R语言在散点图中添加lm线性回归公式的问题

更新时间：2022年09月07日 14:45:46 作者：我是大南瓜

这篇文章主要介绍了R语言在散点图中添加lm线性回归公式的问题,本文通过实例代码给大家介绍的非常详细，对大家的学习或工作具有一定的参考借鉴价值，需要的朋友可以参考下

1. 简单的线性回归

函数自带的例子（R 中键入?lm），lm(y ~ x)回归y=kx + b， lm( y ~ x -1 )省略b，不对截距进行估计：

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中自带的mtcars数据，可以得到截距和斜率，也可以得到解释率R-square：

require(ggplot2)
library(dplyr) #加载dplyr包
library(ggpmisc) #加载ggpmisc包
library(ggpubr)
require(gridExtra)
model=lm(mtcars$wt ~ mtcars$mpg)
model
## 输出：
Call:
lm(formula = mtcars$wt ~ mtcars$mpg)

Coefficients:
(Intercept)   mtcars$mpg  
      6.047       -0.141
      ```
```handlebars
summary(model)

## 输出：
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

提取回归R-square值：

通过summary提取：
## 上面的例子


## mtcars例子
model=lm(mtcars$wt ~ mtcars$mpg)
res=summary(model)
str(res) 
## 提取各个值：
res$r.squared
res$coefficients
res$adj.r.squared  ## df 矫正后的结果
res$coefficients[1,1]
res$coefficients[2,1]

使用默认的plot绘制回归散点：

plot(mtcars$mpg, mtcars$wt, pch=20,cex=2)
abline(model,col="red",lwd=2)

计算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")

上面的图蓝线有点奇怪，简单绘制最初的plot：

plot(mtcars$mpg, mtcars$wt, pch=20,cex=1,type="b") ##  have replicated x values

实际上面的计算方法没问题，但是数据不合适，因为数据x含有重复值，所以要考虑这个。

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)
#回归线
#添加回归曲线
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, #公式字体大小
    label.x = 0.05,  #位置 ，0-1之间的比例
    label.y = 0.95) + 
  labs(title="test",x="Real Value (Huang Huaihai 1777)" , y="Predicted Value (Correlation: 0.5029)")
p2

ggplot版本的手动计算：

require(ggplot2)
library(dplyr) #加载dplyr包
library(ggpmisc) #加载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()

参考：
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线）
https://zhuanlan.zhihu.com/p/131604431 （知乎）

到此这篇关于R语言在散点图中添加lm线性回归公式的问题的文章就介绍到这了,更多相关R语言线性回归内容请搜索脚本之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持脚本之家！

您可能感兴趣的文章:

R语言中向量和矩阵简单运算的实现
这篇文章主要介绍了R语言中向量和矩阵简单运算的实现，文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值，需要的朋友们下面随着小编来一起学习学习吧
2021-03-03
R语言实现选取某一行的最大值
这篇文章主要介绍了R语言实现选取某一行的最大值，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧
2021-04-04
R语言检验多重共线性的操作
这篇文章主要介绍了R语言检验多重共线性的操作，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧
2021-04-04
R语言ggplot2设置图例(legend)的操作大全
ggplot2是一个绘制可视化图形的R包,汲取了R语言基础绘图系统(graphics)和l attice包的优点,下面这篇文章主要给大家介绍了关于R语言ggplot2设置图例(legend)的操作大全,需要的朋友可以参考下
2022-07-07
R语言学习初识Rcpp类型List
这篇文章主要为大家介绍了R语言中Rcpp的类型List的基础学习，有需要的朋友可以借鉴参考下，希望能够有所帮助，祝大家多多进步早日升职加薪
2021-11-11
R语言ggplot2图例标签、标题、顺序修改和删除操作实例
R语言中画图时我们常常要设定标题,如果图片标题是固定则很容易操作,下面这篇文章主要给大家介绍了关于R语言ggplot2图例标签、标题、顺序修改和删除操作的相关资料,需要的朋友可以参考下
2022-07-07
R语言版本升级完全攻略基于Ubuntu
这篇文章主要为大家介绍了在Ubuntu上针对不同的版本对R语言版本升级的完全攻略，有需要的朋友可以借鉴参考下，希望能够有所帮助，祝大家多多进步
2021-11-11
使用ggsignif优雅添加显著性标记详解
这篇文章主要为大家介绍了使用ggsignif优雅添加显著性标记详解，有需要的朋友可以借鉴参考下，希望能够有所帮助，祝大家多多进步，早日升职加薪
2022-09-09
R语言如何保留大于或小于特定数值的行
这篇文章主要介绍了R语言实现保留大于或小于特定数值的行操作，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧
2021-04-04
R语言dplyr包之高效数据处理函数（filter、group_by、mutate、summarise）详解
这篇文章主要介绍了R语言dplyr包之高效数据处理函数（filter、group_by、mutate、summarise）的相关知识，本文给大家介绍的非常详细，对大家的学习或工作具有一定的参考借鉴价值，需要的朋友可以参考下
2021-03-03