Context pentru modelarea explicativă

Modelare cu date în Tidyverse

Albert Y. Kim

Assistant Professor of Statistical and Data Sciences

Prezentare generală a cursului

  1. Introducere în modelare: teorie și terminologie
  2. Regresie:
    • Regresie liniară simplă
    • Regresie multiplă
  3. Evaluarea modelului
Modelare cu date în Tidyverse

Formula generală a cadrului de modelare

$$

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

Unde:

  • $y$: variabila de interes (rezultat)
  • $\vec{x}$: variabile explicative/predictori
  • $f()$: funcția relației dintre $y$ și $\vec{x}$ AKA semnalul
  • $\epsilon$: componenta de eroare nesistematică AKA zgomotul
Modelare cu date în Tidyverse

Două scenarii de modelare

Modelare pentru:

  • Explicație: $\vec{x}$ sunt variabile explicative
  • Predicție: $\vec{x}$ sunt variabile predictoare
Modelare cu date în Tidyverse

Exemplu de modelare explicativă

Un studiu al Universității din Texas la Austin privind scorurile evaluărilor didactice (disponibil la openintro.org).

Întrebare: Putem explica diferențele în scorurile de evaluare didactică pe baza atributelor profesorilor?

Variabile:

  • $y$: Scorul mediu de predare score pe baza evaluărilor studenților
  • $\vec{x}$: Atribute precum rank, gender, age și bty_avg
Modelare cu date în Tidyverse

Exemplu de modelare explicativă

Din pachetul moderndive pentru 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...
...
Modelare cu date în Tidyverse

Analiza exploratorie a datelor

Trei pași de bază în analiza exploratorie a datelor (EDA):

  1. Examinarea datelor
  2. Crearea vizualizărilor
  3. Calculul statisticilor descriptive
Modelare cu date în Tidyverse

Analiza exploratorie a datelor

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

Analiza exploratorie a datelor

Modelare cu date în Tidyverse

Analiza exploratorie a datelor

# 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
Modelare cu date în Tidyverse

Să exersăm!

Modelare cu date în Tidyverse

Preparing Video For Download...