Visreg将log-log绘制为log级别

Question

我想使用一个数据集对点击链接所花费的钱进行回归，其中我注意到链接点击量在花费了一定的钱后趋于平稳。我想使用对数转换来更好地拟合这个平滑数据。

我的数据集如下所示：

link.clicks
[1]  34  60  54  49  63 100

MoneySpent
[1]  10.97  21.81  20.64  21.42  48.03 127.30

我想预测MoneySpent每增加1美元，link.clicks的百分比变化。我的回归模型是：

regClicksLogLevel <- lm(log(link.clicks) ~ (MoneySpent), data = TwtrData)
summary(regClicksLogLevel)
visreg(regClicksLogLevel)

但是，visreg生成的图形如下所示: 1：https://i.stack.imgur.com/eZqVG.png

当我将回归更改为：

regClicksLogLog <- lm(log(link.clicks) ~ log(MoneySpent), data = TwtrData)
summary(regClicksLogLog)
visreg(regClicksLogLog)

我实际上得到了我正在寻找的拟合代码: 2：https://i.stack.imgur.com/MexwC.png

我之所以感到困惑，是因为我并不是想通过MoneySpent的%变化来预测link.clicks的%变化。

我试图通过MoneySpent中$单位的变化来预测link.clicks的百分比变化。

为什么我不能使用我的第一个回归regClicksLogLevel生成第二个图

Answer 1

我猜这就是你要找的

library(tidyverse)

TwtrData = tibble(
  link.clicks = c(34,60,54,49,63,100),
  MoneySpent = c(10.97,21.81,20.64,21.42,48.03,127.30)
) %>% mutate(
  perc.link.clicks = lag(link.clicks, default = 0)/link.clicks,
  perc.MoneySpent = lag(MoneySpent, default = 0)/MoneySpent
)

regClicksLogLevel <- lm(perc.link.clicks ~ perc.MoneySpent, data = TwtrData)
summary(regClicksLogLevel)

输出

Call:
lm(formula = perc.link.clicks ~ perc.MoneySpent, data = TwtrData)

Residuals:
         1          2          3          4          5          6 
-0.1422261 -0.0766939 -0.0839233 -0.0002346  0.1912170  0.1118608 

Coefficients:
                Estimate Std. Error t value Pr(>|t|)   
(Intercept)       0.1422     0.1082   1.315  0.25890   
perc.MoneySpent   0.9963     0.1631   6.109  0.00363 **
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Residual standard error: 0.1434 on 4 degrees of freedom
Multiple R-squared:  0.9032,    Adjusted R-squared:  0.879 
F-statistic: 37.32 on 1 and 4 DF,  p-value: 0.003635

这是图表

TwtrData %>% ggplot(aes(perc.MoneySpent, perc.link.clicks))+
  geom_line()+
  geom_smooth(method='lm',formula= y~x)+
  scale_y_continuous(labels = scales::percent)+
  scale_x_continuous(labels = scales::percent)

​

​