ข้ามไปยังเนื้อหาหลัก

Courses

Inference for Linear Regression in R

ขั้นสูงระดับทักษะ

อัปเดตแล้ว 12/2564

In this course you'll learn how to perform inference using linear models.

เริ่มเรียนหลักสูตรฟรี

RProbability & Statistics4 ชม.15 videos59 Exercises4,650 เอ็กซ์พี15,729คำแถลงแสดงความสำเร็จ

สร้างบัญชีฟรีของคุณ

หรือ

เมื่อดำเนินการต่อ คุณยอมรับข้อกำหนดการใช้งานของเรา นโยบายความเป็นส่วนตัวของเรา และยอมรับว่าข้อมูลของคุณจะถูกจัดเก็บไว้ในสหรัฐอเมริกา

เป็นที่ชื่นชอบของผู้เรียนในบริษัทหลายพันแห่ง

ฝึกอบรมบุคคลตั้งแต่ 2 คนขึ้นไป?

ลองใช้ DataCamp for Business

คำอธิบายรายวิชา

Previously, you learned the fundamentals of both statistical inference and linear models; now, the next step is to put them together. This course gives you a chance to think about how different samples can produce different linear models, where your goal is to understand the underlying population model. From the estimated linear model, you will learn how to create interval estimates for the effect size as well as how to determine if the effect is significant. Prediction intervals for the response variable will be contrasted with estimates of the average response. Throughout the course, you'll gain more practice with the dplyr and ggplot2 packages, and you will learn about the broom package for tidying models; all three packages are invaluable in data science.

ข้อกำหนดเบื้องต้น

Foundations of Inference in R Intermediate Regression in R

1

Inferential ideas

In the first chapter, you will understand how and why to perform inferential (instead of descriptive only) analysis on a regression model.

Variability in regression lines

50 เอ็กซ์พี

Regression output: example I

100 เอ็กซ์พี

First random sample, second random sample

100 เอ็กซ์พี

Superimpose lines

100 เอ็กซ์พี

Research question

50 เอ็กซ์พี

Regression hypothesis

50 เอ็กซ์พี

Variability of coefficients

50 เอ็กซ์พี

Original population - change sample size

100 เอ็กซ์พี

Hypothetical population - less variability around the line

100 เอ็กซ์พี

Hypothetical population - less variability in x direction

100 เอ็กซ์พี

What changes the variability of the coefficients?

50 เอ็กซ์พี

เริ่มบท

2

Simulation-based inference for the slope parameter

In this chapter you will learn about the ideas of the sampling distribution using simulation methods for regression models.

Simulation-based Inference

50 เอ็กซ์พี

Null sampling distribution of the slope

100 เอ็กซ์พี

SE of the slope

100 เอ็กซ์พี

100 เอ็กซ์พี

Inference on slope

50 เอ็กซ์พี

Simulation-based CI for slope

50 เอ็กซ์พี

Bootstrapping the data

100 เอ็กซ์พี

SE method - bootstrap CI for slope

100 เอ็กซ์พี

Percentile method - bootstrap CI for slope

100 เอ็กซ์พี

Inference from randomization and bootstrapped distributions

50 เอ็กซ์พี

เริ่มบท

3

t-Based Inference For the Slope Parameter

In this chapter you will learn about how to use the t-distribution to perform inference in linear regression models. You will also learn about how to create prediction intervals for the response variable.

Mathematical approximation

50 เอ็กซ์พี

How do the theoretical results play a role?

50 เอ็กซ์พี

t-statistic

100 เอ็กซ์พี

Working with R-output (1)

100 เอ็กซ์พี

Working with R-output (2)

100 เอ็กซ์พี

Comparing randomization inference and t-inference

100 เอ็กซ์พี

Intervals in regression

50 เอ็กซ์พี

CI using t-theory

100 เอ็กซ์พี

Comparing randomization CIs and t-based CIs

100 เอ็กซ์พี

Different types of intervals

50 เอ็กซ์พี

Confidence intervals for the average response at specific values

100 เอ็กซ์พี

Confidence intervals for the average response for all observations

100 เอ็กซ์พี

Prediction intervals for the individual response

100 เอ็กซ์พี

เริ่มบท

4

Technical Conditions in linear regression

Additionally, you will consider the technical conditions that are important when using linear models to make claims about a larger population.

Technical conditions for linear regression

50 เอ็กซ์พี

Violation of LINE conditions (1)

50 เอ็กซ์พี

Violation of LINE conditions (2)

50 เอ็กซ์พี

Using residuals (1)

100 เอ็กซ์พี

Using residuals (2)

100 เอ็กซ์พี

Why do we need the LINE assumptions?

50 เอ็กซ์พี

Effect of an outlier

50 เอ็กซ์พี

Estimation with and without outlier

100 เอ็กซ์พี

Inference with and without outlier (t-test)

100 เอ็กซ์พี

Inference with and without outlier (randomization)

100 เอ็กซ์พี

Moving forward when model assumptions are violated

50 เอ็กซ์พี

Adjusting for non-linear relationship

100 เอ็กซ์พี

Adjusting for non-constant errors

100 เอ็กซ์พี

Adjusting for non-normal errors

100 เอ็กซ์พี

เริ่มบท

5

Building on Inference in Simple Linear Regression

This chapter covers topics that build on the basic ideas of inference in linear models, including multicollinearity and inference for multiple regression models.

Inference on transformed variables

50 เอ็กซ์พี

Transformed model

100 เอ็กซ์พี

Interpreting transformed coefficients

50 เอ็กซ์พี

Multicollinearity

50 เอ็กซ์พี

LA Homes, multicollinearity (1)

100 เอ็กซ์พี

LA Homes, multicollinearity (2)

100 เอ็กซ์พี

LA Homes, multicollinearity (3)

100 เอ็กซ์พี

Multiple linear regression

50 เอ็กซ์พี

Inference on coefficients

100 เอ็กซ์พี

Interpreting coefficients

50 เอ็กซ์พี

50 เอ็กซ์พี

เริ่มบท

Inference for Linear Regression in R

หลักสูตรเสร็จสมบูรณ์

ได้รับใบรับรองความสำเร็จ

เพิ่มข้อมูลรับรองนี้ลงในโปรไฟล์ LinkedIn, ประวัติย่อ หรือเรซูเม่ของคุณ
แชร์ลงในโซเชียลมีเดียและในรายงานประเมินผลการปฏิบัติงานของคุณลงทะเบียนเลย

เข้าร่วมกับ... 19 ล้านผู้เรียน และเริ่ม Inference for Linear Regression in R วันนี้เลย!

สร้างบัญชีฟรีของคุณ

หรือ

เมื่อดำเนินการต่อ คุณยอมรับข้อกำหนดการใช้งานของเรา นโยบายความเป็นส่วนตัวของเรา และยอมรับว่าข้อมูลของคุณจะถูกจัดเก็บไว้ในสหรัฐอเมริกา

พัฒนาทักษะด้านข้อมูลของคุณด้วย DataCamp for Mobile

พัฒนาทักษะได้ทุกที่ทุกเวลาด้วยคอร์สเรียนบนมือถือและแบบฝึกหัดเขียนโค้ดประจำวัน 5 นาทีของเรา