Pemodelan Statistik dengan GLM dan Regresi Nonparametrik

Regresi linier tradisional seringkali gagal ketika data mengikuti distribusi non-normal atau menunjukkan pola non-linier yang kompleks. Memahami cara menangani kompleksitas dunia nyata ini sangat penting bagi setiap analis data atau peneliti modern. Kursus ini memandu Anda bertransisi dari model linier dasar ke kerangka kerja statistik fleksibel yang dapat menangani berbagai jenis data. Anda akan belajar memodelkan hasil biner, data hitungan, dan tren non-linier menggunakan berbagai alat matematika yang kuat. Di akhir kursus ini, Anda akan dapat memilih dan menerapkan pendekatan pemodelan yang tepat untuk dataset yang beragam, memastikan analisis Anda akurat dan dapat diinterpretasikan. Apa yang akan Anda pelajari: - Pahami dasar-dasar Generalized Linear Models (GLM) untuk distribusi data non-normal. - Terapkan regresi logistik untuk menyelesaikan masalah klasifikasi dan interpretasikan rasio odds yang dihasilkan. - Implementasikan teknik nonparametrik seperti estimator kernel dan smoothing splines untuk pencocokan data yang fleksibel. - Jelajahi Generalized Additive Models (GAM) untuk menyeimbangkan fleksibilitas model dengan interpretasi statistik. - Latih evaluasi dan validasi model menggunakan teknik cross-validation modern. - Analisis dataset kompleks menggunakan library dataframe modern untuk manipulasi data yang efisien. Kursus dimulai dengan terminologi penting dan dasar konseptual fungsi tautan sebelum beralih ke aplikasi praktis GLM dan metode nonparametrik. Anda akan melanjutkan melalui penjelasan tertulis dan contoh berbasis kode yang dirancang untuk membangun dasar teoretis dan praktis yang kuat. Kursus ini dirancang untuk pemula yang memiliki pemahaman dasar tentang regresi linier sederhana dan ingin memperluas perangkat statistik mereka. Mulailah membangun model statistik yang lebih fleksibel dan akurat hari ini.