Modelagem com dados no Tidyverse

Este capítulo vai apresentar a você algumas bases teóricas e termos de modelagem, em particular o arcabouço geral de modelagem, a diferença entre modelar para explicar e modelar para prever, e o problema de modelagem. Além disso, você vai começar sua primeira análise exploratória de dados, uma etapa crucial antes de qualquer modelagem formal.

Com o entendimento do arcabouço geral de modelagem, neste capítulo vamos abordar a regressão linear básica, em que você mantém as coisas simples e modela a variável de desfecho y como função de uma única variável explicativa/predictora x. Usaremos tanto variáveis x numéricas quanto categóricas. A variável de desfecho de interesse neste capítulo será a nota de avaliação de ensino de instrutores da University of Texas, Austin.

No capítulo anterior, você aprendeu sobre regressão básica usando um único preditor numérico ou categórico. Mas por que nos limitar a usar apenas uma variável para embasar suas explicações/previsões? Agora você vai estender a regressão básica para a regressão múltipla, que permite incorporar mais de uma variável explicativa ou preditora nos modelos. Você vai modelar preços de casas usando um conjunto de dados de residências na região metropolitana de Seattle, WA.

Nos capítulos anteriores, você ajustou vários modelos para explicar ou prever uma variável de desfecho de interesse. Porém, como saber quais modelos escolher? Medidas de avaliação de modelos permitem verificar o quão bem um modelo explicativo "se ajusta" a um conjunto de dados ou quão preciso é um modelo preditivo. Com base nessas medidas, você vai aprender critérios para determinar quais modelos são os "melhores".