我正在努力在 ggplot 上添加回归线。我第一次尝试使用 abline，但没有成功。然后我尝试了这个......
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)
但它也不起作用。
【问题讨论】：
标签： r ggplot2 regression linear-regression
一般来说，要提供您自己的公式，您应该使用参数 x 和 y，它们将对应于您在 ggplot() 中提供的值 - 在这种情况下，x 将被解释为 x.plot 和 @987654326 @ 为y.plot。您可以通过函数stat_smooth() 的帮助页面找到更多关于平滑方法和公式的信息，因为它是geom_smooth() 使用的默认统计信息。
ggplot(data,aes(x.plot, y.plot)) +
stat_summary(fun.data=mean_cl_normal) +
geom_smooth(method='lm', formula= y~x)
如果您使用在 ggplot() 调用中提供的相同 x 和 y 值并且需要绘制线性回归线，那么您不需要使用 geom_smooth() 中的公式，只需提供 @987654333 @。
ggplot(data,aes(x.plot, y.plot)) +
stat_summary(fun.data= mean_cl_normal) +
geom_smooth(method='lm')
【讨论】：
正如我刚刚想到的，如果您有一个适合多元线性回归的模型，上述解决方案将不起作用。
您必须手动将您的行创建为包含原始数据框的预测值的数据框（在您的情况下为 data）。
看起来像这样：
# 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$hp)
# this is the predicted line of multiple linear regression
ggplot(data = df, aes(x = mpg, y = hp)) +
geom_point(color='blue') +
geom_line(color='red',data = predicted_df, aes(x=mpg_pred, y=hp))
# this is predicted line comparing only chosen variables
ggplot(data = df, aes(x = mpg, y = hp)) +
geom_point(color='blue') +
geom_smooth(method = "lm", se = FALSE)
【讨论】：
简单而通用的解决方案是使用slope 和intercept 从geom_abline 画一条线。散点图和lm 对象的用法示例：
library(tidyverse)
petal.lm <- lm(Petal.Length ~ Petal.Width, iris)
ggplot(iris, aes(x = Petal.Width, y = Petal.Length)) +
geom_point() +
geom_abline(slope = coef(petal.lm)[["Petal.Width"]],
intercept = coef(petal.lm)[["(Intercept)"]])
coef 用于提取提供给lm 的公式的系数。如果您有其他线性模型对象或线要绘制，只需插入斜率和截距值。
【讨论】：
+0 即可使用名称。 data.lm$coefficients[['(Intercept)']] 和 data.lm$coefficients[['DepDelay']].
(Intercept) 会排在第一位。这些名称确实使代码更清晰。
我在 blog 上找到了这个功能
ggplotRegression <- function (fit) {
`require(ggplot2)
ggplot(fit$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)))
}`
一旦你加载了函数，你就可以简单地
ggplotRegression(fit)
你也可以去ggplotregression( y ~ x + z + Q, data)
希望这会有所帮助。
【讨论】：
coef(fit) 而不是直接访问系数*.com/questions/17824461/…
如果您想拟合其他类型的模型，例如使用逻辑模型的剂量反应曲线，您还需要使用 predict 函数创建更多数据点，如果您想获得更平滑的回归线：
fit：逻辑回归曲线的拟合度
#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)))
【讨论】：