Doğrusal regresyon - kurs 4900 ovmak. Açıköğretimden, eğitim 5 hafta, haftada yaklaşık 2 saat, Tarih 29 Kasım 2023.
Miscellanea / / November 29, 2023
Korelasyon analizi iki büyüklük arasındaki ilişkinin gücünü ve yönünü ölçmeyi mümkün kılıyorsa, regresyon modellerinin oluşturulması daha büyük fırsatlar sağlar. Regresyon analizini kullanarak, çalışılan büyüklüklerin yordayıcı değişkenlere bağlı davranışını niceliksel olarak tanımlamak ve yeni veriler üzerinden tahminler elde etmek mümkündür. R dilini kullanarak basit ve çoklu doğrusal modellerin nasıl oluşturulacağını öğreneceksiniz. Her yöntemin sınırlamaları vardır, bu nedenle hangi durumlarda olduğunu anlamanıza yardımcı olacağız. doğrusal regresyon kullanılabilir ve kullanılamaz; size seçilmiş teşhisleri koyma yöntemlerini öğreteceğiz modeller. Regresyon analizinin derinlemesine anatomisine kursta özel bir yer verilmiştir: matrislerle işlemlerde uzmanlaşacaksınız. doğrusal regresyonun daha karmaşık çeşitlerini anlayabilmek için doğrusal regresyonun temelidir. modeller.
Niceliksel olarak ölçülebilen belirli olgular arasındaki ilişkileri araştırma ve tanımlama ihtiyacıyla karşı karşıyaysanız, o zaman bu kurs, basit ve çoklu doğrusal regresyonun nasıl çalıştığını anlamak, bunların olanaklarını ve sınırlamalarını öğrenmek için iyi bir fırsattır. yöntemler.
Kurs, R dilini kullanarak veri analizinin temel tekniklerine zaten aşina olanlar için tasarlanmıştır. ve rmarkdown ve knitr kullanarak basit .html belgelerinin oluşturulması.
Bilimsel ilgi alanları: deniz bentos topluluklarının yapısı ve dinamikleri, mekansal ölçekler, süksesyon, türler arası ve tür içi biyotik etkileşimler, deniz omurgasızlarının büyümesi ve üremesi, popülasyonların demografik yapısı, mikroevrim, biyoistatistik.
Kurs 5 modülden oluşmaktadır:
1. Korelasyon analizi. Basit Doğrusal Regresyon
İlişkinin gücünü ve yönünü tahmin etmemizi sağlayan, kovaryans ve korelasyon katsayıları ile niceliksel nicelikler arasındaki ilişkileri sayısal olarak tanımlamaya yönelik yöntemler hakkında konuşmamıza başlayacağız. Daha sonra nicelikler arasındaki ilişkinin doğrusal bir modelini oluşturarak ilişkiler hakkında hangi ek bilgilerin elde edilebileceğini öğreneceksiniz. Regresyon katsayılarını yorumlamayı ve yeni veriler üzerinde tahminlerde bulunmak için doğrusal modellerin ne zaman ve nasıl kullanılabileceğini öğreneceksiniz. Bu modülün sonunda doğrusal bir model denklemini nasıl uyduracağınızı ve bunu bir güven bölgesiyle nasıl çizeceğinizi öğreneceksiniz.
2. Doğrusal modellerin anlamlılığının ve geçerliliğinin test edilmesi
Doğrusal bir model oluşturmak ve denklemini yazmak analizin yalnızca başlangıcıdır. Bu modülde, regresyon analizinin sonuçlarını nasıl tanımlayacağınızı, genel modelin veya katsayılarının istatistiksel anlamlılığının nasıl test edileceğini ve uyumun kalitesinin nasıl değerlendirileceğini öğreneceksiniz. Doğrusal modellerin (veya daha doğrusu onlar için kullanılan istatistiksel testlerin) her yöntem gibi sınırlamaları vardır. Bu sınırlamaların ne olduğunu ve nereden geldiklerini öğreneceksiniz. Kullanacağımız grafiksel teşhis yöntemleri farklı doğrusal modeller için evrenseldir; daha fazla pratik, kararları daha güvenli bir şekilde vermenize yardımcı olacaktır. Tüm bunları anladıktan sonra, basit bir doğrusal regresyonun sonuçlarını sığdırmak, teşhis etmek ve sunmak için R'de eksiksiz bir komut dosyası yazabilirsiniz.
3. Lineer Cebir Dünyasına Kısa Bir Giriş
Bu modülde doğrusal modellerin kalbine dalacağız. Bunu yapmak için doğrusal cebirin temellerini öğrenmeniz veya hatırlamanız gerekir. Farklı matris türlerini, bunların R'de nasıl oluşturulacağını ve bunlarla yapılan temel işlemleri tartışacağız. Doğrusal regresyonun içeriden nasıl çalıştığını anlamak için tüm bunlara ihtiyacımız olacak. Model matrisin ne olduğunu öğrenecek, matris biçiminde doğrusal regresyon denkleminin nasıl yazılacağını ve katsayılarını nasıl bulacağınızı öğreneceksiniz. Öngörülen değerleri elde etmenizi sağlayan şapka matrisini kendi gözlerinizle görecek, hatta manuel olarak hesaplayabileceksiniz. Son olarak, artık varyansı, varyans-kovaryans matrisini hesaplamayı ve tüm bunları bir regresyon güven bölgesi oluşturmak için kullanmayı öğreneceksiniz. O zaman bu bilgi, daha karmaşık modellerin yapısını anlamanıza yardımcı olacaktır: ayrık öngörücülerle, farklı kalıntı dağılımlarıyla, farklı bir varyasyon-kovaryans matrisi yapısıyla.
4. Çoklu doğrusal gerileme
Çoğu zaman, nicelikler arasındaki ilişkiler basit doğrusal regresyon kullanılarak tanımlanabilecekten daha karmaşıktır. Bir yanıt değişkeninin birden fazla yordayıcıya nasıl bağlı olduğunu açıklamak için çoklu doğrusal regresyon kullanılır. Modelde birden fazla yordayıcının ortaya çıkmasıyla, doğrusal regresyon yeni bir uygulanabilirlik koşuluna kavuşur: çoklu bağlantının olmaması gerekliliği. Bu modülde çoklu bağlantının nasıl belirleneceğini ve önleneceğini öğreneceksiniz. Son olarak, birden fazla modelde genellikle bir düzlemde tasvir edilebilecek olandan daha fazla değişken bulunur. Bu yüzden size bu durumda bile bilgilendirici grafikler oluşturmanıza yardımcı olacak basit teknikleri öğreteceğiz. dava.
5. Doğrusal modellerin karşılaştırılması
Çoklu doğrusal modeller bir yapı seti gibidir: daha karmaşık modeller parçalara ayrılabilir ve basitleştirilebilir. Bireysel tahmincilerin veya tahminci gruplarının önemini test etmek için kısmi F testini kullanan iç içe geçmiş model karşılaştırmalarının nasıl kullanıldığını öğreneceksiniz. Daha karmaşık modeller orijinal verileri daha iyi tanımlar ancak aşırı komplikasyon tehlikelidir çünkü bu tür modeller yeni veriler üzerinde kötü tahminler yapmaya başlıyor. Kısmi F testlerini kullanarak, anlamlı olmayan tahmin edicileri kademeli olarak ortadan kaldırarak modelleri basitleştirebilirsiniz. Basitleştirilmiş modellerin sonuçları yorumlamak ve sunmak için kullanımı daha kolaydır. Doğrusal regresyon hakkında şu ana kadar öğrendiğiniz her şey, yapmanız gereken bir veri analizi projesini tamamlayarak uygulanabilir. optimal çoklu doğrusal modeli doğru bir şekilde oluşturmak ve sonuçlarını kullanarak yazılmış bir raporda sunmak Rmarkdown ve örgü.