Weiter zum Inhalt

Kurs

Generalisierte lineare Modelle in R

MittelSchwierigkeitsgrad

Aktualisiert 08/2024

In diesem Kurs erweitern wir deinen Data-Science-Werkzeugkasten um logistische und Poisson-Regression.

Kurs kostenlos starten

RProbability & Statistics

4 Std.

14 Videos

51 Übungen

4,050 XP

21,716

Leistungsnachweis

Beliebt bei Lernenden in Tausenden Unternehmen

Ein Team schulen?

Für Unternehmen ausprobieren

Kursbeschreibung

Lineare Regression ist ein Arbeitspferd der Statistik, kommt aber bei manchen komplexen Datentypen an Grenzen. Ein generalisiertes lineares Modell (GLM) erweitert die lineare Regression um nicht-normalverteilte Daten, etwa binomiale und Zähldaten. In diesem Kurs erweiterst du deinen Data-Science-Werkzeugkasten um GLMs in R. Dabei lernst du, wie du binomiale Daten mit logistischer Regression und Zähldaten mit Poisson-Regression modellierst. Außerdem erfährst du, wie du diese Ergebnisse interpretierst und mit ggplot2 visualisierst.

Voraussetzungen

Intermediate Regression in R

1

GLMs, an extension of your regression toolbox

This chapter teaches you how generalized linear models are an extension of other models in your data science toolbox. The chapter also uses Poisson regression to introduce generalize linear models.

Limitations of linear models

Assumptions of linear models

Refresher on fitting linear models

Poisson regression

Fitting a Poisson regression in R

Comparing linear and Poisson regression

Intercepts-comparisons versus means

Basic lm() functions with glm()

Applying summary(), print(), and tidy() to glm

Extracting coefficients from glm()

Predicting with glm()

Kapitel starten

2

Logistic Regression

This chapter covers running a logistic regression and examining the model outputs.

Overview of logistic regression

Fitting a logistic regression

Examining & interpreting logistic regression outputs

Bernoulli versus binomial distribution

Bernoulli versus binomial

Simulating binary data

Long-form logistic regression input

Wide-form input logistic regression

Comparing logistic regression outputs

Link functions-Probit compared to logit

Probit versus logit

Fitting probits and logits

Simulating a logit

Simulating a probit

Kapitel starten

3

Interpreting and visualizing GLMs

This chapter teaches you about interpreting GLM coefficients and plotting GLMs using ggplot2.

Poisson regression coefficients

Poisson link

lm vs. Poisson coefficients

Plotting Poisson regression

Poisson regression plotting

Understanding output from logistic regression

Understanding odds ratios

Extracting and interpreting odds-ratios

Odds-ratios & confidence intervals in the Tidyverse

ggplot2 and binomial regression

Default trend lines

Methods for trend lines

Comparing probits and logits

Kapitel starten

4

Multiple regression with GLMs

In this chapter, you will learn how to do multiple regression with GLMs in R.

Multiple logistic regression

Fitting a multiple logistic regression

Building two models

Comparing regression outputs

Comparing variable order

Formulas in R

Multiple slopes

Multiple intercepts

Assumptions of multiple logistic regression

Simpson's paradox

Non-linear logistic regression

Kapitel starten

Generalisierte lineare Modelle in R

Kurs
abgeschlossen

Leistungsnachweis verdienen

Füge diesen Fähigkeitsnachweis zu deinem LinkedIn-Profil, Anschreiben oder Lebenslauf hinzu
Teile es auf Social Media und in deiner LeistungsbeurteilungJetzt anmelden

Schließe dich 19 Millionen Lernenden an und starte Generalisierte lineare Modelle in R heute!

DataCamp gibt es auch für Mobilgeräte

Mit unseren Kursen für Mobilgeräte und täglichen Programmier-Challenges erweiterst du deine Datenkompetenz von unterwegs.