Передумови моделювання для пояснення

Моделювання даних у Tidyverse

Albert Y. Kim

Assistant Professor of Statistical and Data Sciences

Огляд курсу

Вступ до моделювання: теорія й терміни
Регресія:
- Проста лінійна регресія
- Множинна регресія
Оцінювання моделі

Загальна формула моделювання

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

Де:

$y$: цільова змінна
$\vec{x}$: пояснювальні/предикторні змінні
$f()$: функція зв'язку між $y$ та $\vec{x}$, тобто сигнал
$\epsilon$: несистематична похибка, тобто шум

Два сценарії моделювання

Моделювання для:

Пояснення: $\vec{x}$ — пояснювальні змінні
Передбачення: $\vec{x}$ — предикторні змінні

Приклад моделювання для пояснення

Дослідження Університету Техасу в Остіні про оцінки викладання (доступне на openintro.org).

Питання: Чи можемо пояснити відмінності в оцінках викладання за різними характеристиками викладача?

Змінні:

$y$: середня score викладання за оцінками студентів
$\vec{x}$: характеристики, як-от rank, gender, age та bty_avg

Приклад моделювання для пояснення

З пакета moderndive для 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...
...

Розвідувальний аналіз даних

Три базові кроки розвідувального аналізу даних (EDA):

Перегляд даних
Побудова візуалізацій
Обчислення підсумкових статистик

Розвідувальний аналіз даних

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

Розвідувальний аналіз даних

# 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

Давайте потренуємось!

Моделювання даних у Tidyverse