In dit hoofdstuk leer je hoe generalized linear models een uitbreiding vormen op andere modellen in je data science-gereedschapskist. Het hoofdstuk gebruikt ook Poisson-regressie om generalized linear models te introduceren.

Beperkingen van lineaire modellen

Aannames van lineaire modellen

Opfrissing: lineaire modellen fitten

Poisson-regressie

Een Poisson-regressie fitten in R

Lineaire regressie en Poisson-regressie vergelijken

Intercepten: vergelijkingen versus gemiddelden

Basisfuncties van lm() met glm()

summary(), print() en tidy() toepassen op glm

Coefficiënten uit glm() halen

Voorspellen met glm()

GLM’s: een uitbreiding van je regressie-gereedschapskist

Dit hoofdstuk gaat over het uitvoeren van een logistische regressie en het bekijken van de modelresultaten.

Overzicht van logistische regressie

Een logistische regressie fitten

De resultaten van een logistische regressie bekijken en interpreteren

Bernoulli versus binomiale verdeling

Bernoulli versus binomiaal

Binaire data simuleren

Input voor logistische regressie in long-formaat

Logistische regressie met wide-form input

Logistische regressie-uitvoer vergelijken

Koppelingsfuncties - Probit vergeleken met logit

Probit versus logit

Probits en logits fitten

Een logit simuleren

Een probit simuleren

Logistische regressie

In dit hoofdstuk leer je GLM-coëfficiënten te interpreteren en GLM’s te plotten met ggplot2.

Poisson-regressiecoëfficiënten

Poisson-koppeling

lm- versus Poisson-coëfficiënten

Poisson-regressie plotten

Uitvoer van logistische regressie begrijpen

Kansverhoudingen begrijpen

Oddsratio’s extraheren en interpreteren

Odds-ratio’s & betrouwbaarheidsintervallen in de Tidyverse

ggplot2 en binomiale regressie

Standaard trendlijnen

Methoden voor trendlijnen

Probits en logits vergelijken

GLM’s interpreteren en visualiseren

In dit hoofdstuk leer je hoe je meervoudige regressie met GLM’s in R uitvoert.

Meervoudige logistische regressie

Een meervoudige logistische regressie fitten

Twee modellen bouwen

Regressieresultaten vergelijken

De volgorde van variabelen vergelijken

Formules in R

Meerdere hellingen

Intercepten

Meerdere intercepts

Aannames van meervoudige logistische regressie

Paradox van Simpson

Niet-lineaire logistische regressie

Conclusie

Meervoudige regressie met GLM’s

Bus Commuter dataset

Lineaire regressie is een werkpaard binnen de statistiek, maar kan sommige soorten complexe data niet aan. Een generalized linear model (GLM) breidt lineaire regressie uit met niet-normale verdelingen, waaronder binomiale en teldata. In deze cursus breid je je data science-gereedschapskist uit met GLM’s in R. Je leert binomiale data te modelleren met logistische regressie en teldata met Poisson-regressie. Ook leer je hoe je deze resultaten interpreteert en visualiseert met ggplot2.

Intermediate Regression in R

Leer binomiale data te modelleren met logistische regressie en teldata met Poisson-regressie.

Generalized Linear Models in R

De cursus Generalized Linear Model breidt je regressietoolbox uit met logistische en Poisson-regressie.

Probit versus logit

Generalized Linear Models in R

Interactieve oefening met praktijkervaring