Modelování pro vysvětlení

Modelování s daty v Tidyverse

Albert Y. Kim

Assistant Professor of Statistical and Data Sciences

Přehled kurzu

  1. Úvod do modelování: teorie a terminologie
  2. Regrese:
    • Jednoduchá lineární regrese
    • Vícenásobná regrese
  3. Hodnocení modelu
Modelování s daty v Tidyverse

Obecný vzorec modelovacího rámce

$$

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

Kde:

  • $y$: zkoumaná výstupní proměnná
  • $\vec{x}$: vysvětlující/prediktivní proměnné
  • $f()$: funkce vztahu mezi $y$ a $\vec{x}$, tzv. signál
  • $\epsilon$: nesystematická složka chyby, tzv. šum
Modelování s daty v Tidyverse

Dva scénáře modelování

Modelování pro:

  • Vysvětlení: $\vec{x}$ jsou vysvětlující proměnné
  • Predikci: $\vec{x}$ jsou prediktivní proměnné
Modelování s daty v Tidyverse

Příklad modelování pro vysvětlení

Studie Texaské univerzity v Austinu o hodnocení výuky (dostupná na openintro.org).

Otázka: Lze rozdíly v hodnocení výuky vysvětlit různými vlastnostmi učitele?

Proměnné:

  • $y$: Průměrné hodnocení výuky score na základě hodnocení studentů
  • $\vec{x}$: Atributy jako rank, gender, age a bty_avg
Modelování s daty v Tidyverse

Příklad modelování pro vysvětlení

Z balíčku moderndive pro 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...
...
Modelování s daty v Tidyverse

Průzkumná analýza dat

Tři základní kroky průzkumné analýzy dat (EDA):

  1. Prozkoumání dat
  2. Vytvoření vizualizací
  3. Výpočet souhrnných statistik
Modelování s daty v Tidyverse

Průzkumná analýza dat

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

Průzkumná analýza dat

Modelování s daty v Tidyverse

Průzkumná analýza dat

# 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
Modelování s daty v Tidyverse

Pojďme si procvičit!

Modelování s daty v Tidyverse

Preparing Video For Download...