Pular para o conteúdo principal

Curso

Inferência para Regressão Linear em R

AvançadoNível de habilidade

Atualizado 12/2021

Neste curso, você vai aprender a fazer inferências usando modelos lineares.

Iniciar curso gratuitamente

RProbability & Statistics

4 h

15 vídeos

59 Exercícios

4,650 XP

15,911

Declaração de realização

Preferido por alunos de milhares de empresas

Treinando uma equipe?

Experimente para Empresas

Descrição do curso

Antes, você aprendeu os fundamentos tanto de inferência estatística quanto de modelos lineares; agora, o próximo passo é juntá-los. Este curso oferece a chance de pensar em como amostras diferentes podem produzir modelos lineares diferentes, tendo como objetivo entender o modelo da população subjacente. A partir do modelo linear estimado, você vai aprender a criar estimativas intervalares para o tamanho do efeito e a determinar se o efeito é significativo. Intervalos de predição para a variável resposta serão contrastados com estimativas da resposta média. Ao longo do curso, você vai praticar mais com os pacotes dplyr e ggplot2, e conhecer o pacote broom para organizar modelos; os três são indispensáveis em ciência de dados.

Pré-requisitos

Foundations of Inference in R Intermediate Regression in R

1

Ideias inferenciais

No primeiro capítulo, você vai entender como e por que realizar uma análise inferencial (em vez de apenas descritiva) em um modelo de regressão.

Variabilidade nas linhas de regressão

Saída da regressão: exemplo I

Primeira amostra aleatória, segunda amostra aleatória

Sobrepor linhas

Pergunta de pesquisa

Hipótese em regressão

Variabilidade dos coeficientes

População original - alterar o tamanho da amostra

População hipotética - menos variabilidade em torno da reta

População hipotética - menos variabilidade na direção x

O que muda a variabilidade dos coeficientes?

Iniciar capítulo

2

Inferência baseada em simulação para o parâmetro de inclinação

Neste capítulo, você vai aprender sobre as ideias de distribuição amostral usando métodos de simulação para modelos de regressão.

Inferência baseada em simulação

Distribuição amostral nula do coeficiente angular

EP da inclinação

Inferência sobre o coeficiente angular

IC por simulação para o coeficiente angular

Bootstrap nos dados

Método do EP - IC bootstrap para a inclinação

Método dos percentis - IC bootstrap para a inclinação

Inferência a partir de distribuições de randomização e bootstrap

Iniciar capítulo

3

Inferência baseada em t para o parâmetro de inclinação

Neste capítulo, você vai aprender como usar a distribuição t para realizar inferência em modelos de regressão linear. Você também vai aprender a criar intervalos de predição para a variável resposta.

Aproximação matemática

Qual é o papel dos resultados teóricos?

estatística t

Trabalhando com a saída do R (1)

Trabalhando com a saída do R (2)

Comparando inferência por randomização e inferência t

Intervalos em regressão

IC usando teoria t

Comparando ICs por aleatorização e ICs baseados em t

Diferentes tipos de intervalos

Intervalos de confiança para a resposta média em valores específicos

Intervalos de confiança para a resposta média em todas as observações

Intervalos de predição para a resposta individual

Iniciar capítulo

4

Condições técnicas em regressão linear

Além disso, você vai considerar as condições técnicas que são importantes ao usar modelos lineares para fazer afirmações sobre uma população maior.

Condições técnicas para regressão linear

Violação das condições LINE (1)

Violação das condições LINE (2)

Usando resíduos (1)

Usando resíduos (2)

Por que precisamos das suposições LINE?

Efeito de um outlier

Estimativa com e sem outlier

Inferência com e sem outlier (teste t)

Inferência com e sem outlier (randomização)

Avançando quando as suposições do modelo são violadas

Ajustando para relação não linear

Ajustando para erros não constantes

Ajustando para erros não normais

Iniciar capítulo

5

Aprofundando a inferência em regressão linear simples

Este capítulo aborda tópicos que ampliam as ideias básicas de inferência em modelos lineares, incluindo multicolinearidade e inferência para modelos de regressão múltipla.

Inferência em variáveis transformadas

Modelo transformado

Interpretando coeficientes transformados

Multicolinearidade

Casas em LA, multicolinearidade (1)

LA Homes, multicolinearidade (2)

LA Homes, multicolinearidade (3)

Regressão linear múltipla

Inferência sobre os coeficientes

Interpretando coeficientes

Iniciar capítulo

Inferência para Regressão Linear em R

Curso
concluído

Obtenha um certificado de conclusão

Adicione esta credencial ao seu perfil do LinkedIn, currículo ou CV
Compartilhe nas redes sociais e em sua avaliação de desempenhoInscreva-se agora

Faça como mais de 19 milhões de alunos e comece Inferência para Regressão Linear em R hoje mesmo!

Desenvolva suas habilidades em dados com o app do DataCamp

Continue progredindo em qualquer lugar com nossos cursos para celular e desafios diários de programação de 5 minutos.