在ggplot上添加回归线

Question

我正在努力在ggplot上添加一个回归线。 我先尝试使用abline，但无法使其正常工作。 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。

- Remi.b

---

这个回答解决了您的问题吗？在图表中添加回归线方程和R^2。 - tjebo

Answer 1

一般来说，如果您想提供自己的公式，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，y将被解释为y.plot。有关平滑方法和公式的更多信息，请参阅函数stat_smooth()的帮助页面，因为它是geom_smooth()使用的默认统计方法。

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

如果你在ggplot()中使用的是相同的x和y值，并且需要绘制线性回归线，则不需要在geom_smooth()中使用公式，只需提供method="lm"即可。

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

- Didzis Elferts

---

@ Didzis Elferts 有没有办法在使用geom_smooth时显示回归线的斜率？谢谢。 - Alex

Answer 2

正如我刚刚发现的那样，如果你拥有一个基于多元线性回归的模型，上述解决方案将不起作用。

你需要手动创建一行数据框，其中包含原始数据框（在你的情况下是data）的预测值。

它应该像这样：

# 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)

- StefanK

---

需要注意的一件事是约定俗成的表达方式为lm(y~x)。读到这个式子时，我有些困惑，因为你要“预测”的变量在x轴上。不过回答很棒。 - colorlace

Answer 3

简单而多用的解决方案是使用 slope 和 intercept 从 geom_abline 绘制一条线。在散点图和 lm 对象中的示例用法：

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要绘制的直线，则类似地插入斜率和截距值即可。

- qwr

---

因此，您不必担心公式的顺序或只需添加 +0，您可以使用名称。例如：data.lm$coefficients[['(Intercept)']] 和 data.lm$coefficients[['DepDelay']]。 - Ufos

几乎总是(Intercept)会被列在首位。这些名称确实使代码更清晰。 - qwr

我认为这是最好的答案 - 它是最通用的。 - arranjdavis

我该如何利用它（绘制它）？ - Ben

@Ben 抱歉回复晚了。由于这个答案引起了一些关注，我已经添加了一个 MWE 的详细信息。 - qwr

Answer 4

我在一个 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))) }`

一旦你加载了这个函数，你只需要：

ggplotRegression(fit)

你也可以选择 ggplotregression( y ~ x + z + Q, data)

希望这有所帮助。

- YellowEagle

---

解释一下这段代码会大大改善这个答案。标签是不必要的，你应该使用coef(fit)而不是直接访问系数。 - qwr

Answer 5

如果您想适用其他类型的模型，例如使用逻辑回归模型的剂量-反应曲线，您还需要使用函数“predict”创建更多数据点，以便获得更平滑的回归线：

fit：逻辑回归曲线的拟合结果

#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)))

- user3436882

Answer 6

使用geom_line()添加回归线的另一种方法是使用broom包获取拟合值，并像这里所示使用它 https://cmdlinetips.com/2022/06/add-regression-line-to-scatterplot-ggplot2/

- user19423023

---

你的回答可以通过提供更多支持信息来改进。请编辑以添加进一步的细节，例如引用或文档，以便他人可以确认你的答案是正确的。您可以在帮助中心找到有关如何编写良好答案的更多信息。 - Community