Ce chapitre vous montre en quoi les modèles linéaires généralisés prolongent d’autres modèles de votre boîte à outils de data science. Le chapitre utilise également la régression de Poisson pour introduire les modèles linéaires généralisés.

Limites des modèles linéaires

Hypothèses des modèles linéaires

Rappel : ajuster des modèles linéaires

Régression de Poisson

Ajuster une régression de Poisson dans R

Comparer la régression linéaire et la régression de Poisson

Comparaison des intercepts et des moyennes

Fonctions lm() de base avec glm()

Utiliser summary(), print() et tidy() avec glm

Extraire les 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 Résultat du modèle.

Aperçu de la régression logistique

Ajuster une régression logistique

Examiner et interpréter les résultats d’une régression logistique

Distribution de Bernoulli et distribution binomiale

Bernoulli versus binomiale

Simuler des données binaires

Régression logistique avec données au format long

Régression logistique avec données au format large

Comparer les sorties d’une régression logistique

Fonctions de lien : Probit comparé au logit

Probit versus 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

Visualiser une régression de Poisson

Visualisation d’une régression de Poisson

Comprendre les résultats d’une régression logistique

Comprendre les rapports de cotes (odds ratios)

Extraire et interpréter des odds-ratios

Rapports de cotes et intervalles de confiance dans le Tidyverse

ggplot2 et régression binomiale

Courbes de tendance par défaut

Méthodes pour les lignes de tendance

Comparer probits et logits

Interpréter et visualiser les GLM

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

Régression logistique multiple

Ajuster une régression logistique multiple

Construire deux modèles

Comparer les sorties de régression

Comparer l’ordre des variables

Les formules en R

Pentes multiples

Intercepts

Interceptions 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 gérer certains types de données complexes. Un modèle linéaire généralisé (GLM) étend la régression linéaire pour inclure des distributions non normales, notamment les données binomiales et de comptage. Tout au long de ce cours, vous enrichirez votre boîte à outils de data science avec les GLM en R. Dans le cadre de l’apprentissage des GLM, vous verrez comment ajuster un modèle sur des données binomiales avec une régression logistique et sur des données de comptage avec une régression de Poisson. Vous apprendrez également à interpréter ces résultats et à les représenter avec ggplot2.

Intermediate Regression in R

Apprenez à ajuster des données binomiales avec la régression logistique et à tracer les résultats avec ggplot2.

Modèles Linéaires Généralisés (GLM) en R

Le cours sur le modèle linéaire généralisé élargit votre boîte à outils de régression pour inclure la régression logistique et la régression de Poisson.

Hypothèses des modèles linéaires

Modèles Linéaires Généralisés (GLM) en R

Exercice interactif pratique