作者简介
作者:吴健 中国科学院大学 R语言、统计学爱好者,尤其擅长R语言和Arcgis在生态领域的应用分享。
个人公众号:统计与编程语言
回归分析作为统计学的核心,通指那些用一个或多个预测变量(也称自变量或解释变量)来预测响应变量(也称因变量、校标变量或结果变量)的方法。通常回归分析可以用来挑选与响应变量相关的解释变量,可以描述两者关系,也可以生成一个等式,通过解释变量来预测响应变量。在实际应用过程中,回归分析的结果常以表格的形式输出,即占用报告或文章的大量空间,同时结果表达又显得没有那么直观。基于此,本为初步介绍一下plot_model可视化回归模型结果,希望可以为大家带来帮助。
01
—
可视化多元线性回归模型
1.加载程序包
library(sjPlot)
library(sjlabelled)
library(sjmisc)
library(ggplot2)
2.加载数据集
data(iris)
3.构建多元线性回归模型
m2 <- lm(Sepal.Length ~ Sepal.Width + Petal.Length + Species, data = iris)
summary(m2)
4.可视化结果
plot_model(m2, show.values = TRUE, value.offset = .3)
上图可以看出每个因变量的值,置信区间及显著性等信息。其中位于0的灰色垂直线表示是否显著,如果置信区间包括0,则不显著;否则,显著。
02
—
可视化逻辑斯蒂回归模型
1.加载程序包
library(sjPlot)
library(sjlabelled)
library(sjmisc)
library(ggplot2)
2.构造数据集
data(efc)
y <- ifelse(efc$neg_c_7 < median(na.omit(efc$neg_c_7)),0,1)
df <- data.frame(
y = as.factor(y),
sex = as.factor(efc$c161sex),
dep = as.factor(efc$e42dep),
barthel = efc$barthtot,
education = as.factor(efc$c172code))
head(df)
set_label(df$y) <- "High Negative Impact"#设置响应变量标签
3.构建逻辑斯蒂回归模型
m1 <- glm(y ~., data=df, family = binomial(link = "logit"))
summary(m1)
4.可视化结果
plot_model(m2, show.values = TRUE, value.offset = .3, axis.labels = "")
图可以看出每个因变量的值,置信区间及显著性等信息。其中位于1的灰色垂直线表示是否显著,如果置信区间包括1,则不显著;否则,显著。
注:plot_model还有很多参数,可以对图进行调整,如改变垂直参考线颜色,有选择的选择显示变量等。大家可以自行查阅函数的帮助文档,本文仅起一个引导作用,介绍一下回归模型可视化的方法。
欢迎大家加入EasyCharts-QQ群
如需转载请联系EasyCharts团队!
【书籍推荐】《Excel 数据之美-科学图表与商业图表的绘制》
【手册获取】国内首款-数据可视化参考手册:专业绘图必备
【必备插件】 EasyCharts -- Excel图表插件
【网易云课堂】 Excel 商业图表修炼秘笈之基础篇