ggplot2

Question

yılında logit ve probit çizmek nasıl bu neredeyse kesinlikle bir newbish soru/veri kümesi için

Ben logit ve başarılı olamadı ggplot2 içinde probit eğrilerini hem çizmek için çalışıyorlar altındadır. Ben safça kullanıyoruz

Ft Temp TD 

    1 66 0 
    6 72 0 
    11 70 1 
    16 75 0 
    21 75 1 
    2 70 1 
    7 73 0 
    12 78 0 
    17 70 0 
    22 76 0 
    3 69 0 
    8 70 0 
    13 67 0 
    18 81 0 
    23 58 1 
    4 68 0 
    9 57 1 
    14 53 1 
    19 76 0 
    5 67 0 
    10 63 1 
    15 67 0 
    20 79 0 

kod aynı grafikte bu iki eğri çizmek amacıyla kodumu ne şekilde artırabileceğini

library(ggplot2) 
    TD<-mydata$TD 
    Temp<-mydata$Temp 
    g<- qplot(Temp,TD)+geom_point()+stat_smooth(method="glm",family="binomial",formula=y~x,col="red") 
    g1<-g+labs(x="Temperature",y="Thermal Distress") 
    g1 
    g2<-g1+stat_smooth(method="glm",family="binomial",link="probit",formula=y~x,add=T) 
    g2 

söyler misiniz nedir?

size

Answer 1

Alternatif bir yaklaşım, kendi tahmin edilen değerlerinizi oluşturmak ve bunları ggplot ile çizmek olacaktır - daha sonra son arsa üzerinde daha fazla kontrole sahip olabilirsiniz. hesaplamalar için stat_smooth belgesine güvenmek; Bu, birden çok değişkeni kullanıyorsanız ve çizim yaparken araçlarında veya modlarında sabit tutmak için özellikle yararlıdır).

:

library(ggplot2) 

# Generate data 
mydata <- data.frame(Ft = c(1, 6, 11, 16, 21, 2, 7, 12, 17, 22, 3, 8, 
          13, 18, 23, 4, 9, 14, 19, 5, 10, 15, 20), 
        Temp = c(66, 72, 70, 75, 75, 70, 73, 78, 70, 76, 69, 70, 
           67, 81, 58, 68, 57, 53, 76, 67, 63, 67, 79), 
        TD = c(0, 0, 1, 0, 1, 1, 0, 0, 0, 0, 0, 0, 
          0, 0, 1, 0, 1, 1, 0, 0, 1, 0, 0)) 

# Run logistic regression model 
model <- glm(TD ~ Temp, data=mydata, family=binomial(link="logit")) 

# Create a temporary data frame of hypothetical values 
temp.data <- data.frame(Temp = seq(53, 81, 0.5)) 

# Predict the fitted values given the model and hypothetical data 
predicted.data <- as.data.frame(predict(model, newdata = temp.data, 
             type="link", se=TRUE)) 

# Combine the hypothetical data and predicted values 
new.data <- cbind(temp.data, predicted.data) 

# Calculate confidence intervals 
std <- qnorm(0.95/2 + 0.5) 
new.data$ymin <- model$family$linkinv(new.data$fit - std * new.data$se) 
new.data$ymax <- model$family$linkinv(new.data$fit + std * new.data$se) 
new.data$fit <- model$family$linkinv(new.data$fit) # Rescale to 0-1 

# Plot everything 
p <- ggplot(mydata, aes(x=Temp, y=TD)) 
p + geom_point() + 
    geom_ribbon(data=new.data, aes(y=fit, ymin=ymin, ymax=ymax), alpha=0.5) + 
    geom_line(data=new.data, aes(y=fit)) + 
    labs(x="Temperature", y="Thermal Distress") 

Bonus, sadece eğlence için: Kendi tahmin işlevi kullanırsanız modeli Ft farklı düzeylerde nasıl uyduğunu, gösterilmemesi gibi ortak değişkenler ile Çıldırabiliriz

# Alternative, if you want to go crazy 
# Run logistic regression model with two covariates 
model <- glm(TD ~ Temp + Ft, data=mydata, family=binomial(link="logit")) 

# Create a temporary data frame of hypothetical values 
temp.data <- data.frame(Temp = rep(seq(53, 81, 0.5), 2), 
         Ft = c(rep(3, 57), rep(18, 57))) 

# Predict the fitted values given the model and hypothetical data 
predicted.data <- as.data.frame(predict(model, newdata = temp.data, 
             type="link", se=TRUE)) 

# Combine the hypothetical data and predicted values 
new.data <- cbind(temp.data, predicted.data) 

# Calculate confidence intervals 
std <- qnorm(0.95/2 + 0.5) 
new.data$ymin <- model$family$linkinv(new.data$fit - std * new.data$se) 
new.data$ymax <- model$family$linkinv(new.data$fit + std * new.data$se) 
new.data$fit <- model$family$linkinv(new.data$fit) # Rescale to 0-1 

# Plot everything 
p <- ggplot(mydata, aes(x=Temp, y=TD)) 
p + geom_point() + 
    geom_ribbon(data=new.data, aes(y=fit, ymin=ymin, ymax=ymax, 
             fill=as.factor(Ft)), alpha=0.5) + 
    geom_line(data=new.data, aes(y=fit, colour=as.factor(Ft))) + 
    labs(x="Temperature", y="Thermal Distress") 

Answer 2

Eğer stat_smooth örtüşme kullandığımız bu iki işlevi ederiz. Bu yüzden bu ikisini aynı grafikte göremeyeceğinizi düşünüyorsunuz. Aşağıdakileri çalıştırmak, ikinci satır için mavi bir renge sahip olacak şekilde bunu netleştirecektir. İkinci stat_smooth üzerinde, örneğin bir Poisson glm farklı bir aileyi çalıştırırsanız

library(ggplot2) 
TD<-mydata$TD 
Temp<-mydata$Temp 
g <- qplot(Temp,TD)+geom_point()+stat_smooth(method="glm",family="binomial",formula=y~x,col="red") 
g1<-g+labs(x="Temperature",y="Thermal Distress") 
g1 
g2<-g1+stat_smooth(method="glm",family="binomial",link="probit",formula=y~x,add=T,col='blue') 
g2 

:

library(ggplot2) 
TD<-mydata$TD 
Temp<-mydata$Temp 
g <- qplot(Temp,TD)+geom_point()+stat_smooth(method="glm",family="binomial",formula=y~x,col="red") 
g1<-g+labs(x="Temperature",y="Thermal Distress") 
g1 
g2<-g1+stat_smooth(method="glm",family="poisson",link="log",formula=y~x,add=T,col='blue') 
g2 

O halde gerçekten iki satır çizilir görebilirsiniz: