Components of Dispersion — 개관 · GLMM 의 출발 (McCullagh Ch.14)

계층 데이터·군집내 상관·\(\sigma^2\) vs \(\sigma_b^2\)·조건부 GLM + 정규 랜덤효과·준-우도 추정 전략

McCullagh & Nelder (1989) Ch.14 를 개관한다. 앞선 12 개 장이 모두 독립 관측 을 가정한 반면, 실무 데이터는 계층 구조 (hierarchy) 를 가진다 — 학교 안의 학급 안의 학생, 농장 안의 젖소 안의 부위 등. 같은 군집 내 단위는 양의 상관 을 가져, 단일 산포 \(\phi\) 로 설명 불가. 해법은 여러 분산 성분 (dispersion components) \(\sigma^2, \sigma_b^2, \ldots\) 을 각 계층에 할당. §14.2 의 선형 로그 모형 \(\log Y = \alpha + \gamma + \tau + \epsilon\) 로 결핵균 assay 데이터의 within-cow CV 15% 와 between-cow CV 94% 를 분해. §14.3 의 비선형 (GLMM) 확장 — 조건부 평균 \(M\) 과 분산 함수 \(V(M)\) 은 GLM 으로 모형화, 거기에 정규 랜덤효과 \(\gamma \sim N(0, \sigma_b^2)\) 을 추가. 기대값 식 (14.4)·분산 식 (14.5) 가 주변 분산 함수에 이차항 을 추가한다는 놀라운 사실. §14.4 의 준-우도 추정 방정식 \(U = D^T V^{-1}(y - \mu) = 0\) 과 보조 방정식. 마지막으로 §14.5 salamander 교배 실험으로 GLMM 의 실제 적용을 소개.

Statistics
GLM
저자

Kwangmin Kim

공개

2026년 04월 21일

1 서론 — 왜 “분산 성분” 인가

Ch.1 부터 Ch.13 까지 McCullagh-Nelder 는 독립 관측치 를 가정한 모형을 다뤘다. 각 관측치 \(Y_i\) 의 변동은 단일 산포 모수 \(\phi\) (또는 \(\sigma^2\)) 로 설명된다. 이 가정은 교과서적 실험 설계 — 완전 무작위 배정, 독립 샘플링 — 에서 합리적이다.

그러나 실제 데이터의 대부분 은 이 가정을 위반한다. 흔한 구조:

  • 교육: 학교 안 학급 안 학생. 같은 학급 학생들은 같은 선생님·교실 환경 공유.
  • 의학: 환자의 여러 방문 기록. 같은 환자 내 측정치는 서로 유사.
  • 농학: 농장 안 가축 안 부위. 같은 가축의 여러 부위는 체질·환경 공유.
  • 사회 조사: 가구 안 개인. 같은 가구 구성원은 사회경제적 배경 공유.

공통 현상: 같은 군집 내 관측치가 양의 상관. 독립 가정 위반.

1.1 산포 성분 (Dispersion Components)

McCullagh-Nelder 의 해법: 변동을 여러 계층 에 분해.

\[ \text{Var}(Y) = \underbrace{\sigma^2}_{\text{within-cluster}} + \underbrace{\sigma_b^2}_{\text{between-cluster}} + \cdots \]

각 성분을 별도로 추정·해석. 이 장의 제목 “Components of dispersion” 이 이 구조를 가리킨다.

용어: - 분산 성분 (variance components): 전통적 용어 (정규 분포 중심). - 산포 성분 (dispersion components): McCullagh-Nelder 의 일반화 용어 (GLM 전반).

1.2 현대적 명칭 — GLMM

1989 년 이후 이 분야는 일반화 선형 혼합 모형 (Generalized Linear Mixed Models, GLMM) 으로 발전. Ch.14 는 GLMM 의 원형 을 제시한다. 세부 기법 (PQL, Laplace 근사, Gauss-Hermite 적분, MCMC) 은 이후 30 년간 발전했지만 개념 틀은 Ch.14 가 이미 제시.

이 포스트는 Ch.14 전체의 지도 를 제공한다. 후속 글 (13-2, 13-3, …) 에서 선형 모형, 비선형 모형, 매개변수 추정, salamander 예제, 연습문제를 각각 심화.

2 Ch.14 의 전체 구조

섹션 주제 후속 포스트 계획
§14.1 도입 · 계층 구조 소개 이 글
§14.2 선형 혼합 모형 · 결핵균 assay 이 글 + 13-2
§14.3 비선형 모형 (GLMM) · 조건부 GLM + 랜덤효과 이 글 + 13-3
§14.4 준-우도 추정 방정식 이 글 + 13-4
§14.5 Salamander 교배 실험 (4 소절) 13-5
§14.6 Bibliographic notes 스킵
§14.7 Exercises 13-6

3 §14.2 — 선형 혼합 모형

3.1 결핵균 assay 예제 (§6.3.1 확장)

Fisher 가 설계한 고전적 \(4 \times 4\) 라틴 정방 (Latin square) 실험 (McCullagh §6.3).

설계: - 4 cow class (연령·품종으로 계층화된 젖소 그룹) \(j = I, II, III, IV\). - 각 class 에 30 마리 젖소, 각 젖소 목 4 부위에 결핵균 희석액 주사. - 4 tuberculin type + volume 조합 \(k = A, B, C, D\) (고려 대상 처치). - 4 부위 \(i = 1, 2, 3, 4\) (고정 부위). - 각 라틴 정방 cell 의 관측치: 30 cow × 그 조합 반응의 합.

3.2 선형 모형

모형 14.1:

\[\log Y_{ij(k)} = \alpha_i + \gamma_j + \tau_k + \epsilon_{ijk}. \tag{14.1}\]

여기서: - \(\alpha_i\): 부위 고정 효과 (4 부위 중 \(i\)). - \(\tau_k\): 처치 고정 효과 (관심 주 변수). - \(\gamma_j\): cow class 효과 — 랜덤효과. - \(\epsilon_{ijk}\): 잔차.

3.3 고정 vs 랜덤 결정 기준

McCullagh-Nelder 의 명확한 기준:

“개별 미식별 cow 의 민감도에 지속적 과학적 관심이 없다. 따라서 \(\gamma_j\) 는 독립 랜덤변수로 취급한다.”

원칙: - 고정효과 — 수준들 자체가 관심 대상. 특정 부위, 특정 처치. - 랜덤효과 — 수준은 더 큰 모집단에서 추출된 샘플. 개별 수준의 값이 아니라 모집단 분산 이 관심.

cow class 의 경우 “어떤 cow 가 1 에 배정되었는지” 는 무작위 배정의 결과일 뿐. 같은 실험을 반복하면 다른 cow 들이 1 에 배정될 것. 따라서 모집단 분산 \(\sigma_b^2\) 만 과학적으로 의미 있음.

직관: 고정/랜덤 결정의 네 질문

어떤 효과를 고정으로 할지 랜덤으로 할지 결정할 때:

  1. 수준 자체가 관심 대상? → YES → 고정. NO → 랜덤.
  2. 수준이 모집단에서 무작위 추출? → YES → 랜덤. NO → 고정.
  3. 같은 실험을 반복할 때 같은 수준이 나타날까? → YES → 고정. NO → 랜덤.
  4. 추론 대상이 수준 자체인가, 더 넓은 모집단인가? → 수준 자체 → 고정. 모집단 → 랜덤.

네 질문 모두 같은 답 을 주면 결정 쉽다. 답이 엇갈리면 도메인 맥락에 의존. 실무에서는 “의심 시 랜덤” 이 보통 더 일반적 — 추론이 conservative 해짐.

3.4 분산 성분 식

\(Y\) 가 30 cow 의 합계 이므로

\[\text{var}(\epsilon_{ijk}) = \sigma^2 / 30, \qquad \text{var}(\gamma_j) = \sigma_b^2 / 30.\]

30 으로 나누는 이유: “개별 cow 분산” 과 “합계 분산” 을 구분하기 위함. \(\sigma^2, \sigma_b^2\) 가 개별 cow 수준 분산이 되도록 맞춤.

3.5 로그 분산의 CV 해석

핵심 근사:

\[\text{var}(\log Y) \simeq \text{CV}^2(Y), \qquad \text{CV}(Y) = \text{SD}(Y) / E(Y).\]

이것은 로그 변환의 분산 안정화 성질. \(Y > 0\) 이고 CV 가 작으면 로그 스케일 분산이 CV 제곱과 근사적으로 같음 (연습 14.10-11).

따라서 \(\sigma, \sigma_b\) 가 곧 within-cow CV, between-cow CV.

3.6 ANOVA 분해 (Table 14.1)

라틴 정방의 4 원천 제곱합 분해:

출처 S.S. d.f. M.S. \(E\)(M.S.)
Cow class 0.47232 3 0.11833 \(\sigma^2/30 + 4\sigma_b^2/30\)
Sites 0.08324 3 0.02775 \(\sigma^2/30 + 4\sum(\alpha_i-\bar\alpha)^2/3\)
Treatments 0.17596 3 0.05865 \(\sigma^2/30 + 4\sum(\tau_k-\bar\tau)^2/3\)
Error 0.00433 6 0.00072 \(\sigma^2/30\)
Total 0.73584 15

3.7 분산 성분 추정

Method of Moments (고전적 방법): 관측 평균 제곱을 이론 기댓값에 등치.

\[\widetilde\sigma^2 = 30 \times 0.00072 = 0.0216, \quad \widetilde\sigma = 0.147 \to \text{within-cow CV} \approx 15\%.\]

Cow class M.S. 에서 \(\sigma^2\) 를 빼고 4 로 나누면 \(\sigma_b^2\) 추정:

\[\widetilde\sigma_b^2 = 30 \times (0.11833 - 0.00072) / 4 = 0.8821, \quad \widetilde\sigma_b = 0.939 \to \text{between-cow CV} \approx 94\%.\]

3.8 해석 — 왜 짝 맞춤 (pairing) 설계가 강력한가

between-cow CV 94% vs within-cow CV 15% — 무려 6 배 차이.

이것은 cow 간 차이가 극도로 크고 (품종·연령·개체 차이로), cow 내부 의 4 부위 차이는 훨씬 작다는 의미.

라틴 정방 설계의 천재적 면: 처치 효과를 같은 cow 내부 에서 비교하므로 cow 간 차이 (\(\sigma_b^2\)) 가 처치 대조의 분산에 들어오지 않는다. 처치 대조의 SE 는 \(\sigma/\sqrt{60}\) (cow 수·부위 수 조합). \(\sigma\) 만 기여하고 \(\sigma_b\) 는 무관.

이 예제가 짝 맞춤 설계 의 효율성을 극적으로 보여 준다. 완전 무작위 설계였다면 SE 가 훨씬 커져 효과 감지 불가했을 것.

4 §14.3 — 비선형 모형 (GLMM)

4.1 출발점 — 조건부 GLM

가정: cow class 에 따른 조건부 평균·분산이

\[ E(Y_{ij(k)} \mid \gamma_j) = M_{ij(k)}, \qquad \text{var}(Y_{ij(k)} \mid \gamma_j) = \sigma^2 V(M_{ij(k)}), \]

\(V(\cdot)\) = 조건부 분산 함수. 같은 class 이든 다른 class 이든 조건부 독립.

4.2 로그 선형 조건부 평균 (14.2)

\[\log M_{ij(k)} = \alpha_i + \gamma_j + \tau_k. \tag{14.2}\]

조건부 GLM: 랜덤효과 \(\gamma_j\) 를 주어진 것으로 간주 하고 log link + Poisson 또는 감마로 적합.

4.3 랜덤효과 가정 (14.3)

\[\gamma_j \sim N(0, \sigma_b^2) \text{ i.i.d.} \tag{14.3}\]

정규 분포는 편의적 — 로그 스케일에서 다루기 쉽고, 해석상 “중심 0 의 대칭 변동” 이 자연스럽다. 엄밀히는 다른 분포도 가능.

4.4 조건부 vs 주변 (Marginal)

조건부와 주변 관점의 대비:

  • 조건부 (conditional): \(\gamma_j\) 를 안다고 가정. GLM 그대로.
  • 주변 (marginal): \(\gamma_j\) 를 적분해 제거. 새로운 분산 구조 등장.

4.5 핵심 결과 — 주변 분산의 이차항

조건부 분산이 \(V(M) = M\) (Poisson) 일 때 주변 분산은

\[ \text{var}(Y_{\cdot j(k)}) = \sigma^2 \mu_{\cdot j(k)} + \mu_{\cdot j(k)}^2 (e^{\sigma_b^2} - 1). \tag{14.5a} \]

조건부 분산이 \(V(M) = M^2\) (gamma) 일 때

\[ \text{var}(Y_{\cdot j(k)}) \simeq \mu_{\cdot j(k)}^2 \{\text{CV}^2(e^\gamma) + O(\sigma^2)\}. \tag{14.5b} \]

결정적 관찰: 두 경우 모두 평균의 제곱 항 이 등장. 조건부가 Poisson 이어도 주변은 음이항 (negative binomial) 같은 이차 분산 함수.

직관: 주변 분산이 이차인 이유

조건부 평균 \(M\) 이 랜덤 (\(\gamma\) 때문에) 이므로:

\[\text{var}(Y) = E[\text{var}(Y|\gamma)] + \text{var}[E(Y|\gamma)] = E[\sigma^2 V(M)] + \text{var}(M).\]

첫 항 = within-cluster 변동. 두 번째 항 = cluster 평균의 변동. 후자가 \(M^2\) 규모 (로그 스케일에서 \(\gamma \to M e^\gamma\) 의 지수 변환이 곱셈 효과).

결과: 원래 GLM 의 분산 함수 \(V(\mu)\) 에 이차항 \(\mu^2 \sigma_b^2\) 가 더해진 형태. 즉 랜덤효과가 과산포 (overdispersion) 를 자연스럽게 유도.

이 통찰이 “랜덤효과 = 과산포 메커니즘” 이라는 현대적 이해의 기반. 실제로 음이항 회귀가 Poisson + 감마 랜덤효과와 수학적 등가 다.

4.6 식별 불가 경우 — 랜덤효과의 필수성

§14.3 의 가장 교훈적 부분: 어떤 설계에서는 처치 효과가 고정효과만으로 추정 불가.

예: 대체 설계 (Table 14.2). 각 cow class 가 단일 처치만 받음. 각 처치는 cow class 두 개에 반복.

이 설계에서 처치 대조는 cow class 대조와 별칭 (aliased) — 고정효과 모형 (14.2) 에서 추정 불가능.

해결: 랜덤효과 가정 (14.3) 추가. \(\gamma_j\) 가 i.i.d. \(N(0, \sigma_b^2)\) 이면 cow class 효과가 “무작위 변동” 으로 처리되어 처치 대조가 분리되어 추정 가능.

4.7 유도 — 로그 스케일로의 환원

식 (14.4):

\[\log(\mu_{\cdot j(k)}) = \tau_k + \text{const}.\]

관측 가능한 cow class 합계 \(Y_{\cdot j(k)}\) 의 평균이 \(\tau_k\) 에만 의존 — 처치 효과 직접 추정 가능.

식 (14.5) 의 분산 함수가 이차이므로 감마 GLM + 로그 링크 로 처리하면 됨. 8 관측치 (4 처치 × 2 반복) 의 분석이 4 d.f. 의 잔차로 이루어짐.

4.8 과학적 의미

“랜덤효과 가정이 존재하지 않던 정보를 만들어낸다” 는 것이 아니라, “고정효과로는 낭비될 정보를 재활용 한다” 는 것.

  • 고정효과: cow class 를 “nuisance” 로 버림 → 비교 불가.
  • 랜덤효과: cow class 의 변동을 “\(\sigma_b^2\) 추정치” 로 흡수 → 처치 대조에 다시 사용 가능.

이것이 반복 측정·계층 설계에서 혼합 모형이 고정 효과보다 효율적 인 근본 이유.

5 §14.4 — 준-우도 추정

5.1 전체 우도 (MLE) 의 어려움

GLMM 의 완전 최대 우도 는 랜덤효과를 적분해야 한다:

\[ L(\beta, \sigma^2, \sigma_b^2) = \prod_j \int f(y_{\cdot j} \mid \gamma_j) \cdot f(\gamma_j) d\gamma_j. \]

문제: - 정규 오차 + 정규 랜덤효과 외에는 닫힌 해 없음. - 수치 적분 필요 (Gauss-Hermite 구적, Monte Carlo, Laplace 근사, MCMC). - 계산 비용 높음. 1989 년 당시에는 더욱.

5.2 McCullagh-Nelder 의 선택 — 준-우도

준-우도 추정 방정식 (quasi-likelihood estimating equations) 을 사용한다 (Ch.9).

\[ U(\widehat\beta, \sigma^2) = D^T V^{-1} (y - \mu(\beta)) = 0. \tag{14.6} \]

  • \(D = \partial \mu / \partial \beta^T\): 평균의 \(\beta\) 미분.
  • \(V = V(\mu, \sigma^2)\): 주변 공분산 행렬 — \(\sigma^2, \sigma_b^2\) 에 의존.
  • \(y - \mu(\beta)\): 잔차.

5.3 핵심 특성

  1. 주변 평균·분산 만 사용. 완전 분포 가정 불필요.
  2. 분포 가정은 가중 방식 에만 영향. 형식 단순.
  3. 짝 맞춤 방정식 — \(\beta\) 추정에 \(\sigma^2\) 필요, \(\sigma^2\) 추정에 \(\beta\) 필요 → 교대 반복.

5.4 보조 방정식 — \(\sigma^2\) 성분 추정

\((U, W)^T\) 시스템:

  • \(U\): \(\beta\) 에 대한 점수 방정식.
  • \(W\): \(\sigma^2\) 성분들에 대한 추가 방정식 (예: Pearson 잔차 제곱의 기댓값 등치).

상세 유도는 §14.4 의 후속 부분과 McCullagh-Nelder (1989, pp.437-442) 참조. 이 글의 범위를 넘어감.

5.5 현대적 대안 — PQL, Laplace, MCMC

준-우도 이후 30 년 발전:

  • PQL (Penalized Quasi-Likelihood) — Breslow-Clayton (1993): GLMM 으로 바로 확장.
  • Laplace 근사 — Liu-Pierce (1994): 랜덤효과 적분을 이차 근사.
  • Adaptive Gauss-Hermite — Pinheiro-Chao (2006): 고정밀 수치 적분.
  • MCMC (BUGS, Stan) — 베이지안 전체 분포 추정.
  • HGLM (Hierarchical GLM) — Lee-Nelder (1996): 준-우도의 완전 확장.

실무 도구 (R lme4::glmer, Python statsmodels.genmod.bayes_mixed_glm, Stan brms) 가 이들을 구현. McCullagh-Nelder 의 개념 틀 은 유지되지만 계산 방법 은 크게 진보.

6 §14.5 — Salamander 교배 실험 (미리 보기)

6.1 실험 설정

Salamander 교배 데이터는 McCullagh-Nelder 가 GLMM 의 가장 도전적 예제 로 선택. Crowder (1978) 원데이터.

목적: 두 품종 (R, W) 의 교배 성공률을 비교. 특히 R 수컷 × W 암컷 이 다른 조합보다 낮은 성공률을 보이는 품종 배리어 존재 여부.

설계 복잡성: - 교차 랜덤효과 (crossed random effects): 각 실험에 남-여 쌍. 같은 수컷이 여러 암컷과 교배, 같은 암컷이 여러 수컷과. 중첩 아닌 교차 구조. - 반복 측정: 같은 쌍이 여러 시점에서 교배. - 이항 반응: 교배 성공 (1) / 실패 (0).

6.2 GLMM 의 전형적 도전

이 예제가 특별히 어려운 이유: 1. 로지스틱 링크 — 정규 랜덤효과와 결합 시 닫힌 해 없음. 2. 교차 랜덤효과 — 적분이 매우 고차원. 3. 소표본 — 추정 분산이 큼.

§14.5 의 4 소절은 이 도전을 단계적으로 풀어낸다.

6.3 후속 포스트에서 상세히

이 개관 포스트는 개념 지도 만 제공. 13-5 포스트에서 salamander 분석을 상세 재현. PQL 추정 과정, 분산 성분 해석, 현대 도구 (R lme4) 와 비교.

7 GLMM 의 세 가지 핵심 메시지

7.1 메시지 1 — 계층 구조는 피할 수 없다

거의 모든 실제 데이터가 계층 구조를 갖는다. 독립 가정을 무시하면 SE 가 과소추정, 유의성이 과대 보고. 반복 측정 · 군집 표본에서는 혼합 모형이 기본 이어야 함.

7.2 메시지 2 — 랜덤효과는 과산포의 메커니즘

주변 분산 함수의 이차항은 랜덤효과의 자연스러운 결과. 과산포를 설명하는 구조 가 랜덤효과. 음이항·베타-이항 등 많은 “과산포 분포” 가 실은 랜덤효과 모형의 위장.

7.3 메시지 3 — 준-우도가 실용적 출발

완전 우도는 계산 어렵지만 준-우도는 평균·분산만 필요. McCullagh-Nelder 의 철학: “우리가 확신할 수 있는 최소 가정 으로 시작해 점진적으로 확장”. 이 철학이 GLM 전체의 설계 원리.

8 Python 간단 예제 — 조건부 vs 주변 변동 시뮬레이션

랜덤효과가 주변 분산 함수를 이차로 만드는 현상을 시뮬레이션으로 확인.

import numpy as np
import matplotlib.pyplot as plt

np.random.seed(42)
n_clusters = 100
n_per_cluster = 30
sigma2 = 0.5           # within-cluster (포아송 산포)
sigma2_b = 0.3         # between-cluster variance

# 로그 평균 구조: 공변량 x, 랜덤효과 γ
x_levels = np.linspace(0, 2, 5)
means_by_x = np.exp(0.5 + 0.8 * x_levels)  # 조건부 평균

# 클러스터 랜덤효과
gamma = np.random.normal(0, np.sqrt(sigma2_b), n_clusters)

# 관측치 시뮬레이션 (Poisson 조건부 + 랜덤효과)
observations = []
for i, mean_x in enumerate(means_by_x):
    for j in range(n_clusters):
        # 조건부 평균 M = μ exp(γ_j)
        M = mean_x * np.exp(gamma[j])
        # Poisson 표본
        y = np.random.poisson(M, size=n_per_cluster)
        cluster_sum = y.sum()
        observations.append({
            'x': mean_x, 'cluster': j, 'sum': cluster_sum
        })

import pandas as pd
df = pd.DataFrame(observations)

# 클러스터 합계의 주변 분산 vs 평균
summary = df.groupby('x').agg(
    mean_Y=('sum', 'mean'),
    var_Y=('sum', 'var')
).reset_index()

print("조건부 Poisson 의 주변 분산은 평균의 이차:")
print(summary)

# 시각화: Var(Y) vs E(Y)
fig, ax = plt.subplots(figsize=(7, 5))
ax.scatter(summary['mean_Y'], summary['var_Y'], label='관측 (평균, 분산)')

mu_grid = np.linspace(summary['mean_Y'].min(), summary['mean_Y'].max(), 100)
ax.plot(mu_grid, mu_grid, '--', label='순수 Poisson V=μ', alpha=0.5)
# 주변 이론 (14.5a)
n_per = n_per_cluster
var_theory = n_per * mu_grid + (n_per * mu_grid)**2 * (np.exp(sigma2_b) - 1) / n_per
ax.plot(mu_grid, var_theory, '-', label='주변 이론 (14.5a)')

ax.set_xlabel('E(Y)')
ax.set_ylabel('Var(Y)')
ax.set_title('랜덤효과가 분산 함수를 이차로 만든다')
ax.legend(); ax.grid(alpha=0.3)
plt.show()

기대: 관측 점들이 순수 Poisson 라인 위에 위치 (이차 과산포) → 식 (14.5a) 의 이차 이론 곡선과 일치.

9 요약 — Ch.14 의 출발점

이번 포스트는 Ch.14 의 네 가지 핵심 개념 을 지도 수준에서 다뤘다.

9.1 요약 카드

개념 내용 후속
분산 성분 \(\sigma^2\) (within) + \(\sigma_b^2\) (between) + … 13-2
고정/랜덤 결정 과학적 관심 + 모집단 표본 여부 13-2
GLMM 구조 조건부 GLM + 정규 랜덤효과 13-3
이차 주변 분산 랜덤효과 → 과산포 메커니즘 13-3
준-우도 추정 \(U = D^T V^{-1}(y-\mu) = 0\) + 보조 방정식 13-4

9.2 현대적 연결

GLMM 은 현대 응용 통계의 주류. 다음 영역에서 필수:

  • 임상 시험 — 반복 측정 · 다기관 연구.
  • 교육 연구 — 학교·학급·학생 계층.
  • 환경 과학 — 사이트·날짜 교차 측정.
  • 유전학 — 가족 구성원 상관 처리.
  • A/B 테스트 — 사용자 세션 · 반복 노출 (§Experimentation 카테고리와 크로스).

Ch.14 의 아이디어는 이들 모든 분야의 뼈대가 된다.

10 관련 주제

선행 지식

직접 관련 — 교차 영역

카테고리 밖 관련 주제

후속 주제 — Ch.14 심화 (placeholder)

Subscribe

Enjoy this blog? Get notified of new posts by email: