A review of frequentist regression using lm(), an introduction to Bayesian regression using stan_glm(), and a comparison of the respective outputs.

Non-Bayesian Linear Regression

Exploring the data

Fitting a frequentist linear regression

Bayesian Linear Regression

Fitting a Bayesian linear regression

Convergence criteria

Assessing model convergence

Comparing frequentist and Bayesian methods

Difference between frequentists and Bayesians

Creating credible intervals

Introduction to Bayesian Linear Models

Learn how to modify your Bayesian model including changing the number and length of chains, changing prior distributions, and adding predictors.

What's in a Bayesian Model?

Altering chains

Do I have enough iterations?

Prior distributions

Determine Prior Distributions

Calculate Adjusted Scales

Unadjusted Priors

User Specified Priors

Changing Priors

Specifying informative priors

Consequences of informative priors

Altering the estimation process

Altering the Estimation

Modifying a Bayesian Model

In this chapter, we'll learn how to determine if our estimated model fits our data and how to compare competing models.

De R-kwadraatstatistiek gebruiken

Frequentistische R-kwadraat berekenen

R-kwadraat voor een Bayesiaans model

Posterior predictieve modelcontroles

Voorspelde scoreverdelingen

Verdelingen voor één observatie

Model fit met posterior predictieve modelchecks

Posterior van R-squared

Posterior predictive-toetsing

Bayesiaanse modelvergelijkingen

De LOO-schatting berekenen

Modellen vergelijken

Assessing Model Fit

In this chapter, we'll learn how to use the estimated model to create visualizations of your model and make predictions for new data.

Visualizing a Bayesian model

Plotting a Bayesian model

Plotting Model Uncertainty

Making predictions

Popularity for Observed Songs

Popularity for New Songs

Visualizing predictions

Format prediction posteriors

Visualize New Predictions

Conclusion

Presenting and Using a Bayesian Regression

Spotify dataset

Bayesiaanse schatting biedt een flexibel alternatief voor modelleertechnieken waarbij inferenties afhangen van p-waarden. In deze cursus leer je lineaire regressiemodellen schatten met Bayesiaanse methoden en het rstanarm-pakket. Je maakt kennis met priorverdelingen, posterior predictieve modelchecks en modelvergelijkingen binnen het Bayesiaanse kader. Ook leer je hoe je je geschatte model gebruikt om voorspellingen te doen voor nieuwe data.

Bayesian Modeling with RJAGS

Introduction to Data Visualization with ggplot2

Intermediate Regression in R

Leer Bayesiaanse schattingsmethoden te gebruiken voor betere inferenties over lineaire regressiemodellen.

Bayesiaanse regressiemodellering met rstanarm

Leer hoe je Bayesiaanse schattingsmethoden kunt gebruiken om betere conclusies te trekken over lineaire regressiemodellen.

Wetenschapper op het gebied van machine learning in R

Verdelingen voor één observatie

Bayesiaanse regressiemodellering met rstanarm

Interactieve oefening met praktijkervaring