Det här kapitlet visar hur generaliserade linjära modeller är en utvidgning av andra modeller i din data science-verktygslåda. Kapitlet använder Poissonregression för att introducera generaliserade linjära modeller.

Begränsningar hos linjära modeller

Antaganden för linjära modeller

Repetition: anpassa linjära modeller

Poissonregression

Anpassa en Poisson-regression i R

Jämföra linjär regression och Poissonregression

Intercept-jämförelser kontra medelvärden

Grundläggande lm()-funktioner med glm()

Använda summary(), print() och tidy() på glm

Extrahera koefficienter från glm()

Prediktera med glm()

GLM:er – en utvidgning av din regressionsverktygslåda

Det här kapitlet handlar om att köra en logistisk regression och granska modellens utdata.

Översikt över logistisk regression

Anpassa en logistisk regression

Granska och tolka utdata från logistisk regression

Bernoulli- kontra binomialfördelning

Bernoulli kontra binomial

Simulera binära data

Logistisk regression med långformat som indata

Logistisk regression med data i wide-format

Jämföra utdata från logistisk regression

Länkfunktioner – probit jämfört med logit

Probit kontra logit

Anpassa probit- och logitmodeller

Simulera en logit

Simulera en probit

Logistisk regression

Det här kapitlet lär dig att tolka GLM-koefficienter och visualisera GLM:er med ggplot2.

Koefficienter i Poisson-regression

Poisson-länkfunktionen

lm vs. Poisson-koefficienter

Plotta Poisson-regression

Visualisering av Poissonregression

Förstå utdata från logistisk regression

Förstå oddskvoten

Extrahera och tolka oddskvoter

Oddskvot & konfidensintervall i Tidyverse

ggplot2 och binomialregression

Standardtrendlinjer

Metoder för trendlinjer

Jämföra probit och logit

Tolkning och visualisering av GLM:er

I det här kapitlet lär du dig att utföra multipel regression med GLM:er i R.

Multipel logistisk regression

Anpassa en multipel logistisk regression

Bygga två modeller

Jämföra regressionsresultat

Jämföra variabelordning

Formler i R

Flera lutningar

Intercept

Flera intercept

Antaganden för multipel logistisk regression

Simpsons paradox

Icke-linjär logistisk regression

Avslutning

Multipel regression med GLM:er

Bus Commuter dataset

Linjär regression är ett grundläggande verktyg inom statistik, men fungerar inte för alla typer av komplexa data. En generaliserad linjär modell (GLM) bygger vidare på linjär regression och hanterar icke-normalfördelade data, till exempel binomialdata och räknedata. I den här kursen utökar du din verktygslåda inom data science med GLM:er i R. Du lär dig att anpassa modeller för binomialdata med logistisk regression och för räknedata med Poissonregression. Du lär dig också att tolka resultaten och visualisera dem med ggplot2.

Intermediate Regression in R

Lär dig passa binomialdata med logistisk regression och räkna data med Poisson-regression i ggplot2.

Generaliserade linjära modeller i R

Lär dig använda Generalized Linear Model för att bredda din regression med logistisk och Poisson-regression.

Antaganden för linjära modeller

Generaliserade linjära modeller i R

Interaktiv övning med praktiskt arbete