この章では、Generalized Linear Model がデータサイエンスの他のモデルを拡張するものであることを学びます。また、ポアソン回帰を用いて GLM の考え方を紹介します。

線形モデルの限界

線形モデルの仮定

線形モデルの復習

ポアソン回帰

Rでポアソン回帰を当てはめる

線形回帰とポアソン回帰を比較する

切片：比較（差）と平均の違い

glm() で使う基本的な lm() 関数

glm への summary(), print(), tidy() の適用

glm() から係数を抽出する

glm() で予測する

回帰ツールボックスを広げる GLM

この章では、ロジスティック回帰の実行方法と、モデルの出力の確認方法を扱います。

ロジスティック回帰の概要

ロジスティック回帰を当てはめる

ロジスティック回帰の出力を確認して解釈する

ベルヌーイ分布と二項分布の違い

ベルヌーイ分布 vs 二項分布

二値データのシミュレーション

ロング形式でのロジスティック回帰入力

ワイド形式入力でのロジスティック回帰

ロジスティック回帰の出力を比較する

リンク関数―ロジットと比較するプロビット

プロビット vs ロジット

プロビットとロジットを当てはめる

ロジットのシミュレーション

プロビットのシミュレーション

ロジスティック回帰

この章では、GLM の係数の解釈方法と、ggplot2 を使った GLM のプロット方法を学びます。

ポアソン回帰の係数

ポアソンのリンク関数

lm と Poisson の係数

ポアソン回帰の可視化

ポアソン回帰のプロット

ロジスティック回帰の出力を理解する

オッズ比を理解する

オッズ比の抽出と解釈

Tidyverseでのオッズ比と信頼区間

ggplot2 と二項回帰

デフォルトのトレンドライン

トレンドラインの手法

プロビットとロジットを比較する

GLM の解釈と可視化

この章では、R で GLM を用いた重回帰の実行方法を学びます。

多重ロジスティック回帰

重回帰ロジスティックモデルの当てはめ

2つのモデルを構築する

回帰出力を比較する

変数の順序を比較する

Rにおけるフォーミュラ

複数の傾き

切片

複数の切片

重回帰ロジスティック回帰の仮定

シンプソンのパラドックス

非線形ロジスティック回帰

まとめ

GLM による重回帰

Bus Commuter dataset

線形回帰は統計の強力な道具ですが、ある種の複雑なデータには対応できません。Generalized Linear Model (GLM) は、二項データやカウントデータなどの非正規分布を含められるように、線形回帰を拡張した手法です。本コースを通じて、R で GLM を使いこなすためのデータサイエンスのツールキットを広げていきます。GLM の学習の一環として、二項データに対するロジスティック回帰、カウントデータに対するポアソン回帰のあてはめ方を学びます。さらに、結果の解釈方法と、ggplot2 を使った可視化方法も身につけます。

Intermediate Regression in R

ロジスティック回帰で二項データを、ポアソン回帰でカウントデータを分析し、ggplot2で結果を可視化。

R における Generalized Linear Models

Generalized Linear Modelコースで、回帰の幅を広げ、logistic回帰とPoisson回帰を学びます。

Instructor

リンク関数：プロビットとロジットの比較

リンク関数が必要な理由

プロビットを使う理由

プロビットとは？

プロビットの式

プロビット関数

プロビットとロジットの違いは？

Rでのプロビットのあてはめ

プロビットによるシミュレーション

ロジットによるシミュレーション

プロビットとロジットの使い分け

練習しましょう！

ロジスティック回帰 - リンク関数―ロジットと比較するプロビット

リンク関数―ロジットと比較するプロビット

Create Your Free Account