Nach diesen Kursen fühle ich mich sicher, professionelle Visualisierungen und Dashboards zu erstellen.
Shoebur RahmanBeschaffungsspezialist, Giz Bangladesh
Kursbeschreibung
Zuvor hast du die Grundlagen sowohl der statistischen Inferenz als auch der linearen Modelle gelernt; jetzt geht es darum, beides zusammenzuführen. In diesem Kurs denkst du darüber nach, wie unterschiedliche Stichproben zu unterschiedlichen linearen Modellen führen können – mit dem Ziel, das zugrunde liegende Modell in der Grundgesamtheit zu verstehen. Ausgehend vom geschätzten linearen Modell lernst du, Intervallschätzungen für die Effektgröße zu erstellen und festzustellen, ob der Effekt signifikant ist. Prognoseintervalle für die Zielvariable werden den Schätzungen der durchschnittlichen Antwort gegenübergestellt. Im gesamten Kurs übst du weiter mit den Paketen dplyr und ggplot2 und lernst das Paket broom kennen, mit dem sich Modelle aufräumen lassen; alle drei Pakete sind in der Data Science unverzichtbar.
Voraussetzungen
Lernprogramm
Kursübersicht
1
Schlussfolgernde Ideen
In diesem ersten Kapitel verstehst du, wie und warum du an einem Regressionsmodell eine schlussfolgernde (statt nur beschreibende) Analyse durchführst.
- Streuung in Regressionsgeraden50 XP
- Regressionsausgabe: Beispiel I100 XP
- Erste Zufallsstichprobe, zweite Zufallsstichprobe100 XP
- Linien überlagern100 XP
- Forschungsfrage50 XP
- Regressionshypothese50 XP
- Variabilität von Koeffizienten50 XP
- Ursprüngliche Grundgesamtheit – Stichprobengröße ändern100 XP
- Hypothetische Grundgesamtheit – weniger Streuung um die Linie100 XP
- Hypothetische Grundgesamtheit – geringere Variabilität in x-Richtung100 XP
- Was verändert die Variabilität der Koeffizienten?50 XP
2
Simulationsbasierte Inferenz für den Steigungsparameter
In diesem Kapitel lernst du die Idee der Stichprobenverteilung mithilfe von Simulationsmethoden für Regressionsmodelle kennen.
3
t-basierte Inferenz für den Steigungsparameter
In diesem Kapitel lernst du, wie du die t-Verteilung nutzt, um Inferenz in linearen Regressionsmodellen durchzuführen. Außerdem erfährst du, wie du Prognoseintervalle für die Zielvariable erstellst.
4
Technische Voraussetzungen in der linearen Regression
Außerdem betrachtest du die technischen Voraussetzungen, die wichtig sind, wenn lineare Modelle verwendet werden, um Aussagen über eine größere Grundgesamtheit zu treffen.
5
Aufbauend auf Inferenz in der einfachen linearen Regression
Dieses Kapitel behandelt Themen, die auf den Grundideen der Inferenz in linearen Modellen aufbauen, darunter Multikollinearität und Inferenz für multiple Regressionsmodelle.
R
Schlussfolgern bei der linearen Regression in R
Kurs
abgeschlossen
