Saltar al contenido principal

GLM en R: Modelo lineal generalizado

Conozca los modelos lineales generalizados (MLG) y en qué se diferencian de los modelos lineales.
3 may 2024  · 2 min de lectura

El modelo lineal generalizado (MLG) es una generalización de la regresión lineal ordinaria que permite variables de respuesta que tienen modelos de distribución de errores distintos de una distribución normal, como la distribución de Gauss.

Conceptos básicos del MLG

Los GLM se ajustan con la función glm(). Al igual que los modelos lineales (lm()s), glm()s tiene fórmulas y datos como entradas, pero también tiene una entrada familiar.

Sintaxis del modelo lineal generalizado

Sintaxis del modelo lineal generalizado

La familia gaussiana es la forma en que R se refiere a la distribución normal y es la predeterminada para un glm().

Similitud con los modelos lineales

Si la familia es gaussiana, un MLG es lo mismo que un ML.

Similitud con los modelos lineales

Errores o distribuciones no normales

Los modelos lineales generalizados pueden tener errores o distribuciones no normales. Sin embargo, existen limitaciones a las posibles distribuciones. Por ejemplo, puede utilizar la familia Poisson para datos de recuento, o puede utilizar la familia binomial para datos binomiales.

Funciones de enlace no lineales

Los GLM también tienen una función de enlace no lineal, que vincula los coeficientes de regresión a la distribución y permite generalizar el modelo lineal.

Ejemplo interactivo de predicción con glm()

Este ejemplo predice el número esperado de víctimas civiles diarias de incendios en los meses de verano norteamericanos de junio, julio y agosto utilizando la regresión de Poisson y el conjunto de datos newDat.

Estos son los datos del conjunto de datos newDat:

  Month   
1     6
2     7
3     8 

Las estimaciones de la pendiente y el intercepto de Poisson están en la escala logarítmica natural y pueden exponenciarse para facilitar su comprensión. Puede hacerlo especificando type = "response" con la función predecir.

# use the model to predict with new data
predOut <- predict(object = poissonOut, newdata = newDat, type = "response")

# print the predictions
print(predOut)

Cuando ejecutamos el código anterior, se obtiene el siguiente resultado:

         1          2          3
0.08611111 0.12365591 0.07795699 

Pruébalo tú mismo.

Para obtener más información sobre los modelos lineales generalizados en R, consulte este vídeo de nuestro curso, Modelos lineales generalizados en R.

Este contenido ha sido extraído del curso de DataCamp Generalized Linear Models in R por Richard Erickson.

Consulte nuestro tutorial sobre regresión logística en R.

Temas

Cursos R

curso

Introduction to R

4 hr
2.8M
Master the basics of data analysis in R, including vectors, lists, and data frames, and practice R with real data sets.
Ver detallesRight Arrow
Comienza El Curso
Ver másRight Arrow
Relacionado

blog

¿Qué es R? Introducción a la potencia del cálculo estadístico

Aprende todo lo que necesitas saber sobre el lenguaje de programación R y descubre por qué es el lenguaje más utilizado en ciencia de datos.
Summer Worsley's photo

Summer Worsley

18 min

tutorial

Regresión logística en R Tutorial

Descubra todo sobre la regresión logística: en qué se diferencia de la regresión lineal, cómo ajustar y evaluar estos modelos en R con la función glm() y mucho más.
Vidhi Chugh's photo

Vidhi Chugh

14 min

tutorial

Regresión lineal múltiple en R: tutorial con ejemplos

Una visión completa para entender las regresiones lineales múltiples en R a través de ejemplos.
Zoumana Keita 's photo

Zoumana Keita

12 min

tutorial

Tutorial de regresión lineal en R

En este tutorial aprenderás los fundamentos de un modelo estadístico muy popular: la regresión lineal.

Eladio Montero Porras

15 min

tutorial

Tutorial de ecuación normal para regresión lineal

Aprende qué es la ecuación normal y cómo puedes utilizarla para construir modelos de machine learning.
Kurtis Pykes 's photo

Kurtis Pykes

8 min

tutorial

Árboles de decisión en aprendizaje automático con R

Una guía completa para construir, visualizar e interpretar modelos de árboles de decisión con R.
Arunn Thevapalan's photo

Arunn Thevapalan

27 min

See MoreSee More