활용한글 언어 자원과 R: KoNLP 개선과 활용
한글 언어 자원과 R: KoNLP 개선과 활용
 
[PyConKR 2014] 30분만에 따라하는 동시성 스크래퍼
[PyConKR 2014] 30분만에 따라하는 동시성 스크래퍼[PyConKR 2014] 30분만에 따라하는 동시성 스크래퍼
[PyConKR 2014] 30분만에 따라하는 동시성 스크래퍼
 
Gephi Quick Start
Gephi Quick StartGephi Quick Start
Gephi Quick Start
 
How to do things with 'BigKinds'
How to do things with 'BigKinds'How to do things with 'BigKinds'
How to do things with 'BigKinds'
 
공공데이터 활용을 위한 "Tech 워크숍" 2회 - 공공데이터 수집, 가공하고 활용하기
공공데이터 활용을 위한 "Tech 워크숍" 2회 - 공공데이터 수집, 가공하고 활용하기공공데이터 활용을 위한 "Tech 워크숍" 2회 - 공공데이터 수집, 가공하고 활용하기
공공데이터 활용을 위한 "Tech 워크숍" 2회 - 공공데이터 수집, 가공하고 활용하기
 

Similar to 대학원생 소셜 네트워크 & 통계 분석 서비스

파이썬 데이터 분석 3종세트
파이썬 데이터 분석 3종세트파이썬 데이터 분석 3종세트
파이썬 데이터 분석 3종세트itproman35
 
20141214 빅데이터실전기술 - 유사도 및 군집화 방법 (Similarity&Clustering)
20141214 빅데이터실전기술 - 유사도 및 군집화 방법 (Similarity&Clustering) 20141214 빅데이터실전기술 - 유사도 및 군집화 방법 (Similarity&Clustering)
20141214 빅데이터실전기술 - 유사도 및 군집화 방법 (Similarity&Clustering) Tae Young Lee
 
[SOPT] 데이터 구조 및 알고리즘 스터디 - #01 : 개요, 점근적 복잡도, 배열, 연결리스트
[SOPT] 데이터 구조 및 알고리즘 스터디 - #01 : 개요, 점근적 복잡도, 배열, 연결리스트[SOPT] 데이터 구조 및 알고리즘 스터디 - #01 : 개요, 점근적 복잡도, 배열, 연결리스트
[SOPT] 데이터 구조 및 알고리즘 스터디 - #01 : 개요, 점근적 복잡도, 배열, 연결리스트S.O.P.T - Shout Our Passion Together
 
데이터분석의 길 5: “고수는 큰자료를 두려워하지 않는다” (클릭확률예측 상편)
데이터분석의 길 5:  “고수는 큰자료를 두려워하지 않는다” (클릭확률예측 상편)데이터분석의 길 5:  “고수는 큰자료를 두려워하지 않는다” (클릭확률예측 상편)
데이터분석의 길 5: “고수는 큰자료를 두려워하지 않는다” (클릭확률예측 상편)Jaimie Kwon (권재명)
 
Workshop 210417 dhlee
Workshop 210417 dhleeWorkshop 210417 dhlee
Workshop 210417 dhleeDongheon Lee
 
Cnn 발표자료
Cnn 발표자료Cnn 발표자료
Cnn 발표자료종현 최
 
PR-073 : Generative Semantic Manipulation with Contrasting GAN
PR-073 : Generative Semantic Manipulation with Contrasting GANPR-073 : Generative Semantic Manipulation with Contrasting GAN
PR-073 : Generative Semantic Manipulation with Contrasting GAN광희 이
 
2.supervised learning(epoch#2)-1
2.supervised learning(epoch#2)-12.supervised learning(epoch#2)-1
2.supervised learning(epoch#2)-1Haesun Park
 
Pyconkr2019 features for using python like matlab
Pyconkr2019 features for using python like matlabPyconkr2019 features for using python like matlab
Pyconkr2019 features for using python like matlabIntae Cho
 
네트워크 경량화 이모저모 @ 2020 DLD
네트워크 경량화 이모저모 @ 2020 DLD네트워크 경량화 이모저모 @ 2020 DLD
네트워크 경량화 이모저모 @ 2020 DLDKim Junghoon
 
[SOPT] 데이터 구조 및 알고리즘 스터디 - #02 : 스택, 큐, 수식 연산
[SOPT] 데이터 구조 및 알고리즘 스터디 - #02 : 스택, 큐, 수식 연산[SOPT] 데이터 구조 및 알고리즘 스터디 - #02 : 스택, 큐, 수식 연산
[SOPT] 데이터 구조 및 알고리즘 스터디 - #02 : 스택, 큐, 수식 연산S.O.P.T - Shout Our Passion Together
 
빅데이터 윈윈 컨퍼런스-데이터수집 및 정제
빅데이터 윈윈 컨퍼런스-데이터수집 및 정제빅데이터 윈윈 컨퍼런스-데이터수집 및 정제
빅데이터 윈윈 컨퍼런스-데이터수집 및 정제ABRC_DATA
 
위성관측 데이터 활용 강수량 산출 AI 경진대회 1위 수상작
위성관측 데이터 활용 강수량 산출 AI 경진대회 1위 수상작위성관측 데이터 활용 강수량 산출 AI 경진대회 1위 수상작
위성관측 데이터 활용 강수량 산출 AI 경진대회 1위 수상작DACON AI 데이콘
 
Python의 계산성능 향상을 위해 Fortran, C, CUDA-C, OpenCL-C 코드들과 연동하기
Python의 계산성능 향상을 위해 Fortran, C, CUDA-C, OpenCL-C 코드들과 연동하기Python의 계산성능 향상을 위해 Fortran, C, CUDA-C, OpenCL-C 코드들과 연동하기
Python의 계산성능 향상을 위해 Fortran, C, CUDA-C, OpenCL-C 코드들과 연동하기Ki-Hwan Kim
 
[OpenInfra Days Korea 2018] Day 2 - E1: 딥다이브 - OpenStack 생존기
[OpenInfra Days Korea 2018] Day 2 - E1: 딥다이브 - OpenStack 생존기[OpenInfra Days Korea 2018] Day 2 - E1: 딥다이브 - OpenStack 생존기
[OpenInfra Days Korea 2018] Day 2 - E1: 딥다이브 - OpenStack 생존기OpenStack Korea Community
 
데이터분석 알아보기(Learn about basic data analysis)
데이터분석 알아보기(Learn about  basic data analysis)데이터분석 알아보기(Learn about  basic data analysis)
데이터분석 알아보기(Learn about basic data analysis)SeungYong Baek
 
알파고의 알고리즘
알파고의 알고리즘알파고의 알고리즘
알파고의 알고리즘SeokWon Kim
 
Titanic kaggle competition
Titanic kaggle competitionTitanic kaggle competition
Titanic kaggle competitionjdo
 

Similar to 대학원생 소셜 네트워크 & 통계 분석 서비스 (20)

분석6기 4조
분석6기 4조분석6기 4조
분석6기 4조
 
파이썬 데이터 분석 3종세트
파이썬 데이터 분석 3종세트파이썬 데이터 분석 3종세트
파이썬 데이터 분석 3종세트
 
20141214 빅데이터실전기술 - 유사도 및 군집화 방법 (Similarity&Clustering)
20141214 빅데이터실전기술 - 유사도 및 군집화 방법 (Similarity&Clustering) 20141214 빅데이터실전기술 - 유사도 및 군집화 방법 (Similarity&Clustering)
20141214 빅데이터실전기술 - 유사도 및 군집화 방법 (Similarity&Clustering)
 
[SOPT] 데이터 구조 및 알고리즘 스터디 - #01 : 개요, 점근적 복잡도, 배열, 연결리스트
[SOPT] 데이터 구조 및 알고리즘 스터디 - #01 : 개요, 점근적 복잡도, 배열, 연결리스트[SOPT] 데이터 구조 및 알고리즘 스터디 - #01 : 개요, 점근적 복잡도, 배열, 연결리스트
[SOPT] 데이터 구조 및 알고리즘 스터디 - #01 : 개요, 점근적 복잡도, 배열, 연결리스트
 
데이터분석의 길 5: “고수는 큰자료를 두려워하지 않는다” (클릭확률예측 상편)
데이터분석의 길 5:  “고수는 큰자료를 두려워하지 않는다” (클릭확률예측 상편)데이터분석의 길 5:  “고수는 큰자료를 두려워하지 않는다” (클릭확률예측 상편)
데이터분석의 길 5: “고수는 큰자료를 두려워하지 않는다” (클릭확률예측 상편)
 
Workshop 210417 dhlee
Workshop 210417 dhleeWorkshop 210417 dhlee
Workshop 210417 dhlee
 
Cnn 발표자료
Cnn 발표자료Cnn 발표자료
Cnn 발표자료
 
PR-073 : Generative Semantic Manipulation with Contrasting GAN
PR-073 : Generative Semantic Manipulation with Contrasting GANPR-073 : Generative Semantic Manipulation with Contrasting GAN
PR-073 : Generative Semantic Manipulation with Contrasting GAN
 
2.supervised learning(epoch#2)-1
2.supervised learning(epoch#2)-12.supervised learning(epoch#2)-1
2.supervised learning(epoch#2)-1
 
LeNet & GoogLeNet
LeNet & GoogLeNetLeNet & GoogLeNet
LeNet & GoogLeNet
 
Pyconkr2019 features for using python like matlab
Pyconkr2019 features for using python like matlabPyconkr2019 features for using python like matlab
Pyconkr2019 features for using python like matlab
 
네트워크 경량화 이모저모 @ 2020 DLD
네트워크 경량화 이모저모 @ 2020 DLD네트워크 경량화 이모저모 @ 2020 DLD
네트워크 경량화 이모저모 @ 2020 DLD
 
[SOPT] 데이터 구조 및 알고리즘 스터디 - #02 : 스택, 큐, 수식 연산
[SOPT] 데이터 구조 및 알고리즘 스터디 - #02 : 스택, 큐, 수식 연산[SOPT] 데이터 구조 및 알고리즘 스터디 - #02 : 스택, 큐, 수식 연산
[SOPT] 데이터 구조 및 알고리즘 스터디 - #02 : 스택, 큐, 수식 연산
 
빅데이터 윈윈 컨퍼런스-데이터수집 및 정제
빅데이터 윈윈 컨퍼런스-데이터수집 및 정제빅데이터 윈윈 컨퍼런스-데이터수집 및 정제
빅데이터 윈윈 컨퍼런스-데이터수집 및 정제
 
위성관측 데이터 활용 강수량 산출 AI 경진대회 1위 수상작
위성관측 데이터 활용 강수량 산출 AI 경진대회 1위 수상작위성관측 데이터 활용 강수량 산출 AI 경진대회 1위 수상작
위성관측 데이터 활용 강수량 산출 AI 경진대회 1위 수상작
 
Python의 계산성능 향상을 위해 Fortran, C, CUDA-C, OpenCL-C 코드들과 연동하기
Python의 계산성능 향상을 위해 Fortran, C, CUDA-C, OpenCL-C 코드들과 연동하기Python의 계산성능 향상을 위해 Fortran, C, CUDA-C, OpenCL-C 코드들과 연동하기
Python의 계산성능 향상을 위해 Fortran, C, CUDA-C, OpenCL-C 코드들과 연동하기
 
[OpenInfra Days Korea 2018] Day 2 - E1: 딥다이브 - OpenStack 생존기
[OpenInfra Days Korea 2018] Day 2 - E1: 딥다이브 - OpenStack 생존기[OpenInfra Days Korea 2018] Day 2 - E1: 딥다이브 - OpenStack 생존기
[OpenInfra Days Korea 2018] Day 2 - E1: 딥다이브 - OpenStack 생존기
 
데이터분석 알아보기(Learn about basic data analysis)
데이터분석 알아보기(Learn about  basic data analysis)데이터분석 알아보기(Learn about  basic data analysis)
데이터분석 알아보기(Learn about basic data analysis)
 
알파고의 알고리즘
알파고의 알고리즘알파고의 알고리즘
알파고의 알고리즘
 
Titanic kaggle competition
Titanic kaggle competitionTitanic kaggle competition
Titanic kaggle competition
 

대학원생 소셜 네트워크 & 통계 분석 서비스

  • 1. netstatgroup@gmail.com   h'ps://sites.google.com/site/netstatanalysis/   Network  Sta+s+cs   Consul+ng  Group이     제공하는  분석  서비스들   -­‐  국내  등재지  및  SSCI급  영문  학술지  수준의  분석이  목표   -­‐  양적  분석에  대한  상담  및  연구  조교  역할    
  • 3. 의미  연결망  시각화   분석  프로그램:  STATA,  Gephi  
  • 5. Network   Clustering   1 A  학교(서울)   2 B  학교(분당)   3 C  학교(서울)   4 D  학교(서울)   5 E  학교(서울)   6 [K]   7 [L]   8 F  학교   9 [전국2  :  G  근접]   10 [W]   11 [전국3  :  H  근접]   분석  프로그램:  STATA,  Pajek  
  • 6. BLOCKMODEL   B  학교   C  학교   A  학교   K  학교   D  학교   A  학교   E  학교   F  학교   G  학교   H  학교   분석  프로그램:  STATA,  Pajek  
  • 8. netstatgroup@gmail.com   h'ps://sites.google.com/site/netstatanalysis/   1)  Christakis의  Diffusion  Model   :  친구가  비만이면  나도  비만일까?         2)  ERGM:  ExponenQal  Random   Graph  Model   :  특정  연결망  형태가  더  많이  나타나는가?         3)  QAP   :  종속  변수가  Qes일  때  Network  CorrelaQon을  제거한  모형  
  • 10. A  지역  환자들의  병원  4가지  이동  패턴   분석  프로그램:  R,  STATA  
  • 11. B  지역  환자들의  6가지  병원  이동  패턴   분석  프로그램:  R,  STATA  
  • 13. 특성에  따른  인터넷  서비스  이용  패턴의  차이       (1)  특성  A  (Pearson  Chi-­‐Squared  Test,  p  <  0.001)   (2)  특성  B  (Pearson  Chi-­‐Squared  Test,  p  <  0.001)   분석  프로그램:  STATA  
  • 14. netstatgroup@gmail.com   h'ps://sites.google.com/site/netstatanalysis/   회귀  분석   OLS,  Logit,  Panel  Regression,  GLM,   Poisson,  NegaJve  Binomial,   Propensity  Score  Matching  등  
  • 15. 음이항  회귀  분석  및  일반화  선형  모형  분석   창의성에  대한  음이항  회귀  및  일반화  선형  모형  분석  결과   모형  1   모형  2   모형  3   모형  4   모형  5   모형  6   NB:  가설1   NB:  가설2   NB:  가설3   NB   GLM(NB)   GLM(Gamma)   새로운  조합(96-­‐98)   0.0156***   0.0154***   0.0150***   0.0152***   0.0116***   0.0156***   ln(잠재적  조합)   0.1201***   0.1196***   0.1188***   0.1245***   0.1343***   0.1232***   ln(잠재적  조합)2   0.0124**   0.0126**   0.0121**   0.0121**   0.0148**   0.0116*   ln(발명  횟수)   0.2259***   0.2237***   0.2262***   0.2683***   0.2395**   0.2728***   평균(발명  당  공동  발명가  수)   -­‐0.1192***   -­‐0.1134**   -­‐0.1036**   -­‐0.1460***   -­‐0.1095*   -­‐0.1518**   평균(발명  당  공동  발명가  수)2   0.0028   0.0027   0.0024   0.0034*   0.0028   0.0035   ln(소속  기업  수)   -­‐0.0611   -­‐0.0813   -­‐0.0842   -­‐0.0617   -­‐0.0560   -­‐0.0610   ln(공동발명가  수)   0.0493   0.0348   0.0165   0.1475*   0.0526   0.1608   지속적  협력  비율   0.3701**   0.3745**   0.3795**   0.3708**   0.3756   0.3703   ln(외부  연결  수)   -­‐0.0527***   -­‐0.0521***   -­‐0.0533***   -­‐0.0504***   -­‐0.0453*   -­‐0.0503*   ln(직접  연결  강도)   -­‐0.3876***   -­‐0.3768***   -­‐0.3561***   -­‐0.4345***   -­‐0.3143*   -­‐0.4508**   ln(간접  연결  강도)   0.3059***   0.3006***   0.2956***   0.3091***   0.2438*   0.3172*   ln(소속  연결망의  크기)   0.0923***   0.0918***   0.0924***   0.0911***   0.0856***   0.0916***   ln(외부  협력  강도)   -­‐0.0461   -­‐0.0305   -­‐0.0484   -­‐0.0518   -­‐0.0501   -­‐0.0556   ln(유사  지식  비율)   -­‐0.0517   -­‐0.0522   -­‐0.0596*   -­‐0.0532   -­‐0.0351   -­‐0.0555   최신  특허  인용   0.0095***   0.0094***   0.0093***   0.0089**   0.0093**   0.0088*   평균(피인용  수)   0.0292***   0.0299***   0.0309***   0.0307***   0.0250***   0.0316***   ln(비특허  인용  수)   종속변수:  새로운  조합(99-­‐01)   -­‐  통제  변수   0.0265**   0.0255**   0.0247**   0.0336***   0.0216   0.0354*   ln(외부  연결  수)   -­‐0.0403   0.0255   0.0839   0.0908*   0.0977*   0.0910   ln(다양한  지식)   0.1043***   0.1042***   0.3528***   0.3607***   0.3500***   0.3607***  
  • 16. 분석  서비스     ▪  자료  분석  상담     자료를  어떤  방법을  사용해서  분석해야  할지  모를  때,  분석   상담을  해  드립니다  (이메일  상담  환영).   ▪   분석  결과  서술     Data  and  Method  부분의  Variables,  Method,  Results의   서술에  대한  연구  조교  역할이  가능합니다.     (영문  서술  가능)   ▪   익명성  보장   위의  명시되지  않은  서비스도  협의  하에  가능합니다.      
  • 17. Who  are  we?   ▪  학위  논문  및  저널  논문에  대한  네트워크   및  통계  분석을  제공   ▪  박사  과정  및  유학  준비  중인  석사  학위   소지자들로  구성   ▪  국내  등재지  및  영문  SSCI  급  단독  저자   출판  경험  
  • 18. 문의  및  연락처   netstatgroup@gmail.com   h'ps://sites.google.com/site/netstatanalysis/