R語言在散點圖中添加lm線性回歸公式的問題
更新時間：2022年09月07日 14:45:46 作者：我是大南瓜
這篇文章主要介紹了R語言在散點圖中添加lm線性回歸公式的問題,本文通過實例代碼給大家介紹的非常詳細，對大家的學(xué)習(xí)或工作具有一定的參考借鑒價值，需要的朋友可以參考下
1. 簡單的線性回歸
函數(shù)自帶的例子（R 中鍵入?lm），lm(y ~ x)回歸y=kx + b， lm( y ~ x -1 )省略b，不對截距進行估計：
require(graphics)
## Annette Dobson (1990) "An Introduction to Generalized Linear Models".
## Page 9: Plant Weight Data.
ctl <- c(4.17,5.58,5.18,6.11,4.50,4.61,5.17,4.53,5.33,5.14)
trt <- c(4.81,4.17,4.41,3.59,5.87,3.83,6.03,4.89,4.32,4.69)
group <- gl(2, 10, 20, labels = c("Ctl","Trt"))
weight <- c(ctl, trt)
lm.D9 <- lm(weight ~ group)
lm.D90 <- lm(weight ~ group - 1) # omitting intercept
anova(lm.D9)
summary(lm.D90)
opar <- par(mfrow = c(2,2), oma = c(0, 0, 1.1, 0))
plot(lm.D9, las = 1) # Residuals, Fitted, ...
par(opar)
使用R中自帶的mtcars數(shù)據(jù)，可以得到截距和斜率，也可以得到解釋率R-square：
require(ggplot2)
library(dplyr) #加載dplyr包
library(ggpmisc) #加載ggpmisc包
library(ggpubr)
require(gridExtra)
model=lm(mtcars$wt ~ mtcars$mpg)
model
## 輸出：
Call:
lm(formula = mtcars$wt ~ mtcars$mpg)
Coefficients:
(Intercept) mtcars$mpg
6.047 -0.141
```
```handlebars
summary(model)
## 輸出：
Call:
lm(formula = mtcars$wt ~ mtcars$mpg)
Residuals:
Min 1Q Median 3Q Max
-0.652 -0.349 -0.138 0.319 1.368
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 6.0473 0.3087 19.59 < 2e-16 ***
mtcars$mpg -0.1409 0.0147 -9.56 1.3e-10 ***
---
Signif. codes: 0 ‘***' 0.001 ‘**' 0.01 ‘*' 0.05 ‘.' 0.1 ‘ ' 1
Residual standard error: 0.494 on 30 degrees of freedom
Multiple R-squared: 0.753, Adjusted R-squared: 0.745
F-statistic: 91.4 on 1 and 30 DF, p-value: 1.29e-10
提取回歸R-square值：
通過summary提?。? ## 上面的例子 ## mtcars例子 model=lm(mtcars$wt ~ mtcars$mpg) res=summary(model) str(res) ## 提取各個值： res$r.squared res$coefficients res$adj.r.squared ## df 矯正后的結(jié)果 res$coefficients[1,1] res$coefficients[2,1]
使用默認的plot繪制回歸散點：
plot(mtcars$mpg, mtcars$wt, pch=20,cex=2) abline(model,col="red",lwd=2)
計算Confidence interval（95%）：
test=mtcars[c("mpg","wt")]
head(test)
colnames(test)=c("x","y")
model = lm(y ~ x, test)
test$predicted = predict(
object = model,
newdata = test)
test$CI = predict(
object = model,
newdata = test,
se.fit = TRUE
)$se.fit * qt(1 - (1-0.95)/2, nrow(test))
test$predicted = predict(
object = model,
newdata = test)
test$CI_u=test$predicted+test$CI
test$CI_l=test$predicted-test$CI
plot(mtcars$mpg, mtcars$wt, pch=20,cex=1) ## have replicated x values
abline(model,col="red",lwd=2)
lines(x=test$x,y=test$CI_u,col="blue")
lines(x=test$x,y=test$CI_l,col="blue")
上面的圖藍線有點奇怪，簡單繪制最初的plot：
plot(mtcars$mpg, mtcars$wt, pch=20,cex=1,type="b") ## have replicated x values
實際上面的計算方法沒問題，但是數(shù)據(jù)不合適，因為數(shù)據(jù)x含有重復(fù)值，所以要考慮這個。
2. 使用ggplot2展示
ggplot2例子：
p <- ggplot(df, aes(x=yreal, y=ypred)) +
geom_point(color = "grey20",size = 1, alpha = 0.8)
#回歸線
#添加回歸曲線
p2 <- p + geom_smooth(formula = y ~ x, color = "red",
fill = "blue", method = "lm",se = T, level=0.95) +
theme_bw() +
stat_poly_eq(
aes(label = paste(..eq.label.., ..adj.rr.label.., sep = '~~~')),
formula = y ~ x, parse = TRUE,color="blue",
size = 5, #公式字體大小
label.x = 0.05, #位置 ，0-1之間的比例
label.y = 0.95) +
labs(title="test",x="Real Value (Huang Huaihai 1777)" , y="Predicted Value (Correlation: 0.5029)")
p2
ggplot版本的手動計算：
require(ggplot2)
library(dplyr) #加載dplyr包
library(ggpmisc) #加載ggpmisc包
library(ggpubr)
require(gridExtra)
ggplot(data=df, aes(x=yreal, y=ypred)) +
geom_smooth(formula = y ~ x, color = "blue",
fill = "grey10", method = "lm") +
geom_point() +
stat_regline_equation(label.x=0.1, label.y=-1.5) +
stat_cor(aes(label=..rr.label..), label.x=0.1, label.y=-2)
test=df
head(test)
colnames(test)=c("x","y")
model = lm(y ~ x, test)
test$predicted = predict(
object = model,
newdata = test)
test$CI = predict(
object = model,
newdata = test,
se.fit = TRUE
)$se.fit * qt(1 - (1-0.95)/2, nrow(test))
ggplot(test) +
aes(x = x, y = y) +
geom_point(size = 1,colour="grey40") +
geom_smooth(formula =y ~ x,method = "lm", fullrange = TRUE, color = "black") +
geom_line(aes(y = predicted + CI), color = "blue") + # upper
geom_line(aes(y = predicted - CI), color = "red") + # lower
theme_classic()
參考：
https://stackoverflow.com/questions/23519224/extract-r-square-value-with-r-in-linear-models （提取R2）
https://blog.csdn.net/LeaningR/article/details/118971000 （提取R2等）
https://stackoverflow.com/questions/45742987/how-is-level-used-to-generate-the-confidence-interval-in-geom-smooth （添加lm線）
https://zhuanlan.zhihu.com/p/131604431 （知乎）
到此這篇關(guān)于R語言在散點圖中添加lm線性回歸公式的問題的文章就介紹到這了,更多相關(guān)R語言線性回歸內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！
相關(guān)文章
這篇文章主要介紹了R語言中向量和矩陣簡單運算的實現(xiàn)，文中通過示例代碼介紹的非常詳細，對大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價值，需要的朋友們下面隨著小編來一起學(xué)習(xí)學(xué)習(xí)吧2021-03-03
這篇文章主要介紹了R語言 實現(xiàn)選取某一行的最大值，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧2021-04-04
這篇文章主要介紹了R語言 檢驗多重共線性的操作，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧2021-04-04
R語言ggplot2設(shè)置圖例(legend)的操作大全
ggplot2是一個繪制可視化圖形的R包,汲取了R語言基礎(chǔ)繪圖系統(tǒng)(graphics)和l?attice包的優(yōu)點,下面這篇文章主要給大家介紹了關(guān)于R語言ggplot2設(shè)置圖例(legend)的操作大全,需要的朋友可以參考下2022-07-07
這篇文章主要為大家介紹了R語言中Rcpp的類型List的基礎(chǔ)學(xué)習(xí)，有需要的朋友可以借鑒參考下，希望能夠有所幫助，祝大家多多進步早日升職加薪2021-11-11
R語言中畫圖時我們常常要設(shè)定標題,如果圖片標題是固定則很容易操作,下面這篇文章主要給大家介紹了關(guān)于R語言ggplot2圖例標簽、標題、順序修改和刪除操作的相關(guān)資料,需要的朋友可以參考下2022-07-07
這篇文章主要為大家介紹了在Ubuntu上針對不同的版本對R語言版本升級的完全攻略，有需要的朋友可以借鑒參考下，希望能夠有所幫助，祝大家多多進步2021-11-11
這篇文章主要為大家介紹了使用ggsignif優(yōu)雅添加顯著性標記詳解，有需要的朋友可以借鑒參考下，希望能夠有所幫助，祝大家多多進步，早日升職加薪2022-09-09
這篇文章主要介紹了R語言實現(xiàn)保留大于或小于特定數(shù)值的行操作，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧2021-04-04
R語言dplyr包之高效數(shù)據(jù)處理函數(shù)（filter、group_by、mutate、summarise）詳解
這篇文章主要介紹了R語言dplyr包之高效數(shù)據(jù)處理函數(shù)（filter、group_by、mutate、summarise）的相關(guān)知識，本文給大家介紹的非常詳細，對大家的學(xué)習(xí)或工作具有一定的參考借鑒價值，需要的朋友可以參考下2021-03-03