Este capítulo mostra como os modelos lineares generalizados são uma extensão de outros modelos na sua caixa de ferramentas de data science. O capítulo também usa a regressão de Poisson para introduzir os modelos lineares generalizados.

Limitações dos modelos lineares

Suposições de modelos lineares

Revisão sobre ajuste de modelos lineares

Regressão de Poisson

Ajustando uma regressão de Poisson no R

Comparando regressão linear e de Poisson

Interceptos — comparações versus médias

Funções básicas de lm() com glm()

Aplicando summary(), print() e tidy() a glm

Extraindo coeficientes de glm()

Prevendo com glm()

GLMs, uma extensão da sua caixa de ferramentas de regressão

Este capítulo aborda como executar uma regressão logística e analisar as saídas do modelo.

Visão geral de regressão logística

Ajustando uma regressão logística

Examinando e interpretando as saídas da regressão logística

Distribuição de Bernoulli versus binomial

Bernoulli versus binomial

Simulando dados binários

Entrada de regressão logística em formato longo

Regressão logística com entrada em formato wide

Comparando saídas de regressão logística

Funções de link — Probit comparado ao logit

Probit versus logit

Ajustando probits e logits

Simulando um logit

Simulando um probit

Regressão Logística

Este capítulo ensina a interpretar coeficientes de GLM e a criar gráficos de GLMs usando o ggplot2.

Coeficientes de regressão de Poisson

Vínculo de Poisson

Coeficientes de lm vs. Poisson

Plotando regressão de Poisson

Visualização de regressão de Poisson

Entendendo a saída de uma regressão logística

Entendendo razões de chances

Extraindo e interpretando odds ratios

Odds ratios e intervalos de confiança no Tidyverse

ggplot2 e regressão binomial

Linhas de tendência padrão

Métodos para linhas de tendência

Comparando probits e logits

Interpretando e visualizando GLMs

Neste capítulo, você vai aprender a fazer regressão múltipla com GLMs em R.

Regressão logística múltipla

Ajustando uma regressão logística múltipla

Construindo dois modelos

Comparando resultados de regressão

Comparando a ordem das variáveis

Fórmulas em R

Múltiplas inclinações

Interceptos

Múltiplas interceptações

Suposições da regressão logística múltipla

Paradoxo de Simpson

Regressão logística não linear

Conclusão

Regressão múltipla com GLMs

Bus Commuter dataset

A regressão linear é um verdadeiro coringa da estatística, mas não dá conta de alguns tipos de dados mais complexos. Um modelo linear generalizado (GLM) amplia a regressão linear para incluir distribuições não normais, como dados binomiais e de contagem. Ao longo deste curso, você vai ampliar seu conjunto de ferramentas de data science para incluir GLMs em R. Ao aprender sobre GLMs, você verá como ajustar dados binomiais com regressão logística e dados de contagem com regressão de Poisson. Você também vai aprender a interpretar esses resultados e a visualizá-los com ggplot2.

Intermediate Regression in R

Aprenda a ajustar dados binomiais com regressão logística e dados de contagem com Poisson no ggplot2.

Modelos Lineares Generalizados em R

O curso Modelo Linear Generalizado amplia sua caixa de ferramentas de regressão para incluir regressão logística e de Poisson.

Probit versus logit

Modelos Lineares Generalizados em R

Exercício interativo prático