This chapter teaches you how generalized linear models are an extension of other models in your data science toolbox. The chapter also uses Poisson regression to introduce generalize linear models.

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()

GLMs, an extension of your regression toolbox

This chapter covers running a logistic regression and examining the model outputs.

Overview of logistic regression

Fitting a logistic regression

Examining & interpreting logistic regression outputs

Bernoulli versus binomial distribution

Bernoulli versus binomial

Simulating binary data

Long-form logistic regression input

Wide-form input logistic regression

Comparing logistic regression outputs

Link functions-Probit compared to logit

Probit versus logit

Fitting probits and logits

Simulating a logit

Simulating a probit

Logistic Regression

This chapter teaches you about interpreting GLM coefficients  and plotting GLMs using ggplot2.

Poisson regression coefficients

Poisson link

lm vs. Poisson coefficients

Plotting Poisson regression

Poisson regression plotting

Understanding output from logistic regression

Understanding odds ratios

Extracting and interpreting odds-ratios

Odds-ratios & confidence intervals in the Tidyverse

ggplot2 and binomial regression

Default trend lines

Methods for trend lines

Comparing probits and logits

Interpreting and visualizing GLMs 

In this chapter, you will learn how to do multiple regression with GLMs in R.

Multiple logistic regression

Fitting a multiple logistic regression

Building two models

Comparing regression outputs

Comparing variable order

Formulas in R

Multiple slopes

Intercepts

Multiple intercepts

Assumptions of multiple logistic regression

Simpson's paradox

Non-linear logistic regression

Conclusion

Multiple regression with GLMs

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

Exercice interactif pratique