Questo capitolo ti mostra come i modelli lineari generalizzati estendono altri modelli nella tua cassetta degli attrezzi per la data science. Il capitolo utilizza anche la regressione di Poisson per introdurre i modelli lineari generalizzati.

Limiti dei modelli lineari

Assunzioni dei modelli lineari

Ripasso sul fitting di modelli lineari

Regressione di Poisson

Adattare una regressione di Poisson in R

Confrontare regressione lineare e di Poisson

Intercette: confronti vs medie

Funzioni base di lm() con glm()

Applicare summary(), print() e tidy() a glm

Estrarre i coefficienti da glm()

Prevedere con glm()

I GLM, un’estensione della tua cassetta degli attrezzi per la regressione

Questo capitolo spiega come eseguire una regressione logistica ed esaminare i risultati del modello.

Panoramica della regressione logistica

Adattare una regressione logistica

Esaminare e interpretare i risultati della regressione logistica

Distribuzione di Bernoulli versus distribuzione binomiale

Bernoulli contro binomiale

Simulare dati binari

Input per la regressione logistica in formato long

Regressione logistica con input in formato wide

Confrontare i risultati della regressione logistica

Funzioni di link - Probit rispetto a logit

Probit contro logit

Adattare probit e logit

Simulare un logit

Simulare un probit

Regressione logistica

Questo capitolo ti insegna a interpretare i coefficienti dei GLM e a tracciare i GLM con 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

Interpretare e visualizzare i GLM

In questo capitolo imparerai a eseguire una regressione multipla con i GLM in R.

Regressione logistica multipla

Adattare una regressione logistica multipla

Costruire due modelli

Confrontare i risultati della regressione

Confrontare l'ordine delle variabili

Formule in R

Pendenze multiple

Intercette

Intercette multiple

Assunzioni della regressione logistica multipla

Paradosso di Simpson

Regressione logistica non lineare

Conclusione

Regressione multipla con i GLM

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

Probit contro logit

Generalized Linear Models in R

esercizio interattivo pratico