Modellazione con i dati nel Tidyverse

Forte della comprensione del quadro generale della modellazione, in questo capitolo tratteremo la regressione lineare di base, in cui terreai le cose semplici e modellerai la variabile di outcome y come funzione di una singola variabile esplicativa/predittiva x. Useremo sia variabili x numeriche sia categoriali. La variabile di outcome di interesse in questo capitolo saranno i punteggi di valutazione dell'insegnamento dei docenti dell'Università del Texas, Austin.

Nel capitolo precedente hai visto la regressione di base usando un singolo predittore numerico o categoriale. Ma perché limitarsi a una sola variabile per guidare spiegazioni/previsioni? Ora estenderai la regressione di base alla regressione multipla, che consente di includere più di una variabile esplicativa o predittiva nei tuoi modelli. Modellerai i prezzi delle case usando un insieme di dati di abitazioni dell'area metropolitana di Seattle, WA.

Nei capitoli precedenti hai adattato vari modelli per spiegare o prevedere una variabile di outcome di interesse. Tuttavia, come facciamo a sapere quali modelli scegliere? Le misure di valutazione del modello ti permettono di verificare quanto bene un modello esplicativo "si adatta" a un insieme di dati o quanto è accurato un modello predittivo. In base a queste misure, conoscerai i criteri per determinare quali modelli sono i "migliori".