In diesem Kapitel lernst du, wie generalisierte lineare Modelle eine Erweiterung anderer Modelle in deinem Data-Science-Werkzeugkasten sind. Außerdem wird die Poisson-Regression genutzt, um in generalisierte lineare Modelle einzuführen.

Grenzen linearer Modelle

Annahmen linearer Modelle

Auffrischung: Lineare Modelle fitten

Poisson-Regression

Poisson-Regression in R anpassen

Lineare vs. Poisson-Regression vergleichen

Achsenabschnitts‑Vergleiche vs. Mittelwerte

Grundlegende lm()-Funktionen mit glm()

Anwenden von summary(), print() und tidy() auf glm

Koeffizienten aus glm() extrahieren

Vorhersagen mit glm()

GLMs – eine Erweiterung deines Regressions-Werkzeugkastens

Dieses Kapitel behandelt das Ausführen einer logistischen Regression und die Betrachtung der Modellausgaben.

Überblick über die logistische Regression

Eine logistische Regression anpassen

Logistische Regressionsausgaben prüfen und interpretieren

Bernoulli- versus Binomialverteilung

Bernoulli versus Binomial

Binäre Daten simulieren

Logistische Regression mit Long-Format als Input

Logistische Regression mit Wide-Format-Eingaben

Logistische Regressionsausgaben vergleichen

Link-Funktionen – Probit im Vergleich zu Logit

Probit versus Logit

Probit- und Logit-Modelle anpassen

Eine Logit-Verteilung simulieren

Probit simulieren

Logistische Regression

In diesem Kapitel lernst du, GLM-Koeffizienten zu interpretieren und GLMs mit ggplot2 zu plotten.

Poisson-Regressionskoeffizienten

Poisson-Link

lm- vs. Poisson-Koeffizienten

Poisson-Regression visualisieren

Ausgabe der logistischen Regression verstehen

Quotenverhältnisse verstehen

Odds Ratios extrahieren und interpretieren

Odds Ratios und Konfidenzintervalle im Tidyverse

ggplot2 und binomiale Regression

Standard-Trendlinien

Methoden für Trendlinien

Probits und Logits vergleichen

GLMs interpretieren und visualisieren

In diesem Kapitel lernst du, wie du in R multiple Regression mit GLMs durchführst.

Multiple logistische Regression

Eine multiple logistische Regression anpassen

Zwei Modelle erstellen

Regressionsausgaben vergleichen

Vergleich der Variablenreihenfolge

Formeln in R

Mehrere Steigungen

Achsenabschnitte

Mehrere Achsenabschnitte

Annahmen der multiplen logistischen Regression

Simpsons Paradoxon

Nichtlineare logistische Regression

Fazit

Multiple Regression mit GLMs

Bus Commuter dataset

Lineare Regression ist ein Arbeitspferd der Statistik, kommt aber bei manchen komplexen Datentypen an Grenzen. Ein generalisiertes lineares Modell (GLM) erweitert die lineare Regression um nicht-normalverteilte Daten, etwa binomiale und Zähldaten. In diesem Kurs erweiterst du deinen Data-Science-Werkzeugkasten um GLMs in R. Dabei lernst du, wie du binomiale Daten mit logistischer Regression und Zähldaten mit Poisson-Regression modellierst. Außerdem erfährst du, wie du diese Ergebnisse interpretierst und mit ggplot2 visualisierst.

Intermediate Regression in R

Lerne, binomiale Daten mit logistischer Regression und Zähldaten mit Poisson-Regression zu modellieren.

Generalisierte lineare Modelle in R

In diesem Kurs erweitern wir deinen Data-Science-Werkzeugkasten um logistische und Poisson-Regression.

Annahmen linearer Modelle

Interaktive praktische Übung