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.

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.

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

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

Confrontare i risultati della regressione

Generalized Linear Models in R

Esercizio pratico interattivo