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.

Keterbatasan model linear

Asumsi model linear

Ulangan singkat memasangkan model linear

Regresi Poisson

Menerapkan regresi Poisson di R

Membandingkan regresi linear dan Poisson

Perbandingan intersep versus rataan

Fungsi dasar lm() dengan glm()

Menerapkan summary(), print(), dan tidy() pada glm

Mengekstrak koefisien dari glm()

Memprediksi dengan 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

Regresi linear adalah andalan dalam statistika, tetapi tidak mampu menangani beberapa jenis data yang lebih kompleks. Model linear tergeneralisasi (GLM) memperluas regresi linear untuk mencakup sebaran non-normal termasuk data binomial dan data cacah. Sepanjang kursus ini, Anda akan memperluas perangkat data science Anda untuk mencakup GLM di R. Sebagai bagian dari pembelajaran GLM, Anda akan mempelajari cara menyesuaikan model untuk data binomial dengan regresi logistik dan data cacah dengan regresi Poisson. Anda juga akan belajar cara memahami hasil tersebut dan memvisualisasikannya dengan ggplot2.

Intermediate Regression in R

Pelajari regresi logistik untuk data binomial dan regresi Poisson untuk data hitung, serta plot hasilnya.

Model Linear Tergeneralisasi di R

Mata kuliah Model Linier Umum memperluas kotak alat regresi Anda untuk mencakup regresi logistik dan regresi Poisson.

Asumsi model linear

Model Linear Tergeneralisasi di R

Latihan interaktif praktis