Fundamentos de modelagem para explicação

Modelagem com dados no Tidyverse

Albert Y. Kim

Assistant Professor of Statistical and Data Sciences

Visão geral do curso

Introdução à modelagem: teoria e termos
Regressão:
- Regressão linear simples
- Regressão múltipla
Avaliação de modelos

Fórmula geral de modelagem

$$y = f(\vec{x}) + \epsilon$$

Onde:

$y$: variável de interesse (resposta)
$\vec{x}$: variáveis explicativas/preditoras
$f()$: função da relação entre $y$ e $\vec{x}$, ou seja, "o sinal"
$\epsilon$: erro não sistemático, ou seja, "o ruído"

Dois cenários de modelagem

Modelagem para:

Explicação: $\vec{x}$ são variáveis explicativas
Predição: $\vec{x}$ são variáveis preditoras

Exemplo: modelagem para explicação

Um estudo da University of Texas at Austin sobre notas de avaliação de ensino (disponível em openintro.org).

Pergunta: Dá para explicar diferenças na nota de avaliação de ensino com base em vários atributos do/a professor/a?

Variáveis:

$y$: Média da score de ensino nas avaliações dos estudantes
$\vec{x}$: Atributos como rank, gender, age e bty_avg

Exemplo: modelagem para explicação

Do pacote moderndive para ModernDive.com:

library(dplyr)
library(moderndive)
glimpse(evals)

Observations: 463
Variables: 13
$ ID           <int> 1, 2, 3, 4, 5, 6, 7, 8, 9, 10...
$ score        <dbl> 4.7, 4.1, 3.9, 4.8, 4.6, 4.3...
$ age          <int> 36, 36, 36, 36, 59, 59, 59, 51...
$ bty_avg      <dbl> 5.000, 5.000, 5.000, 5.000...
$ gender       <fct> female, female, female, female...
...

Análise exploratória de dados

Três etapas básicas da análise exploratória de dados (EDA):

Olhar os dados
Criar visualizações
Calcular estatísticas-resumo

Análise exploratória de dados

library(ggplot2)
ggplot(evals, aes(x = score)) +
  geom_histogram(binwidth = 0.25) + 
  labs(x = "teaching score", y = "count")

Análise exploratória de dados

# Compute mean, median, and standard deviation
evals %>%
  summarize(mean_score = mean(score), 
            median_score = median(score),
            sd_score = sd(score))

# A tibble: 1 x 3
  mean_score median_score sd_score
       <dbl>        <dbl>    <dbl>
1       4.17          4.3    0.544

Vamos praticar!

Modelagem com dados no Tidyverse