Ga naar hoofdinhoud

Cursus

Generalized Linear Models in R

GemiddeldVaardigheidsniveau

Bijgewerkt 08-2024

De cursus Generalized Linear Model breidt je regressietoolbox uit met logistische en Poisson-regressie.

Start Cursus Kosteloos

RProbability & Statistics

4 u

14 videos

51 Opdrachten

4,050 XP

21,721

Bewijs van Prestatie

Geliefd bij leerlingen van duizenden bedrijven

Een team trainen?

Probeer voor bedrijven

Cursusbeschrijving

Lineaire regressie is een werkpaard binnen de statistiek, maar kan sommige soorten complexe data niet aan. Een generalized linear model (GLM) breidt lineaire regressie uit met niet-normale verdelingen, waaronder binomiale en teldata. In deze cursus breid je je data science-gereedschapskist uit met GLM’s in R. Je leert binomiale data te modelleren met logistische regressie en teldata met Poisson-regressie. Ook leer je hoe je deze resultaten interpreteert en visualiseert met ggplot2.

Vereisten

Intermediate Regression in R

1

GLM’s: een uitbreiding van je regressie-gereedschapskist

In dit hoofdstuk leer je hoe generalized linear models een uitbreiding vormen op andere modellen in je data science-gereedschapskist. Het hoofdstuk gebruikt ook Poisson-regressie om generalized linear models te introduceren.

Beperkingen van lineaire modellen

Aannames van lineaire modellen

Opfrissing: lineaire modellen fitten

Poisson-regressie

Een Poisson-regressie fitten in R

Lineaire regressie en Poisson-regressie vergelijken

Intercepten: vergelijkingen versus gemiddelden

Basisfuncties van lm() met glm()

summary(), print() en tidy() toepassen op glm

Coefficiënten uit glm() halen

Voorspellen met glm()

Hoofdstuk beginnen

2

Logistische regressie

Dit hoofdstuk gaat over het uitvoeren van een logistische regressie en het bekijken van de modelresultaten.

Overzicht van logistische regressie

Een logistische regressie fitten

De resultaten van een logistische regressie bekijken en interpreteren

Bernoulli versus binomiale verdeling

Bernoulli versus binomiaal

Binaire data simuleren

Input voor logistische regressie in long-formaat

Logistische regressie met wide-form input

Logistische regressie-uitvoer vergelijken

Koppelingsfuncties - Probit vergeleken met logit

Probit versus logit

Probits en logits fitten

Een logit simuleren

Een probit simuleren

Hoofdstuk beginnen

3

GLM’s interpreteren en visualiseren

In dit hoofdstuk leer je GLM-coëfficiënten te interpreteren en GLM’s te plotten met ggplot2.

Poisson-regressiecoëfficiënten

Poisson-koppeling

lm- versus Poisson-coëfficiënten

Poisson-regressie plotten

Poisson-regressie plotten

Uitvoer van logistische regressie begrijpen

Kansverhoudingen begrijpen

Oddsratio’s extraheren en interpreteren

Odds-ratio’s & betrouwbaarheidsintervallen in de Tidyverse

ggplot2 en binomiale regressie

Standaard trendlijnen

Methoden voor trendlijnen

Probits en logits vergelijken

Hoofdstuk beginnen

4

Meervoudige regressie met GLM’s

In dit hoofdstuk leer je hoe je meervoudige regressie met GLM’s in R uitvoert.

Meervoudige logistische regressie

Een meervoudige logistische regressie fitten

Twee modellen bouwen

Regressieresultaten vergelijken

De volgorde van variabelen vergelijken

Formules in R

Meerdere hellingen

Intercepten

Meerdere intercepts

Aannames van meervoudige logistische regressie

Paradox van Simpson

Niet-lineaire logistische regressie

Hoofdstuk beginnen

Generalized Linear Models in R

Cursus
voltooid

Verdien een prestatieverklaring

Voeg deze referentie toe aan je LinkedIn-profiel, cv of curriculum vitae
Deel het op sociale media en in je functioneringsgesprekSchrijf je nu in

Sluit je aan bij meer dan 19 miljoen leerlingen en start vandaag nog met Generalized Linear Models in R!

Ontwikkel je datavaardigheden met DataCamp voor Mobiel

Maak vooruitgang onderweg met onze mobiele cursussen en dagelijkse 5-minuten programmeeruitdagingen.