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.

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

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 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

Adattare una regressione logistica

Generalized Linear Models in R

Istruzioni dell'esercizio

Esercizio pratico interattivo