Ⅰ. 통계와 오류의 기본 이해
오류를 공부해야 하는 이유 - 데이터 사회에서의 필수 통찰
통계 속 착각 - 숫자가 주는 믿음과 불신의 양면성
네 가지 오류 - 편향·오류·실수·해석의 차이
통계적 사고 - 불확실성 속에서 질서를 찾는 방법
확률적 세계 - 불확실성을 다루는 인간의 기술
숫자의 권위 - 데이터가 진실처럼 보이는 이유
착각의 심리학 - 연구자와 독자가 빠지는 함정
통계와 사회 - 과학·언론·정책을 움직이는 힘
오류의 파급 - 잘못된 해석이 낳는 사회적 비용
의심하는 태도 - 통계를 신뢰하면서도 경계하기

Ⅱ. 편향과 왜곡의 다양한 얼굴
표본 편향 - 대표성을 잃은 조사 결과의 위험
측정 편향 - 질문과 도구에서 비롯된 왜곡
연구자 편향 - 관찰자의 기대가 만든 착시
출판 편향 - 긍정적 결과만 살아남는 과학의 구조
사회적 바람직성 편향 - 체면이 만든 거짓 응답
자기선택 편향 - 스스로 참여한 사람들이 만든 왜곡
질문지 설계 편향 - 문항 구조가 만드는 답변의 함정
응답자 피로 편향 - 반복된 설문이 불러오는 오류
데이터 수집 편향 - 누락과 불균형이 낳은 착각
빅데이터 편향 - 방대한 데이터 속의 보이지 않는 치우침
알고리즘 편향 - 인공지능이 재생산하는 사회적 불평등
정책 편향 - 의도적 지표 선택이 만든 잘못된 판단

Ⅲ. 통계적 오류와 인간적 실수
표본오차 - 작은 표본이 만든 큰 불확실성
비표본오차 - 설계와 실행에서 비롯된 오류
제1종 오류 - 존재하지 않는 효과를 인정하는 착각
제2종 오류 - 실제 효과를 놓치는 함정
측정오차 - 반복 측정에서 드러나는 불일치
모형 지정 오류 - 변수 선택의 덫에 빠진 연구
가정 위반 오류 - 정규성·등분산성·독립성의 붕괴
데이터 처리 실수 - 입력과 정리에서 발생하는 오류
코딩 오류 - Python과 R에서 자주 등장하는 함정
분석 절차 오류 - 결측값과 다중비교 처리 실패

Ⅳ. 해석 오류와 숫자의 착각
상관과 인과의 혼동 - 제3변수와 인과추론의 함정
통계적 유의성과 실제적 유의성 - p값을 넘어 효과 크기 이해하기
과잉 일반화 - 부분적 결과를 전체로 확대하는 오류
데이터 스누핑 - 수많은 분석 중 유리한 결과만 고른 선택
p-hacking - 유의성을 억지로 끌어내는 연구자의 유혹
인과 방향의 착각 - 원인과 결과를 거꾸로 읽는 해석
그래프 해석 오류 - 시각화가 만들어내는 눈속임
평균의 함정 - 극단값에 끌려간 수치의 왜곡
중앙값과 분포 무시 - 평균만 강조하는 착시 효과
상호작용 무시 - 다차원적 관계를 단일 효과로 축소
작은 효과의 과대평가 - 통계적으로만 유의한 착각
큰 효과의 과소평가 - 실제 영향력을 무시한 오류

Ⅴ. 실생활 속 오류와 미래 과제
언론 보도의 오류 - 과장된 수치와 잘못된 해석
정책 평가 오류 - 교육·보건 지표의 함정
기업 마케팅 오류 - 광고 속 평균값과 선택적 보고
오류 예방 전략 - 연구자가 따라야 할 점검 절차
재현가능성과 연구윤리 - 정직한 데이터 과학의 조건
AI 시대의 통계적 사고 - 알고리즘 편향을 넘어서는 과제

Ⅵ. 숫자 뒤의 사람들(가상의 사례 1)
감정의 간극 - 행복을 숫자로 정의할 수 있을까
위험의 심리 - 확률보다 두려움이 더 큰 이유
통계의 맹점 - 평균이 가려버린 개인의 이야기
직관과 데이터 - 감으로 옳았던 선택들
신뢰의 무게 - 데이터보다 사람을 믿을 수 있을까
통계와 도덕 - 옳은 숫자, 틀린 판단
비정형의 진실 - 통계가 읽지 못한 예외들
숫자 속 인간 - 불확실성을 껴안는 용기
그래프의 언어 - 시각화가 조작이 되는 순간
데이터 정의 - 공정성과 투명성의 새로운 기준

Ⅶ. 불확실성의 철학(가상의 사례 2)
확률의 한계 - 세상을 완전히 예측할 수 없는 이유
통계적 상상력 - 데이터 너머를 보는 눈
서사의 힘 - 숫자에 의미를 부여하는 인간의 언어
학문의 경계 - 통계, 철학, 예술이 만나는 지점
의심의 미학 - 불확실성 속의 자유
믿음과 착각 사이 - 통계가 남긴 마지막 질문