ข้ามไปยังเนื้อหาหลัก

หน้าหลัก R

คอร์ส

Inference for Linear Regression in R

ขั้นสูงระดับทักษะ

อัปเดตแล้ว 12/2564

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

เริ่มคอร์สฟรี

RProbability & Statistics

4 ชม.

15 วิดีโอ

59 แบบฝึกหัด

4,650 XP

15,910

ใบรับรองความสำเร็จ

สร้างบัญชีฟรีของคุณ

ดำเนินการต่อด้วย Google แสดงตัวเลือกเพิ่มเติม

หรือ

เมื่อดำเนินการต่อ คุณยอมรับ ข้อกำหนดการใช้งาน ของเรา นโยบายความเป็นส่วนตัว ของเรา และยอมรับว่าข้อมูลของคุณจะถูกจัดเก็บในสหรัฐอเมริกา

เป็นที่รักของผู้เรียนในบริษัทหลายพันแห่ง

กำลังฝึกอบรมทีม?

ลองใช้สำหรับธุรกิจ

คำอธิบายคอร์ส

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

Regression output: example I

First random sample, second random sample

Superimpose lines

Research question

Regression hypothesis

Variability of coefficients

Original population - change sample size

Hypothetical population - less variability around the line

Hypothetical population - less variability in x direction

What changes the variability of the coefficients?

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

Null sampling distribution of the slope

SE of the slope

Inference on slope

Simulation-based CI for slope

Bootstrapping the data

SE method - bootstrap CI for slope

Percentile method - bootstrap CI for slope

Inference from randomization and bootstrapped distributions

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

How do the theoretical results play a role?

t-statistic

Working with R-output (1)

Working with R-output (2)

Comparing randomization inference and t-inference

Intervals in regression

CI using t-theory

Comparing randomization CIs and t-based CIs

Different types of intervals

Confidence intervals for the average response at specific values

Confidence intervals for the average response for all observations

Prediction intervals for the individual response

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

Violation of LINE conditions (1)

Violation of LINE conditions (2)

Using residuals (1)

Using residuals (2)

Why do we need the LINE assumptions?

Effect of an outlier

Estimation with and without outlier

Inference with and without outlier (t-test)

Inference with and without outlier (randomization)

Moving forward when model assumptions are violated

Adjusting for non-linear relationship

Adjusting for non-constant errors

Adjusting for non-normal errors

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

Transformed model

Interpreting transformed coefficients

Multicollinearity

LA Homes, multicollinearity (1)

LA Homes, multicollinearity (2)

LA Homes, multicollinearity (3)

Multiple linear regression

Inference on coefficients

Interpreting coefficients

เริ่มบท

Inference for Linear Regression in R

คอร์สเสร็จสมบูรณ์

รับใบรับรองความสำเร็จ

เพิ่มใบรับรองนี้ไปยังโปรไฟล์ LinkedIn เรซูเม่ หรือ CV ของคุณ
แชร์บน social media และในการรีวิวผลการปฏิบัติงานของคุณลงทะเบียนทันที

สำหรับธุรกิจ

ฝึกอบรม 2 คนขึ้นไปหรือไม่?

ให้ทีมของคุณเข้าถึงแพลตฟอร์ม DataCamp เต็มรูปแบบ รวมถึงฟีเจอร์ทั้งหมด

ในเส้นทางการเรียนต่อไปนี้

การอนุมานทางสถิติ ใน R

ผู้สอน

Jo Hardin

Jo Hardin

Professor at Pomona College

ผู้ร่วมงาน

คอร์ส แหล่งข้อมูล

LA home price dataชุดข้อมูล

NYC restaurant dataชุดข้อมูล

Twin dataชุดข้อมูล

ร่วมกับผู้เรียนกว่า 19 ล้านคนและเริ่มต้น Inference for Linear Regression in R วันนี้!

สร้างบัญชีฟรีของคุณ

ดำเนินการต่อด้วย Google แสดงตัวเลือกเพิ่มเติม

หรือ

เมื่อดำเนินการต่อ คุณยอมรับ ข้อกำหนดการใช้งาน ของเรา นโยบายความเป็นส่วนตัว ของเรา และยอมรับว่าข้อมูลของคุณจะถูกจัดเก็บในสหรัฐอเมริกา

พัฒนาทักษะด้านข้อมูลของคุณด้วย DataCamp for Mobile

พัฒนาทักษะได้ทุกที่ทุกเวลาด้วยคอร์สเรียนบนมือถือและแบบฝึกหัดเขียนโค้ดประจำวัน 5 นาทีของเรา