En este capítulo aprenderás cómo los modelos lineales generalizados amplían otros modelos de tu caja de herramientas de data science. El capítulo también utiliza la regresión de Poisson para introducir los modelos lineales generalizados.

Limitaciones de los modelos lineales

Supuestos de los modelos lineales

Repaso: ajuste de modelos lineales

Regresión de Poisson

Ajustar una regresión de Poisson en R

Comparar regresión lineal y de Poisson

Interceptos: comparaciones frente a medias

Funciones básicas de lm() con glm()

Aplicar summary(), print() y tidy() a glm

Extraer coeficientes con glm()

Predecir con glm()

GLMs, una extensión de tu caja de herramientas de regresión

Este capítulo trata sobre cómo ejecutar una regresión logística y analizar los Resultados del modelo.

Descripción general de la regresión logística

Ajustar una regresión logística

Examining & interpreting logistic regression outputs

Distribución de Bernoulli frente a binomial

Bernoulli frente a binomial

Simulando datos binarios

Entrada de regresión logística en formato largo

Regresión logística con datos en formato ancho

Comparar salidas de regresión logística

Funciones de enlace: comparación entre probit y logit

Probit frente a logit

Ajuste de probit y logit

Simular un logit

Simulación de un probit

Regresión logística

Este capítulo te enseña a interpretar los coeficientes de un GLM y a representar GLMs con ggplot2.

Coeficientes de regresión de Poisson

Enlace de Poisson

Coeficientes de lm vs. Poisson

Representación de regresión de Poisson

Visualización de regresión de Poisson

Entender la salida de una regresión logística

Entender las razones de momios (odds ratios)

Extracción e interpretación de odds ratios

Odds ratios e intervalos de confianza en Tidyverse

ggplot2 y regresión binomial

Líneas de tendencia predeterminadas

Métodos para líneas de tendencia

Comparar probits y logits

Interpretación y visualización de GLMs

En este capítulo, aprenderás a hacer regresión múltiple con GLMs en R.

Regresión logística múltiple

Ajustar una regresión logística múltiple

Crear dos modelos

Comparar resultados de regresión

Comparing variable order

Fórmulas en R

Múltiples pendientes

Interceptos

Interceptos múltiples

Supuestos de la regresión logística múltiple

La paradoja de Simpson

Regresión logística no lineal

Conclusión

Regresión múltiple con GLMs

Bus Commuter dataset

La regresión lineal es una herramienta fundamental de la estadística, pero no puede manejar algunos tipos de datos complejos. Un modelo lineal generalizado (GLM) amplía la regresión lineal para incluir distribuciones no normales, como datos binomiales y de conteo. A lo largo de este curso, ampliarás tu conjunto de herramientas de data science para incluir GLMs en R. Como parte del aprendizaje sobre GLMs, verás cómo ajustar datos binomiales con regresión logística y datos de conteo con regresión de Poisson. También aprenderás a interpretar estos resultados y a representarlos con ggplot2.

Intermediate Regression in R

Aprende a ajustar datos binomiales con regresión logística y datos de conteo con regresión de Poisson.

Modelos Lineales Generalizados en R

El curso sobre el modelo lineal generalizado amplía tu conjunto de herramientas de regresión para incluir la regresión logística y la regresión de Poisson.

Entender las razones de momios (odds ratios)

Modelos Lineales Generalizados en R

Ejercicio interactivo práctico