应用线性回归分析(使用 R、SPSS、SAS、Python)
使用 R、SPSS、SAS、Python 进行线性回归分析的从基础到高级培训和实践
讲师:Charles R Lawoko
口袋资源独家Udemy付费课程,独家中英文字幕,配套资料齐全!
用不到1/10的价格,即可享受同样的高品质课程,且可以完全拥有,随时随地都可以任意观看和分享。
你会学到什么
- 了解线性回归分析的工作原理,包括理论基础、技术、工作示例、四种软件的现场演示
- 做好线性回归的基础和要求,包括数据要求和初步调查的工具(例如图表)
- 如何使用各种工具、措施和指标来评估您的线性回归模型是否适合您的数据,以及提高适合度的方法
- 在所涵盖的四种软件中的任何一种(或全部)中进行线性回归分析,即 R、SPSS、SAS、Python。您将看到从软件演示中学习
- 本课程全面涵盖应用线性回归分析。所以你不需要再做类似的课程(除了学习使用不同的软件)
要求
- 熟悉基本统计术语(通常是大学一年级或二年级的应用统计或统计数据分析入门课程)。如果您想了解基础理论部分,则对数学方程式有一些基本的了解(尽管这不是本课程的先决条件。
- 我假设您能够使用您选择学习的任何软件(即使用的四种软件中的一种)。对于您选择使用的任何软件,您至少应该能够运行该软件、导入数据等。
描述
本课程教您如何根据您的需要从最基本的水平到高级/专家水平进行线性回归分析。
我在本课程中采用的基本教学(或知识转移)理念是,学生应该首先学习和理解“分析方法的基础知识”,然后再学习如何应用这些方法通过软件进行数据分析。这与一些(类似的)课程不同,这些课程的重点往往是教您如何使用软件进行回归分析(无需深入了解回归方法本身)。我的目的是让您首先掌握回归分析作为一种建模技术,并有信心解决任何需要线性回归建模的建模/预测问题。这意味着课程的第一部分在很大程度上与软件无关,
我相信一旦你学好这个重要的方法部分,你应该能够使用任何软件进行应用回归分析。您会发现,线性回归分析的代码和步骤/过程在各种软件(包括我们在本课程中使用的四个软件)中非常相似。同样至关重要的是,在大多数软件中,回归分析的输出在结构上非常相似并且可以理解。因此,我的观点(以及采用这种方法的原因)是,如果您一开始就很好地理解回归方法的基础知识,那么您应该能够随后使用任何软件并解释任何回归分析输出,
该课程按顺序排列如下。
1. 线性回归的介绍和动机。在此向您介绍线性回归分析的概念和方法,并提供其应用的一些实际示例。我们还回顾了课程中使用的四个真实(公开可用)数据集,以演示如何在现实生活中应用线性回归分析。
2. 通过考虑简单线性回归 (SLR) 的情况,我们进一步了解线性回归的概念和方法。在这种情况下,您将构建一个模型来仅基于一个自变量或预测变量 (X) 来解释或预测因变量 (Y)。这个介绍部分允许我介绍用于线性回归分析的术语和方法。我使用现实生活中的数据来演示方法,在应用理论部分,我们使用 R 软件来演示方法并解释软件的典型输出。对于那些感兴趣的人,我还(可选)介绍了用于简单线性回归 (SLR) 分析的普通最小二乘法背后的数学和统计理论的基础知识。
3. 在研究了 SLR(简单线性回归)之后,我们转向更复杂的多元线性回归 (MLR) 情况,您现在可以根据几个自变量或预测变量(比如几个 X – 变量)。我们还学习了 MLR 的方法(和一些理论),并将这些方法应用于实际数据。我们再次使用 R 软件来演示回归分析和解释结果。对于那些对这方面感兴趣的学生,还有可选的讲座,涵盖用于多元线性回归 (MLR) 分析的普通最小二乘法背后的数学/统计理论。
4. 请注意,在 SLR 和 MLR 部分中,我们涵盖的领域包括 (i) 良好线性回归分析所需的数据和建模要求,(ii) 回归分析所需的探索性数据分析,(iii) 估计参数/回归系数, (iv)从软件输出中解释回归分析的结果,(v)使用可视化图表和模型评估指标和措施进行建模后诊断,(vi)关于回归系数的假设检验,并检查是否满足建模要求,(vii ) 用于多元线性回归 (MLR) 分析的逐步回归分析。
5. 在课程前面的部分(小节)介绍了“回归方法”之后,我们将开始学习如何使用各种软件进行回归分析。我们在几个章节中花费了很多讲座来介绍和演示如何使用四种不同的软件进行线性回归分析。我们在单独的部分中介绍了此处使用的四种软件(R、SPSS、SAS、Python)中的每一种,其中(针对每种软件)我们演示了如何将其用于 (i) 进行探索性绘图,(ii) 运行回归建模,( iii) 执行模型后诊断(视觉图、测量、指标、假设检验),以及 (iv) 在可能的情况下执行逐步回归分析。所有这些不同的软件都在几个真实数据集上进行了演示,这些数据集展示了回归建模方法和结果的不同方面。需要强调的是,所有这些软件都具有不同的功能,这意味着我们所学的某些部分可能无法在特定软件中展示。供您参考,R 软件和 Python 都是免费的开源软件,通常通过直接代码在其中运行回归建模。另一方面,SPSS 和 SAS 是商业和专有(即非开源)软件。通常他们有图形用户界面 (GUI),允许用户纯粹通过“点击”运行回归分析(如果你不能在他们的专有代码中编码),但他们也可以纯粹通过代码运行回归分析。这意味着我们所学的某些部分可能无法在特定软件中演示。供您参考,R 软件和 Python 都是免费的开源软件,通常通过直接代码在其中运行回归建模。另一方面,SPSS 和 SAS 是商业和专有(即非开源)软件。通常他们有图形用户界面 (GUI),允许用户纯粹通过“点击”运行回归分析(如果你不能在他们的专有代码中编码),但他们也可以纯粹通过代码运行回归分析。这意味着我们所学的某些部分可能无法在特定软件中演示。供您参考,R 软件和 Python 都是免费的开源软件,通常通过直接代码在其中运行回归建模。另一方面,SPSS 和 SAS 是商业和专有(即非开源)软件。通常他们有图形用户界面 (GUI),允许用户纯粹通过“点击”运行回归分析(如果你不能在他们的专有代码中编码),但他们也可以纯粹通过代码运行回归分析。
本课程还将允许您检查和比较这些不同的软件,用于回归分析,如果您对此感兴趣……并且您不必为此学习几门课程。
本课程适合谁:
- 希望正确理解线性回归在实践/应用中如何工作的统计建模师、数据分析师、数据科学家、学生和研究人员,和/或有兴趣学习如何使用线性回归中使用的一种或多种软件进行回归分析的人员本课程(即 SAS、R、SPSS、Python)。
- 有兴趣了解四种不同软件(在本课程中使用)如何用于线性回归分析的人