我进行了多元回归分析,使用了几个连续预测变量,并且其中几个变量的结果显著,我想创建一个散点图或类似散点图来将我的因变量针对其中一个预测变量进行展示,包括"回归线"。如何实现这个操作?
我的图形看起来像这样:
如果是简单回归,我可以添加一个回归线,就像这样:
但是我的实际模型是这样的:
我希望添加一个回归线,以反映实际模型中的系数和截距,而不是简化模型中的内容。为了做到这一点,我愿意假设所有其他预测变量的平均值,虽然我准备听取相反的建议。
可能没有什么区别,但为了避免混淆,我需要说明一下,情况稍微有些复杂,因为我可能不想绘制原始数据。相反,我想绘制预测变量的分段平均值的DV,如下所示:
我的图形看起来像这样:
D = my.data; plot( D$probCategorySame, D$posttestScore )
如果是简单回归,我可以添加一个回归线,就像这样:
如果是简单回归,我可以添加一个回归线,就像这样:
lmSimple <- lm( posttestScore ~ probCategorySame, data=D )
abline( lmSimple )
但是我的实际模型是这样的:
lmMultiple <- lm( posttestScore ~ pretestScore + probCategorySame + probDataRelated + practiceAccuracy + practiceNumTrials, data=D )
我希望添加一个回归线,以反映实际模型中的系数和截距,而不是简化模型中的内容。为了做到这一点,我愿意假设所有其他预测变量的平均值,虽然我准备听取相反的建议。
可能没有什么区别,但为了避免混淆,我需要说明一下,情况稍微有些复杂,因为我可能不想绘制原始数据。相反,我想绘制预测变量的分段平均值的DV,如下所示:
D[,'probCSBinned'] = cut( my.data$probCategorySame, as.numeric( seq( 0,1,0.04 ) ), include.lowest=TRUE, right=FALSE, labels=FALSE )
D = aggregate( posttestScore~probCSBinned, data=D, FUN=mean )
plot( D$probCSBinned, D$posttestScore )
我之所以这样做,是因为这样对我的数据看起来更加清晰。