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.

Limitations of linear models

Assumptions of linear models

Refresher on fitting linear models

Poisson regression

Fitting a Poisson regression in R

Comparing linear and Poisson regression

Intercepts-comparisons versus means

Basic lm() functions with glm()

Applying summary(), print(), and tidy() to glm

Extracting coefficients from glm()

Predicting with 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.

Coefficienti della regressione di Poisson

Link di Poisson

Confronto tra coefficienti lm e Poisson

Rappresentare una regressione di Poisson

Visualizzazione della regressione di Poisson

Comprendere l'output della regressione logistica

Capire gli odds ratio

Estrarre e interpretare gli odds ratio

Odds ratio e intervalli di confidenza nel Tidyverse

ggplot2 e regressione binomiale

Linee di tendenza predefinite

Metodi per le linee di tendenza

Confrontare probit e logit

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 regressione lineare è il cavallo di battaglia della statistica, ma non riesce a gestire alcuni tipi di dati complessi. Un modello lineare generalizzato (GLM) estende la regressione lineare per includere distribuzioni non normali, come i dati binomiali e i conteggi. In questo corso amplierai la tua cassetta degli attrezzi per la data science includendo i GLM in R. Nell’ambito dei GLM, imparerai a adattare un modello ai dati binomiali con la regressione logistica e ai dati di conteggio con la regressione di Poisson. Imparerai anche a interpretare questi risultati e a tracciarli con ggplot2.

Intermediate Regression in R

Impara a adattare dati binomiali con regressione logistica e dati di conteggio con regressione di Poisson.

Generalized Linear Models in R

Confronto tra coefficienti lm e Poisson

Generalized Linear Models in R

Esercizio pratico interattivo