[[09-16|25-09-16]] [[day 4.5 scott(Bayesian Entrepreneurship)]] # 🙋‍♀️QnA - tau 매개변수 핵심 질문과 답변 ## 🙋‍♀️Q1: McElreath의 부분풀링 네 효과 중 tau와 가장 가까운 것은? **답변: (3) To study variation이 가장 적합합니다.** **이유:** - tau는 founder-venture 간의 **변동(variation)을 명시적으로 모델링**하는 매개변수 - 창업자 개인의 확신 수준과 벤처의 실제 성과 간의 불일치를 포착 - 단일 수준 모델로는 이러한 계층적 변동을 제대로 반영할 수 없음 - tau가 클수록 그룹 간 변동이 크고, 작을수록 변동이 작음 **부차적 연결:** - (4) To avoid averaging도 관련됨 - tau는 평균화로 인한 정보 손실을 방지 - 높은 tau = 개별 벤처의 특수성 보존 - 낮은 tau = 전체 패턴으로의 수렴 --- ## 🙋‍♀️Q2: Bayesian Entrepreneurship 진영의 Scott은 tau를 어떻게 설명할까? **Scott의 관점에서 tau 해석:** **"tau는 prior의 concentration parameter로서 belief updating의 속도를 결정한다"** 1. **Prior Specification 측면:** - 낮은 tau = diffuse prior (약한 초기 믿음) - 높은 tau = concentrated prior (강한 초기 믿음) - Better Place: 과도하게 concentrated prior → 새로운 증거 무시 2. **Bayesian Learning 측면:** - tau가 낮을수록 posterior가 데이터에 민감하게 반응 - tau가 높을수록 prior에 고착되어 학습 속도 저하 - Tesla: 낮은 tau로 시작 → 빠른 belief updating → 시장 적응 3. **Information Value 측면:** - tau는 새로운 정보의 가치를 결정 - 높은 tau에서는 정보 획득의 한계효용 체감 - "실험의 가치" 계산에 직접적 영향 --- ## 🙋‍♀️Q3: Hybrid Entrepreneurship 진영의 Charlie는 tau를 어떻게 설명할까? **Charlie의 관점에서 tau 해석:** **"tau는 조직의 entropy 증가율과 acculturation cost의 균형점이다"** 1. **Acculturation Cost 프레임:** - 높은 tau = 높은 문화 고착 비용 - "조직 entropy는 항상 증가" → tau가 entropy 증가 속도 조절 - Better Place: 초기 높은 tau로 인한 문화 경직 → 적응 실패 2. **Hybrid Structure 측면:** - tau는 exploration과 exploitation의 균형 매개변수 - 낮은 tau = 더 많은 hybrid 실험 가능 - 높은 tau = early commitment trap 3. **Organizational Learning:** - tau가 "unlearning cost"를 결정 - 높은 tau 조직은 기존 루틴 버리기 어려움 - Tesla: 낮은 tau → 지속적 재구성 가능 4. **Dynamic Capability 연결:** - tau는 sensing-seizing-reconfiguring 사이클의 속도 결정 - 낮은 tau = 빠른 사이클, 높은 적응력 - 높은 tau = 느린 사이클, path dependency 위험 --- ## 🙋‍♀️Q4: Evolutionary Entrepreneurship의 Noubar Afeyan은 tau를 어떤 변수에 대응시킬까? **Noubar Afeyan의 Flagship Pioneering 프레임워크에서 tau 해석:** **"tau는 Emergent Discovery 과정의 'Evolutionary Pressure' 강도다"** 1. **Origination Platform 관점:** - tau = "hypothesis space의 제약 정도" - 낮은 tau = 넓은 탐색 공간, 많은 변이 허용 - 높은 tau = 좁은 탐색 공간, 빠른 수렴 압력 2. **ProtoCo → NewCo 전환에서:** - tau는 "graduation threshold"의 엄격성 - Better Place: 너무 이른 graduation (높은 tau) - Tesla: 점진적 graduation (낮은 tau) 3. **Evolutionary Algorithm 측면:** - tau = selection pressure / mutation rate 비율 - 높은 tau = 강한 선택, 약한 변이 → premature convergence - 낮은 tau = 약한 선택, 강한 변이 → 지속적 진화 4. **"What if it's possible?" 철학과 연결:** - tau는 "가능성 공간의 개방성" - 낮은 tau = 더 많은 "what if" 질문 허용 - 높은 tau = 조기 답변 고착 --- ## 🙋‍♀️Q5: 🧠접근과 🤜접근의 명명법 **제안: 세 가지 명명 체계** ### 1. **인지적 차원 (Cognitive Dimension)** - 🧠접근 = **"Deliberative Approach"** (숙고적 접근) - 🤜접근 = **"Adaptive Approach"** (적응적 접근) ### 2. **학파적 차원 (School Dimension)** - 🧠접근 = **"Planning School"** (계획 학파) - 🤜접근 = **"Effectuation School"** (실현 학파) ### 3. **통합적 명명 (추천)** - 🧠접근 = **"Bayesian-Deliberative School"** - Prior 설정과 belief updating에 중점 - 정보의 체계적 통합 - Scott의 Bayesian entrepreneurship 대표 - 🤜접근 = **"Evolutionary-Adaptive School"** - 변이와 선택을 통한 적응 - Emergent strategy와 exaptation - Charlie의 hybrid approach + Noubar의 evolutionary approach 통합 ### 추가 제안: **"Tau Spectrum Framework"** - Low tau zone = "Adaptive Zone" (적응 영역) - Medium tau zone = "Optimal Learning Zone" (최적 학습 영역) - High tau zone = "Commitment Trap Zone" (고착 함정 영역) 이를 통해: - Planning vs Action의 이분법 극복 - Bayesian vs Evolutionary의 통합 - Partial pooling의 중간 지점 강조