# 🚀 Quick Start Guide - 로컬 실행 ## 📋 목차 1. [환경 설정](#1-환경-설정) 2. [빠른 테스트 (5분)](#2-빠른-테스트-5분) 3. [전체 파이프라인 (30분-2시간)](#3-전체-파이프라인-30분-2시간) 4. [생성되는 출력물](#4-생성되는-출력물) 5. [트러블슈팅](#5-트러블슈팅) --- ## 1. 환경 설정 ### 1.1 브랜치 가져오기 ```bash # 현재 master 브랜치에서 작업 중이라면 cd "/path/to/tolzul/Front/On/love(cs)/strategic ambiguity/empirics" # 작업 내용 백업 (선택사항) cp -r . ~/backup_$(date +%Y%m%d_%H%M%S) # 최신 변경사항 가져오기 git fetch origin claude/moderator-bakeoff-analysis-011CUbKc3dAVgd5eU3SXn7k8 git merge origin/claude/moderator-bakeoff-analysis-011CUbKc3dAVgd5eU3SXn7k8 ``` **또는 특정 파일만 가져오기:** ```bash git fetch origin claude/moderator-bakeoff-analysis-011CUbKc3dAVgd5eU3SXn7k8 git checkout origin/claude/moderator-bakeoff-analysis-011CUbKc3dAVgd5eU3SXn7k8 -- \ modules/models.py \ modules/plots.py \ modules/features.py \ run_analysis.py \ test_one_touch.py ``` ### 1.2 Python 환경 **필수 패키지 확인:** ```bash pip list | grep -E "pandas|numpy|matplotlib|statsmodels|scikit-learn|seaborn|scipy" ``` **없으면 설치:** ```bash pip install pandas numpy matplotlib statsmodels scikit-learn seaborn scipy ``` --- ## 2. 빠른 테스트 (5분) ⚡ **추천!** 기존 데이터셋(`outputs/h2_analysis_dataset.csv`)을 사용하여 빠르게 테스트 ### 2.1 테스트 실행 ```bash cd "/path/to/tolzul/Front/On/love(cs)/strategic ambiguity/empirics" python test_one_touch.py ``` ### 2.2 예상 출력 ``` ================================================================================ ONE-TOUCH EXECUTION TEST ================================================================================ ✓ Loading dataset: outputs/h2_analysis_dataset.csv Rows: 5,000 H1: EARLY FUNDING ──────────────── ✓ H1 fitted: R² = 0.002 H2: GROWTH × ARCHITECTURE ─────── ✓ H2 fitted: Pseudo R² = 0.019 H3: EARLY FUNDING × FOUNDER ───── ✓ H3 fitted: R² = 0.003 ✓ Saved: outputs/h3_coefficients.csv H4: GROWTH × FOUNDER ───────────── ✓ H4 fitted: Pseudo R² = 0.016 ✓ Saved: outputs/h4_coefficients.csv GENERATING FIGURES ─────────────── ✓ Saved: outputs/figures/Figure_1_Reversal.png ✓ Saved: outputs/figures/Figure_2a_H3.png ✓ Saved: outputs/figures/Figure_2b_H4.png TEST COMPLETE ``` ### 2.3 생성된 파일 확인 ```bash ls -lh outputs/h*.csv ls -lh outputs/figures/*.png ``` **예상 파일:** - `outputs/h1_coefficients.csv` - `outputs/h3_coefficients.csv` ← NEW - `outputs/h4_coefficients.csv` ← NEW - `outputs/figures/Figure_1_Reversal.png` ← NEW - `outputs/figures/Figure_2a_H3.png` ← NEW - `outputs/figures/Figure_2b_H4.png` ← NEW --- ## 3. 전체 파이프라인 (30분-2시간) 실제 PitchBook 데이터부터 처음부터 끝까지 실행 ### 3.1 데이터 준비 **데이터 위치 확인:** ```bash ls -lh data/raw/Company*.dat ``` **필요한 파일:** - `data/raw/Company20211201.dat` (baseline, t0) - `data/raw/Company20220101.dat` (mid1, tm1) - `data/raw/Company20220501.dat` (mid2, tm2) - `data/raw/Company20230501.dat` (endpoint, t1) **데이터가 없으면:** ```bash # 합성 데이터 생성 (테스트용) python generate_synthetic_data.py ``` ### 3.2 전체 파이프라인 실행 ```bash python run_analysis.py ``` **실행 시간:** - 합성 데이터 (5K rows): ~5분 - 실제 데이터 (50K+ rows): ~30분-2시간 ### 3.3 예상 출력 ``` W1 HYPOTHESIS TESTING (CLEAN) ════════════════════════════════ Loading 4 snapshots... ✓ Baseline: 45,234 companies ✓ Mid1: 46,891 companies ✓ Mid2: 48,123 companies ✓ Endpoint: 51,456 companies Feature engineering... ℹ️ Early funding filtered to Series A / Early Stage VC: 23,456 of 45,234 DV creation (Series B+ progression)... 📅 Applying as-of date capping... 🎯 At-risk cohort: 23,456 companies 📊 Base rate: 13.8% H1: EARLY FUNDING ──────────────── ✓ Saved: outputs/h1_coefficients.csv H2: GROWTH × ARCHITECTURE ─────── ✓ Saved: outputs/h2_main_coefficients.csv H3: EARLY FUNDING × FOUNDER ───── ✓ Saved: outputs/h3_coefficients.csv H4: GROWTH × FOUNDER ───────────── ✓ Saved: outputs/h4_coefficients.csv BAKE-OFF: Architecture vs Credibility ✓ Saved: outputs/h2_model_architecture.csv ✓ Saved: outputs/h2_model_founder.csv GENERATING FIGURES ─────────────── ✓ Saved: outputs/figures/Figure_1_Reversal.png ✓ Saved: outputs/figures/Figure_2a_H3.png ✓ Saved: outputs/figures/Figure_2b_H4.png ONE-TOUCH EXECUTION COMPLETE ``` --- ## 4. 생성되는 출력물 ### 4.1 계수표 (CSV) ```bash outputs/ ├── h1_coefficients.csv # H1: Early Funding ~ Vagueness ├── h2_main_coefficients.csv # H2: Growth ~ Vagueness × Architecture ├── h3_coefficients.csv # H3: Early Funding ~ Vagueness × Founder ├── h4_coefficients.csv # H4: Growth ~ Vagueness × Founder ├── h2_model_architecture.csv # Bake-off: Architecture moderator ├── h2_model_architecture_ame.csv ├── h2_model_architecture_metrics.csv ├── h2_model_founder.csv # Bake-off: Founder moderator ├── h2_model_founder_ame.csv └── h2_model_founder_metrics.csv ``` ### 4.2 시각화 (PNG) ```bash outputs/figures/ ├── Figure_1_Reversal.png # H1 + H2 dual-axis plot ├── Figure_2a_H3.png # Early Funding × Founder (scatter + OLS) └── Figure_2b_H4.png # Growth × Founder (scatter + logistic) ``` ### 4.3 데이터셋 ```bash outputs/ └── h2_analysis_dataset.csv # 분석용 최종 데이터셋 ``` --- ## 5. 트러블슈팅 ### 문제 1: ModuleNotFoundError **증상:** ``` ModuleNotFoundError: No module named 'pandas' ``` **해결:** ```bash pip install pandas numpy matplotlib statsmodels scikit-learn seaborn scipy ``` ### 문제 2: 데이터 파일 없음 **증상:** ``` FileNotFoundError: data/raw/Company20211201.dat not found ``` **해결 옵션:** **A. 합성 데이터 사용 (빠름):** ```bash python generate_synthetic_data.py python test_one_touch.py # 빠른 테스트 ``` **B. 실제 데이터 경로 확인:** ```bash find . -name "Company*.dat" -type f # 파일을 data/raw/로 이동 ``` ### 문제 3: 메모리 부족 (대용량 데이터) **증상:** ``` MemoryError: Unable to allocate array ``` **해결:** ```bash # 샘플링하여 실행 python run_analysis.py --sample 0.1 # 10% 샘플 ``` **또는 run_analysis.py 수정:** ```python # Line 58 근처 df = pd.read_csv(path, sep='|', encoding=encoding, low_memory=False, nrows=50000) ^^^^^^^^^^^^ ``` ### 문제 4: 그림이 생성되지 않음 **증상:** ``` WARNING: Could not plot H1 predictions ``` **확인:** ```bash # 필요한 컬럼이 있는지 확인 python -c " import pandas as pd df = pd.read_csv('outputs/h2_analysis_dataset.csv') print(df.columns.tolist()) " ``` **필수 컬럼:** - `z_vagueness`, `z_employees_log`, `founding_cohort` - `early_funding_musd`, `growth` - `founder_serial` (또는 `founder_credibility`) ### 문제 5: Convergence 실패 (Logit) **증상:** ``` PerfectSeparationError: Perfect separation detected ``` **해결:** 코드가 자동으로 처리합니다 ```python # models.py Line 85, 173 try: model = smf.logit(formula, data=d).fit(disp=False) except Exception: model = smf.logit(formula, data=d).fit_regularized(method='l2', alpha=0.01) ``` --- ## 6. 추가 분석 스크립트 ### 6.1 Follow-up Period 분석 ```bash python test_followup_period.py ``` **출력:** - Base rate 분석 - Right censoring 영향 - Statistical power 평가 ### 6.2 Series A 필터링 검증 ```bash python test_series_a_filter.py ``` **출력:** - FirstFinancingDealType 분포 - "Early Stage VC" 매칭 수 - 필터링 전후 비교 --- ## 7. 빠른 체크리스트 ✅ 실행 전: - [ ] Python 3.7+ 설치 - [ ] 필수 패키지 설치 (pandas, statsmodels, etc.) - [ ] 브랜치 업데이트 또는 파일 복사 - [ ] 작업 디렉토리 이동 빠른 테스트 (추천): - [ ] `python test_one_touch.py` 실행 - [ ] outputs/ 폴더 확인 - [ ] 그림 파일 열어보기 전체 파이프라인: - [ ] 데이터 파일 준비 (data/raw/) - [ ] `python run_analysis.py` 실행 - [ ] 생성된 CSV/PNG 확인 - [ ] 계수표와 그림 비교 분석 --- ## 8. 다음 단계 ### 분석 결과 확인: ```bash # 계수표 확인 head outputs/h3_coefficients.csv head outputs/h4_coefficients.csv # 상호작용 p-value 확인 grep "vagueness.*founder_serial" outputs/h3_coefficients.csv grep "vagueness.*founder_serial" outputs/h4_coefficients.csv # 그림 열기 (macOS) open outputs/figures/Figure_1_Reversal.png open outputs/figures/Figure_2a_H3.png open outputs/figures/Figure_2b_H4.png # 그림 열기 (Linux) xdg-open outputs/figures/Figure_1_Reversal.png ``` ### Python에서 결과 로드: ```python import pandas as pd import matplotlib.pyplot as plt # 계수표 읽기 h3 = pd.read_csv('outputs/h3_coefficients.csv') h4 = pd.read_csv('outputs/h4_coefficients.csv') # 상호작용 항만 필터 h3_interaction = h3[h3['variable'].str.contains('vagueness.*founder_serial', regex=True)] h4_interaction = h4[h4['variable'].str.contains('vagueness.*founder_serial', regex=True)] print("H3 Interaction:") print(h3_interaction[['variable', 'coefficient', 'p_value']]) print("\nH4 Interaction:") print(h4_interaction[['variable', 'coefficient', 'p_value']]) ``` --- ## 📞 도움말 **문제가 계속되면:** 1. 로그 파일 확인 2. Python 버전 확인: `python --version` 3. 패키지 버전 확인: `pip list` 4. GitHub Issue 열기 또는 문의 **성공적으로 실행되면:** - 생성된 그림들을 논문에 사용 - 계수표를 바탕으로 통계 검정 - Robustness checks 실행 (robustness_followup.md 참조)