After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
Описание курса
Ранее вы изучили основы статистического вывода и линейных моделей — теперь пришло время объединить эти знания. В этом курсе вы узнаете, как различные выборки могут порождать разные линейные модели, и научитесь понимать, что лежит в основе генеральной совокупности. На основе построенной линейной модели вы освоите создание интервальных оценок для размера эффекта и научитесь определять его значимость. Предсказательные интервалы для переменной отклика будут сопоставлены с оценками среднего отклика. На протяжении всего курса вы будете практиковаться с пакетами dplyr и ggplot2, а также познакомитесь с пакетом broom для приведения моделей в аккуратный вид — все три пакета незаменимы в области науки о данных.
Предварительные требования
Программа
Структура курса
1
Идеи статистического вывода
В первой главе вы разберётесь, как и зачем применять инференциальный (а не только описательный) анализ к регрессионной модели.
- Изменчивость регрессионных прямых50 XP
- Результаты регрессии: пример I100 XP
- Первая случайная выборка, вторая случайная выборка100 XP
- Наложение линий100 XP
- Исследовательский вопрос50 XP
- Гипотеза в регрессии50 XP
- Изменчивость коэффициентов50 XP
- Исходная совокупность — изменение размера выборки100 XP
- Гипотетическая генеральная совокупность — меньший разброс вокруг линии100 XP
- Гипотетическая генеральная совокупность — меньший разброс по оси x100 XP
- Что влияет на вариабельность коэффициентов?50 XP
2
Вывод для параметра наклона на основе симуляции
В этой главе вы познакомитесь с концепцией выборочного распределения и изучите методы симуляции применительно к регрессионным моделям.
3
Вывод для параметра наклона на основе t-распределения
В этой главе вы узнаете, как использовать t-распределение для проведения вывода в линейных регрессионных моделях, а также научитесь строить предсказательные интервалы для переменной отклика.
4
Технические условия в линейной регрессии
Помимо этого, вы рассмотрите технические условия, которые важно соблюдать при использовании линейных моделей для формулирования выводов о генеральной совокупности.
5
Развитие идей вывода в простой линейной регрессии
Эта глава охватывает темы, которые развивают базовые идеи вывода в линейных моделях, — в том числе мультиколлинеарность и вывод для моделей множественной регрессии.
R
Вывод для линейной регрессии в R
Курс
завершён
