In diesem Modul werden wir uns mit der Modellierung von Zähldaten befassen. Wenn die Antwortvariable eine Zählung eines bestimmten Phänomens ist und diese Zählung von einer Reihe von Prädiktoren abhängen soll, können wir die Poisson-Regression als Modell verwenden. Wir werden die Poisson-Regression im Detail beschreiben und die Poisson-Regression auf reale Daten anwenden. Dann werden wir Situationen beschreiben, in denen die Poisson-Regression nicht geeignet ist, und kurz Lösungen für diese Situationen vorstellen.

In diesem Modul werden wir das Konzept eines nichtparametrischen Regressionsmodells vorstellen. Wir werden diesen Begriff mit den parametrischen Modellen vergleichen, die wir bisher untersucht haben. Dann werden wir bestimmte nichtparametrische Regressionsmodelle untersuchen: Kernel-Schätzer und Splines. Schließlich werden wir additive Modelle als eine Mischung aus parametrischen und nichtparametrischen Methoden vorstellen.

Einige Modelle, wie z.B. die lineare Regression, sind leicht zu interpretieren, aber unflexibel, da sie viele Beziehungen in der realen Welt nicht genau erfassen. Andere Modelle, wie z.B. neuronale Netze, sind zwar recht flexibel, aber sehr schwer zu interpretieren. Verallgemeinerte additive Modelle (GAMs) sind ein guter Kompromiss zwischen Flexibilität und Interpretierbarkeit. In diesem Modul werden wir GAMs weiter motivieren, die mathematischen Grundlagen der Anpassung von GAMs erlernen und sie auf simulierten und realen Daten in R implementieren.