Добавление линии регрессии на ggplot

Ответ 1

В общем случае для предоставления вашей собственной формулы вы должны использовать аргументы x и y, которые будут соответствовать значениям, указанным в ggplot() - в этом случае x будет интерпретироваться как x.plot и y как y.plot. Более подробную информацию о методах сглаживания и формуле вы можете найти на странице справки функции stat_smooth(), поскольку она используется по умолчанию для geom_smooth().

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

Если вы используете те же значения x и y, которые вы указали в вызове ggplot(), и вам нужно построить линию линейной регрессии, вам не нужно использовать формулу внутри geom_smooth(), просто поставьте method="lm".

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

Ответ 2

Как я только что понял, в случае, если у вас есть модель с множественной линейной регрессией, вышеупомянутое решение не будет работать.

Вы должны создать свою строку вручную в виде информационного кадра, который содержит прогнозные значения для исходного исходного информационного кадра (в data вашего случая).

Это будет выглядеть так:

# 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)

Ответ 3

Если вы хотите подогнать модели другого типа, например, кривую доза-эффект с использованием логистических моделей, вам также необходимо создать больше точек данных с помощью функции предиктума, если вы хотите иметь более гладкую линию регрессии:

fit: ваша форма кривой логистической регрессии

#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)))

Ответ 4

Очевидное решение с использованием geom_abline:

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

Где data.lm является объектом lm, а data.lm$coefficients выглядят примерно так:

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

Идентичные на практике используется stat_function для построения линии регрессии в зависимости от х, используя predict:

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

Это немного менее эффективно, так как по умолчанию вычисляется n=101 балл, но гораздо более гибко, поскольку оно построит кривую прогнозирования для любой модели, поддерживающей predict, такой как нелинейный npreg из пакета np.

Примечание. Если вы используете scale_x_continuous или scale_y_continuous некоторые значения могут быть geom_smooth и, следовательно, geom_smooth может работать неправильно. Используйте coord_cartesian для увеличения.

Ответ 5

Я нашел эту функцию в блоге

 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)))
    }'

как только вы загрузили функцию, вы можете просто

ggplotRegression(fit)

Вы также можете пойти на ggplotregression( y ~ x + z + Q, data)

Надеюсь это поможет.