Przejdź do głównej treści

Strona główna R

Kurs

Wnioskowanie w regresji liniowej w R

ZaawansowanyPoziom umiejętności

Zaktualizowano 12.2021

W tym kursie nauczysz się wykonywać inferencję za pomocą modeli liniowych.

Zacznij kurs za darmo

RProbability & Statistics

4 godz.

15 filmów

59 Ćwiczeń

4,650 XP

15,911

Zaświadczenie o ukończeniu

Uwielbiany przez kursantów z tysięcy firm

Szkolisz zespół?

Wypróbuj dla firm

Opis kursu

Znasz już podstawy wnioskowania statystycznego i modeli liniowych – czas połączyć te dwa obszary. Ten kurs pozwoli ci przemyśleć, w jaki sposób różne próbki mogą prowadzić do różnych modeli liniowych, gdy celem jest zrozumienie modelu dla całej populacji. Na podstawie oszacowanego modelu liniowego nauczysz się tworzyć przedziały ufności dla wielkości efektu oraz sprawdzać, czy efekt jest istotny statystycznie. Przedziały predykcji dla zmiennej odpowiedzi zostaną zestawione z estymacją średniej odpowiedzi. Przez cały kurs będziesz ćwiczyć pracę z pakietami dplyr i ggplot2, a także poznasz pakiet broom służący do porządkowania modeli – wszystkie trzy są niezastąpione w data science.

Wymagania wstępne

Foundations of Inference in R Intermediate Regression in R

1

Podstawy wnioskowania

W pierwszym rozdziale zrozumiesz, jak i dlaczego warto przeprowadzać analizę wnioskującą (a nie tylko opisową) na modelu regresji.

Zmienność prostych regresji

Wyniki regresji: przykład I

Pierwsza losowa próbka, druga losowa próbka

Nałóż linie na wykres

Pytanie badawcze

Hipoteza regresji

Zmienność współczynników

Oryginalna populacja – zmiana rozmiaru próby

Hipotetyczna populacja – mniejsza zmienność wokół prostej

Hipotetyczna populacja – mniejsza zmienność w kierunku x

Co wpływa na zmienność współczynników?

Zacznij rozdział

2

Wnioskowanie symulacyjne dla parametru nachylenia

W tym rozdziale poznasz koncepcję rozkładu próbkowego, korzystając z metod symulacyjnych dla modeli regresji.

Wnioskowanie oparte na symulacji

Zerowy rozkład próbkowania współczynnika kierunkowego

Błąd standardowy nachylenia

Wartość p

Wnioskowanie o nachyleniu

Przedział ufności dla nachylenia oparty na symulacji

Bootstrapping danych

Metoda SE – bootstrap CI dla nachylenia

Metoda percentylowa – bootstrapowy przedział ufności dla nachylenia

Wnioskowanie na podstawie rozkładów randomizacyjnych i bootstrapowych

Zacznij rozdział

3

Wnioskowanie oparte na rozkładzie t dla parametru nachylenia

W tym rozdziale nauczysz się, jak używać rozkładu t do wnioskowania w modelach regresji liniowej. Poznasz też sposób tworzenia przedziałów predykcji dla zmiennej odpowiedzi.

Aproksymacja matematyczna

Jaką rolę odgrywają wyniki teoretyczne?

Statystyka t

Praca z wynikami R (1)

Praca z wynikami R (2)

Porównanie wnioskowania z randomizacji i wnioskowania opartego na rozkładzie t

Przedziały w regresji

Przedział ufności metodą t

Porównanie przedziałów ufności: metoda randomizacji vs. metoda t

Różne rodzaje przedziałów

Przedziały ufności dla średniej odpowiedzi w określonych punktach

Przedziały ufności dla średniej odpowiedzi dla wszystkich obserwacji

Przedziały predykcji dla pojedynczej obserwacji

Zacznij rozdział

4

Założenia techniczne w regresji liniowej

Omówimy również założenia techniczne, które są istotne przy stosowaniu modeli liniowych do wnioskowania o szerszej populacji.

Warunki techniczne regresji liniowej

Naruszenie warunków LINE (1)

Naruszenie warunków LINE (2)

Praca z resztami (1)

Korzystanie z reszt (2)

Po co nam założenia LINE?

Wpływ wartości odstającej

Estymacja z wartością odstającą i bez niej

Wnioskowanie z wartością odstającą i bez niej (test t)

Wnioskowanie z obserwacją odstającą i bez niej (randomizacja)

Jak postępować, gdy założenia modelu nie są spełnione

Dostosowanie do nieliniowej zależności

Korekta niejednorodności wariancji błędów

Korekta nienormalnie rozłożonych reszt

Zacznij rozdział

5

Rozwijanie wnioskowania w prostej regresji liniowej

Ten rozdział obejmuje zagadnienia rozwijające podstawowe idee wnioskowania w modelach liniowych – w tym współliniowość oraz wnioskowanie w modelach regresji wielokrotnej.

Wnioskowanie na zmiennych po transformacji

Model z transformacją

Interpretacja przekształconych współczynników

Współliniowość

Domy w LA, współliniowość (1)

Domy w LA – współliniowość (2)

Domy w Los Angeles – multikolinearność (3)

Wielokrotna regresja liniowa

Wnioskowanie o współczynnikach

Interpretacja współczynników

Podsumowanie

Zacznij rozdział

Wnioskowanie w regresji liniowej w R

Kurs
ukończony

Zdobądź zaświadczenie o ukończeniu

Dodaj to poświadczenie do swojego profilu LinkedIn, CV lub życiorysu
Udostępnij to w mediach społecznościowych i podczas oceny wyników pracyZapisz się teraz

Dołącz do ponad 19 milionów kursantów i zacznij Wnioskowanie w regresji liniowej w R już dziś!

Rozwijaj swoje umiejętności w zakresie danych dzięki DataCamp dla urządzeń mobilnych

Rób postępy w podróży dzięki naszym kursom mobilnym i codziennym 5-minutowym wyzwaniom kodowania.