本章将讲解广义线性模型如何作为您数据科学工具箱中其他模型的扩展。章节还将通过 Poisson 回归引出广义线性模型。

线性模型的局限性

线性模型的假设

线性模型拟合复习

泊松回归

在 R 中拟合 Poisson 回归

比较线性回归与 Poisson 回归

截距：差异对比与均值

在 glm() 中使用基础 lm() 函数

在 glm 中应用 summary()、print() 和 tidy()

从 glm() 提取系数

使用 glm() 进行预测

GLM：扩展您的回归工具箱

本章将介绍如何运行逻辑回归并检查模型输出。

逻辑回归概览

拟合一个 logistic 回归

检查与解读逻辑回归输出

Bernoulli 与二项分布

伯努利与二项分布

模拟二元数据

长格式的逻辑回归输入

宽格式输入的逻辑回归

比较逻辑回归的输出

链接函数——Probit 与 Logit 的对比

Probit 与 Logit

拟合 probit 与 logit

模拟一个 logit

模拟一个 probit

逻辑回归

本章将讲解如何解读 GLM 系数，并使用 ggplot2 对 GLM 进行绘图。

Poisson 回归系数

Poisson 链接函数

lm 与 Poisson 系数对比

绘制 Poisson 回归图

Poisson 回归绘图

理解逻辑回归的输出

理解胜算比（odds ratio）

提取并解释优势比

Tidyverse 中的优势比与置信区间

ggplot2 与二项回归

默认趋势线

趋势线的方法

比较 probit 与 logit

GLM 的解读与可视化

本章将带您学习如何在 R 中使用 GLM 进行多元回归。

多元逻辑回归

拟合多元逻辑回归

构建两个模型

比较回归输出

比较变量顺序

R 中的公式

多重斜率

截距（Intercepts）

多个截距

多元逻辑回归的假设

辛普森悖论

非线性逻辑回归

总结

GLM 的多元回归

Bus Commuter dataset

线性回归是统计学中的常用工具，但无法处理某些复杂数据。广义线性模型（GLM）在此基础上扩展，能适用于包括二项分布和计数数据在内的非正态分布。在本课程中，您将把 R 中的 GLM 纳入您的数据科学工具箱。作为学习 GLM 的一部分，您将学习如何使用逻辑回归拟合二项数据，以及使用 Poisson 回归拟合计数数据。您还将学习如何理解这些结果，并使用 ggplot2 进行可视化。

Intermediate Regression in R

学习用逻辑回归拟合二项数据，用泊松回归拟合计数数据，并用ggplot2理解和绘制结果。

R 中的广义线性模型

广义线性模型课程扩展你的回归工具箱，加入逻辑回归和泊松回归。

构建两个模型

R 中的广义线性模型

练习说明

交互式实操练习