通常在数据上绘制一条线(例如拟合的回归线或非参数LOWESS线)很有帮助。同样,当变量混淆时,将x1、y数据按x2分层绘制也很有帮助。然而,我无法弄清楚如何使用?coplot同时结合两者。这在lattice中应该是很自然的,但我似乎也无法弄清楚如何在那里做到这一点。
以下提供了一些可供使用的数据:
原始数据的散点矩阵: 这是一个关于
以下提供了一些可供使用的数据:
library(MASS)
set.seed(7422)
X <- mvrnorm(100, mu=c(5,5), Sigma=rbind(c(2.0, 1.9),
c(1.9, 2.0) ) )
x1 <- X[,1]; x2 <- X[,2]
y <- 3 + .6*x1 - .4*x2 + rnorm(100)
m <- lm(y~x1+x2)
summary(m)$coefficients
# Estimate Std. Error t value Pr(>|t|)
# (Intercept) 3.8281801 0.4022204 9.517619 1.476519e-15
# x1 0.5466495 0.2060269 2.653292 9.314673e-03
# x2 -0.4835804 0.2139542 -2.260205 2.604451e-02
windows()
pairs(cbind(y, x1, x2))
xs <- seq(1.6, 9.2, by=.1)
windows()
plot(y~x2)
lines(xs, predict(m, data.frame(x1=5.2, x2=xs)), col="blue")
windows()
coplot(y~x2|x1)
## doesn't work (lines on plot were drawn by hand)
# lines(xs, predict(m, data.frame(x1=mean(x1[subscripts], x2=xs)), col="blue")
# lines(lowess(y~x2, subset=x1[subscripts]), col="gray")
原始数据的散点矩阵: 这是一个关于
x2
和 y
的边缘图,带有回归线和低通滤波线。这会让不懂统计学的人感到奇怪。
这是我想到的内容。它是一个 coplot,每个分层数据都拟合了回归模型和 LOWESS 线,并绘制在每个面板内。