In diesem Modul lernen Sie, die Annahmen des Modells zu überprüfen und Probleme zu diagnostizieren, die bei der linearen Regression auftreten. Sie lernen, Residuen zu untersuchen, Ausreißer zu identifizieren, die numerisch weit vom Großteil der Daten entfernt sind, und einflussreiche Beobachtungen zu erkennen, die das Regressionsmodell übermäßig beeinflussen. Schließlich lernen Sie, Kollinearität zu diagnostizieren, um aufgeblähte Standardfehler und instabile Parameter im Modell zu vermeiden.

In diesem Modul lernen Sie, wie Sie von der Inferenzstatistik zur prädiktiven Modellierung übergehen. Anstatt p-Werte zu verwenden, lernen Sie, wie man Modelle mit Hilfe einer ehrlichen Bewertung beurteilt. Nachdem Sie das beste Modell ausgewählt haben, lernen Sie, wie Sie das Modell zur Vorhersage neuer Daten einsetzen können.

In diesem Modul suchen Sie mithilfe von Hypothesentests nach Zusammenhängen zwischen Prädiktoren und einer binären Antwort. Dann erstellen Sie ein logistisches Regressionsmodell und lernen, wie Sie die Beziehung zwischen der Antwort und den Prädiktoren charakterisieren können. Schließlich lernen Sie, wie Sie mit Hilfe der logistischen Regression ein Modell oder einen Klassifikator erstellen, um unbekannte Fälle vorherzusagen.