Tato kapitola ti ukáže, jak jsou zobecněné lineární modely rozšířením ostatních modelů, které už ve svém datascientistském toolkitu máš. Poissonova regrese slouží jako praktický úvod do světa GLM.

Omezení lineárních modelů

Předpoklady lineárních modelů

Opakování: fitování lineárních modelů

Poissonova regrese

Poissonova regrese v R

Porovnání lineární regrese a Poissonovy regrese

Intercepty – srovnání versus průměry

Základní funkce lm() v glm()

Použití summary(), print() a tidy() na glm

Extrakce koeficientů z glm()

Predikce pomocí glm()

GLM: rozšíření tvé sady regresních nástrojů

Tato kapitola se věnuje spuštění logistické regrese a interpretaci výstupů modelu.

Přehled logistické regrese

Trénování logistické regrese

Zkoumání a interpretace výstupů logistické regrese

Bernoulliho vs. binomické rozdělení

Simulace binárních dat

Logistická regrese s daty v dlouhém formátu

Logistická regrese s daty v širokém formátu

Porovnání výstupů logistické regrese

Spojovací funkce – probit vs. logit

Probit vs. logit

Fitování probitů a logitů

Simulace logitu

Simulace probitu

Logistická regrese

V této kapitole se naučíš interpretovat koeficienty GLM a vizualizovat GLM pomocí ggplot2.

Koeficienty Poissonovy regrese

Poissonova linková funkce

lm vs. Poissonovy koeficienty

Vizualizace Poissonovy regrese

Jak číst výstup logistické regrese

Porozumění poměrům šancí

Extrakce a interpretace poměru šancí

Poměry šancí a intervaly spolehlivosti v Tidyverse

ggplot2 a binomická regrese

Výchozí trendové křivky

Metody pro trendové linie

Porovnání probitů a logitů

Interpretace a vizualizace GLM

V této kapitole se naučíš provádět vícenásobnou regresi s GLM v R.

Mnohonásobná logistická regrese

Fitování vícenásobné logistické regrese

Sestavení dvou modelů

Porovnání výstupů regrese

Porovnání pořadí proměnných

Vzorce v R

Více sklonů

Intercepty

Více průsečíků

Předpoklady mnohonásobné logistické regrese

Simpsonův paradox

Nelineární logistická regrese

Závěr

Vícenásobná regrese s GLM

Bus Commuter dataset

Lineární regrese patří mezi základní nástroje statistiky, ale ne vždy si poradí se složitějšími daty. Zobecněný lineární model (GLM) lineární regresi rozšiřuje o podporu nenormálních rozdělení, včetně binomických dat a dat s počty. V průběhu kurzu si rozšíříš svůj datascientistský toolkit o GLM v R. Naučíš se pracovat s logistickou regresí pro binomická data i s Poissonovou regresí pro data s počty. Dozvíš se také, jak výsledky interpretovat a vizualizovat pomocí ggplot2.

Intermediate Regression in R

Naučte se modelovat binom. data s logist. regresí a počítat data s Poisson. regresí pomocí ggplot2.

Zobecněné lineární modely v R

Kurz zobecněného lineárního modelu rozšíří váš regresní arzenál o logistickou a Poissonovu regresi.

Předpoklady lineárních modelů

Zobecněné lineární modely v R

Interaktivní praktické cvičení