添加回归线上ggplot

Question

我努力加上一个ggplot回归线。我先用abline试过，但我没有管理，使其工作。然后，我想这...

data = data.frame(x.plot=rep(seq(1,5),10),y.plot=rnorm(50))
ggplot(data,aes(x.plot,y.plot))+stat_summary(fun.data=mean_cl_normal) +
   geom_smooth(method='lm',formula=data$y.plot~data$x.plot)

但它不工作要么。

Answer 1

在一般情况下，提供自己的公式，你应该使用参数x和y，将对应于你ggplot()提供的值 - 在这种情况下x将被解释为x.plot和y为y.plot。关于平滑的方法和公式，你可以在功能stat_smooth()的帮助页面找到，因为它是由geom_smooth()使用默认统计的更多信息。

ggplot(data,aes(x.plot,y.plot))+stat_summary(fun.data=mean_cl_normal) + 
  geom_smooth(method='lm',formula=y~x)

如果您使用的是相同的x和您在ggplot()呼叫提供的，需要绘制线性回归线那么你并不需要使用内部geom_smooth()公式y值，只需提供该method="lm"。

ggplot(data,aes(x.plot,y.plot))+stat_summary(fun.data=mean_cl_normal) + 
  geom_smooth(method='lm')

Answer 2

正如我刚才算了一下，如果你有安装在多元线性回归模型，上述方案将无法工作。

你必须手动创建行包含您的原始数据帧的预测值（在你的情况data）一个数据帧。

它是这样的：

# read dataset
df = mtcars

# create multiple linear model
lm_fit <- lm(mpg ~ cyl + hp, data=df)
summary(lm_fit)

# save predictions of the model in the new data frame 
# together with variable you want to plot against
predicted_df <- data.frame(mpg_pred = predict(lm_fit, df), hp=df$hp)

# this is the predicted line of multiple linear regression
ggplot(data = df, aes(x = mpg, y = hp)) + 
  geom_point(color='blue') +
  geom_line(color='red',data = predicted_df, aes(x=mpg_pred, y=hp))

# this is predicted line comparing only chosen variables
ggplot(data = df, aes(x = mpg, y = hp)) + 
  geom_point(color='blue') +
  geom_smooth(method = "lm", se = FALSE)

Answer 3

使用geom_abline显而易见的解决方案：

geom_abline(slope = data.lm$coefficients[2], intercept = data.lm$coefficients[1])

凡data.lm是lm对象，data.lm$coefficients看起来是这样的：

data.lm$coefficients
(Intercept)    DepDelay 
  -2.006045    1.025109 

相同在实践中是使用stat_function绘制回归线作为x的函数，利用predict的：

stat_function(fun = function(x) predict(data.lm, newdata = data.frame(DepDelay=x)))

这是有点不太有效的，因为通过默认n=101点被计算，但更灵活的，因为它会绘制预测曲线用于支持predict，如从包NP非线性npreg任何模型。

注：如果您使用scale_x_continuous或scale_y_continuous某些值可能截止，因此geom_smooth可能无法正常工作。 Use coord_cartesian to zoom instead。

Answer 4

如果你想使用逻辑模型，以适应其他类型的机型，喜欢的剂量反应曲线，你也需要用函数来创建更多的数据点，如果你想有一个平滑的回归线预测：

适合：你的逻辑回归曲线拟合

#Create a range of doses:
mm <- data.frame(DOSE = seq(0, max(data$DOSE), length.out = 100))
#Create a new data frame for ggplot using predict and your range of new 
#doses:
fit.ggplot=data.frame(y=predict(fit, newdata=mm),x=mm$DOSE)

ggplot(data=data,aes(x=log10(DOSE),y=log(viability)))+geom_point()+
geom_line(data=fit.ggplot,aes(x=log10(x),y=log(y)))

Answer 5

我发现这个功能在blog

 ggplotRegression <- function (fit) {

    `require(ggplot2)

    ggplot(fit$model, aes_string(x = names(fit$model)[2], y = names(fit$model)[1])) + 
      geom_point() +
      stat_smooth(method = "lm", col = "red") +
      labs(title = paste("Adj R2 = ",signif(summary(fit)$adj.r.squared, 5),
                         "Intercept =",signif(fit$coef[[1]],5 ),
                         " Slope =",signif(fit$coef[[2]], 5),
                         " P =",signif(summary(fit)$coef[2,4], 5)))
    }`

一旦你加载的功能，你可以简单地

ggplotRegression(fit)

你也可以去ggplotregression( y ~ x + z + Q, data)

希望这可以帮助。