Wykreślenie krzywej regresji wielomianowej w R

Lubię do tego używać ggplot2, ponieważ zwykle dodawanie warstw danych jest bardzo intuicyjne.

library(ggplot2)
fit <- lm(mpg ~ hp + I(hp^2), data = mtcars)
prd <- data.frame(hp = seq(from = range(mtcars$hp)[1], to = range(mtcars$hp)[2], length.out = 100))
err <- predict(fit, newdata = prd, se.fit = TRUE)

prd$lci <- err$fit - 1.96 * err$se.fit
prd$fit <- err$fit
prd$uci <- err$fit + 1.96 * err$se.fit

ggplot(prd, aes(x = hp, y = fit)) +
  theme_bw() +
  geom_line() +
  geom_smooth(aes(ymin = lci, ymax = uci), stat = "identity") +
  geom_point(data = mtcars, aes(x = hp, y = mpg))

Ogólnie dobrym sposobem jest użycie funkcji predict(). Wybierz kilka wartości x, Użyj predict() do wygenerowania odpowiednich wartości y i wykreśl je. Może to wyglądać mniej więcej tak:

newdat = data.frame(hp = seq(min(mtcars$hp), max(mtcars$hp), length.out = 100))
newdat$pred = predict(fit, newdata = newdat)

plot(mpg ~ hp, data = mtcars)
with(newdat, lines(x = hp, y = pred))

Zobacz odpowiedź Romana dla bardziej fantazyjnej wersji tej metody, gdzie przedziały ufności są również obliczane. W obu przypadkach rzeczywiste wykreślenie rozwiązania jest przypadkowe - możesz użyć grafiki bazowej lub ggplot2 lub cokolwiek innego, co chcesz - kluczem jest wystarczy użyć funkcji predict, aby wygenerować odpowiednie wartości y. jest to dobra metoda, ponieważ rozciąga się na wszelkiego rodzaju dopasowania, nie tylko wielomianowe modele liniowe. Możesz go używać z modelami nieliniowymi, GLMs, splinami wygładzającymi itp. - wszystko metodą {[6] }.