statsmodels 라이브러리를 이용해 t-test를 실행했을 때, p-value가 높게 나오는 것은 해당 변수가 의미 있는 통계적 효과를 갖지 않을 가능성을 보여줍니다. 즉, 귀무가설을 기각하지 못한다는 것을 의미하며, 해당 변수가 종속 변수에 미치는 영향이 통계적으로 유의미하지 않을 수 있다는 것을 나타냅니다.

다중공선성 문제는 독립 변수들 간에 강한 상관관계가 있는 경우 발생합니다. 이 문제를 VIF(Variance Inflation Factor)를 통해 측정하며, 일반적으로 VIF 값이 5 이상이거나 10 이상인 변수는 다중공선성 문제가 있는 것으로 판단합니다.

변수를 정규화하는 것이 다중공선성을 줄이는 데 도움이 되지 않는 이유는 다중공선성이 변수들 간의 상관관계에 기반하기 때문입니다. MinMaxScaler와 같은 스케일링 방법은 변수의 분포를 변환하거나 변수의 범위를 변경하지만, 변수들 간의 상관관계 자체를 변경하지는 않습니다. 따라서, 스케일링이 VIF 값을 크게 변화시키지 않습니다.

다중공선성을 해결하는 방법으로는 변수 선택법, PCA(Principal Component Analysis)를 이용한 차원 축소, 또는 릿지(Ridge) 또는 라쏘(Lasso)와 같은 정규화 회귀 방법을 사용할 수 있습니다. 이러한 방법들은 변수들 간의 상관관계를 줄이거나, 다중공선성에 강한 모델을 사용함으로써 이 문제를 완화시킵니다.