Ten rozdział pokazuje, w jaki sposób uogólnione modele liniowe rozszerzają inne narzędzia dostępne w twoim warsztacie data science. Rozdział wprowadza GLM na przykładzie regresji Poissona.

Ograniczenia modeli liniowych

Założenia modeli liniowych

Przypomnienie dopasowywania modeli liniowych

Regresja Poissona

Dopasowywanie regresji Poissona w R

Porównanie regresji liniowej i Poissona

Wyrazy wolne – porównania versus średnie

Podstawowe funkcje lm() w glm()

Stosowanie summary(), print() i tidy() do glm

Wyodrębnianie współczynników z glm()

Prognozowanie z użyciem glm()

GLM – rozszerzenie narzędzi regresji

Ten rozdział omawia dopasowywanie modelu regresji logistycznej oraz analizę wyników modelu.

Przegląd regresji logistycznej

Dopasowywanie regresji logistycznej

Analiza i interpretacja wyników regresji logistycznej

Rozkład Bernoulliego a rozkład dwumianowy

Symulowanie danych binarnych

Regresja logistyczna – dane w formacie długim

Regresja logistyczna – dane w formacie szerokim

Porównywanie wyników regresji logistycznej

Funkcje łączące – probit a logit

Probit a logit

Dopasowywanie modeli probit i logit

Symulowanie rozkładu logitowego

Symulowanie probitu

Regresja logistyczna

Ten rozdział uczy, jak interpretować współczynniki GLM i wizualizować modele przy użyciu ggplot2.

Współczynniki regresji Poissona

Funkcja łącząca Poissona

Współczynniki lm vs. Poisson

Wykres regresji Poissona

Wizualizacja regresji Poissona

Interpretacja wyników regresji logistycznej

Rozumienie ilorazów szans

Wyodrębnianie i interpretacja ilorazów szans

Ilorazy szans i przedziały ufności w Tidyverse

ggplot2 i regresja dwumianowa

Domyślne linie trendu

Metody dla linii trendu

Porównanie probitów i logitów

Interpretacja i wizualizacja GLM

W tym rozdziale nauczysz się stosować regresję wielokrotną z użyciem GLM w R.

Wielokrotna regresja logistyczna

Dopasowywanie wielokrotnej regresji logistycznej

Budowanie dwóch modeli

Porównywanie wyników regresji

Porównywanie kolejności zmiennych

Formuły w R

Wiele nachyleń

Wyrazy wolne

Wiele wyrazów wolnych

Założenia wielokrotnej regresji logistycznej

Paradoks Simpsona

Nieliniowa regresja logistyczna

Podsumowanie

Regresja wielokrotna z GLM

Bus Commuter dataset

Regresja liniowa to podstawowe narzędzie statystyki, jednak nie radzi sobie z niektórymi typami złożonych danych. Uogólniony model liniowy (GLM) rozszerza regresję liniową o rozkłady inne niż normalny, w tym rozkład dwumianowy i dane zliczeniowe. W trakcie kursu wzbogacisz swój warsztat data science o GLM w R. Nauczysz się dopasowywać modele do danych dwumianowych za pomocą regresji logistycznej oraz do danych zliczeniowych za pomocą regresji Poissona. Dowiesz się również, jak interpretować wyniki tych modeli i wizualizować je przy użyciu ggplot2.

Intermediate Regression in R

Naucz się dopasowywać dane binominalne za pomocą regresji logistycznej i dane Poissona z ggplot2.

Uogólnione modele liniowe w R

Kurs Generalized Linear Model rozszerza zestaw narzędzi regresji o regresję logistyczną i Poissona.

Założenia modeli liniowych

Uogólnione modele liniowe w R

Interaktywne ćwiczenie praktyczne