Ce chapitre vous montre en quoi les modèles linéaires généralisés prolongent d'autres modèles de votre boîte à outils en science des données. Le chapitre utilise aussi la régression de Poisson pour introduire les modèles linéaires généralisés.

Limites des modèles linéaires

Hypothèses des modèles linéaires

Rafraîchissement sur l'ajustement des modèles linéaires

Régression de Poisson

Ajuster une régression de Poisson dans R

Comparer la régression linéaire et la régression de Poisson

Comparaison intercepts versus moyennes

Fonctions de base de lm() avec glm()

Appliquer summary(), print() et tidy() à glm

Extraire des coefficients avec glm()

Prédire avec glm()

Les GLM, une extension de votre boîte à outils en régression

Ce chapitre explique comment exécuter une régression logistique et examiner les résultats du modèle.

Aperçu de la régression logistique

Ajuster une régression logistique

Examiner et interpréter les résultats d'une régression logistique

Loi de Bernoulli et loi binomiale : comparaison

Bernoulli et binomiale : comparaison

Simuler des données binaires

Entrée pour la régression logistique en format long

Régression logistique avec données en format large

Comparer les résultats d'une régression logistique

Fonctions de liaison : probit comparée au logit

Probit ou logit

Ajuster des modèles probit et logit

Simuler un logit

Simuler un probit

Régression logistique

Ce chapitre vous apprend à interpréter les coefficients d'un GLM et à tracer des GLM avec ggplot2.

Coefficients de la régression de Poisson

Lien de Poisson

Coefficients : lm vs Poisson

Tracer une régression de Poisson

Comprendre les résultats d'une régression logistique

Comprendre les rapports de cotes

Extraire et interpréter les cotes

Rapports de cotes et intervalles de confiance dans le Tidyverse

ggplot2 et régression binomiale

Lignes de tendance par défaut

Méthodes pour les lignes de tendance

Comparer les probits et les logits

Interpréter et visualiser les GLM

Dans ce chapitre, vous apprendrez à effectuer une régression multiple avec des GLM en R.

Régression logistique multiple

Ajuster une régression logistique multiple

Construire deux modèles

Comparer les résultats de régression

Comparer l'ordre des variables

Formules en R

Pentes multiples

Ordonnées à l'origine

Intercepts multiples

Hypothèses de la régression logistique multiple

Le paradoxe de Simpson

Régression logistique non linéaire

Conclusion

Régression multiple avec des GLM

Bus Commuter dataset

La régression linéaire est un pilier des statistiques, mais elle ne peut pas traiter certains types de données complexes. Un modèle linéaire généralisé (GLM) élargit la régression linéaire pour inclure des distributions non normales, notamment les données binomiales et de comptage. Tout au long de ce cours, vous ajouterez les GLM en R à votre trousse d'outils en science des données. En apprenant les GLM, vous verrez comment ajuster un modèle aux données binomiales avec la régression logistique et aux données de comptage avec la régression de Poisson. Vous apprendrez aussi à interpréter ces résultats et à les représenter graphiquement avec ggplot2.

Intermediate Regression in R

Apprenez à ajuster des modèles binomiaux avec la régression logistique et à tracer les résultats avec ggplot2.

Modèles linéaires généralisés (GLM) en R

Le cours sur les modèles linéaires généralisés élargit votre boîte à outils de régression pour inclure la régression logistique et de Poisson.

Hypothèses des modèles linéaires

Modèles linéaires généralisés (GLM) en R

Exercice interactif pratique