logistic回归geom_abline (ggplot2)

Question

很抱歉，这个问题很简单，但我却找不到解决问题的办法。我想用ggplot2绘制逻辑回归线。问题是我不能使用geom_abline，因为我没有原始模型，只是每个回归线的斜率和截距。我已经将这种方法用于线性回归，这在geom_abline中很好，因为您只需给出多个斜率并截取函数。

Geom_abline(数据=估计，aes(截距=内部，斜率=斜率)

其中inter和slo是具有多个值的向量。

如果我用logistic回归中的系数来尝试同样的方法，我会得到错误的回归线(线性)。我试图使用geom_line，但是，我不能使用函数predict来生成预测值，因为我没有原始的模型objetc。

有什么建议吗？

谢谢你，古斯塔沃

Answer 1

如果模型有logit链接，那么您可以只使用截距(coefs[1])和斜率(coefs[2])绘制预测图，如下所示：

library(ggplot2)

n <- 100L
x <- rnorm(n, 2.0, 0.5)
y <- factor(rbinom(n, 1L, plogis(-0.6 + 1.0 * x)))

mod <- glm(y ~ x, binomial("logit"))
coefs <- coef(mod)

x_plot <- seq(-5.0, 5.0, by = 0.1)
y_plot <- plogis(coefs[1] + coefs[2] * x_plot)

plot_data <- data.frame(x_plot, y_plot)

ggplot(plot_data) + geom_line(aes(x_plot, y_plot), col = "red") + 
        xlab("x") + ylab("p(y | x)") +
        scale_y_continuous(limits = c(0, 1)) + theme_bw()

​

​

编辑

在这里，绘制k预测的概率线的一种方法是按照前面的代码绘制相同的图形：

library(reshape2)

k <- 5L

intercepts <- rnorm(k, coefs[1], 0.5)
slopes <- rnorm(k, coefs[2], 0.5)

x_plot <- seq(-5.0, 5.0, by = 0.1)
model_predictions <- sapply(1:k, function(idx) {
            plogis(intercepts[idx] + slopes[idx] * x_plot)
        })

colnames(model_predictions) <- 1:k
plot_data <- as.data.frame(cbind(x_plot, model_predictions))
plot_data_melted <- melt(plot_data, id.vars = "x_plot", variable.name = "model", 
        value.name = "y_plot")

ggplot(plot_data_melted) + geom_line(aes(x_plot, y_plot, col = model)) + 
        xlab("x") + ylab("p(y | x)") +
        scale_y_continuous(limits = c(0, 1)) + theme_bw()

​

​