回归模型可视化初探

浏览: 1453

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


推荐 0
本文由 EasyCharts 创作,采用 知识共享署名-相同方式共享 3.0 中国大陆许可协议 进行许可。
转载、引用前需联系作者,并署名作者且注明文章出处。
本站文章版权归原作者及原出处所有 。内容为作者个人观点, 并不代表本站赞同其观点和对其真实性负责。本站是一个个人学习交流的平台,并不用于任何商业目的,如果有任何问题,请及时联系我们,我们将根据著作权人的要求,立即更正或者删除有关内容。本站拥有对此声明的最终解释权。

0 个评论

要回复文章请先登录注册