在散点图中添加对数回归线（与Excel比较）

Question

在Excel中，它很容易拟合给定趋势线集的对数趋势线。只需单击添加趋势线，然后选择“对数”。切换到R以获得更多功率，我有点失去了应该使用哪个函数来生成它。

为了生成图表，我使用ggplot2和以下代码。

ggplot(data, aes(horizon, success)) + geom_line() + geom_area(alpha=0.3)+
  stat_smooth(method='loess')

但是代码进行局部多项式回归拟合，该拟合基于对许多小线性回归进行平均。我的问题是在R中是否有类似的日志趋势线用于Excel。

编辑：我正在寻找的另一种方法是以y =（c * ln（x））+ b的形式得到一个对数方程;是否有一个coef（）函数来获得'c'和'b'？

Edit2：由于我有更多的声誉，我现在可以发布更多关于我正在努力做的事情。让我的数据是：

0.599885189,0.588404133,0.577784156,0.567164179,0.556257176,0.545350172,0.535112897,
0.52449292,0.51540375,0.507271336,0.499904325,0.498851894,0.498851894,0.497321087,
0.4964600,0.495885955,0.494068121,0.492154612,0.490145427,0.486892461,0.482395714,
0.477229238,0.471010333

以上数据是y点，而x点只是1的整数：长度（y），增量为1.在Excel中：我可以简单地绘制这个并添加一个对数趋势线，结果如下：

黑色是原木。在R中，如何使用上述数据集进行此操作？

Answer 1

我更喜欢使用基本图形而不是ggplot2：

#some data with a linear model
x <- 1:20
set.seed(1)
y <- 3*log(x)+5+rnorm(20)

#plot data
plot(y~x)

#fit log model
fit <- lm(y~log(x))
#look at result and statistics
summary(fit)
#extract coefficients only
coef(fit)

#plot fit with confidence band
matlines(x=seq(from=1,to=20,length.out=1000),
         y=predict(fit,newdata=list(x=seq(from=1,to=20,length.out=1000)),
                   interval="confidence"))

#some data with a non-linear model
set.seed(1)
y <- log(0.1*x)+rnorm(20,sd=0.1)

#plot data
plot(y~x)

#fit log model
fit <- nls(y~log(a*x),start=list(a=0.2))
#look at result and statistics
summary(fit)

#plot fit
lines(seq(from=1,to=20,length.out=1000),
      predict(fit,newdata=list(x=seq(from=1,to=20,length.out=1000))))

Answer 2

您可以轻松指定其他平滑方法（例如lm()，线性最小二乘拟合）和替代公式

library(ggplot2)
g0 <- ggplot(dat, aes(horizon, success)) + geom_line() + geom_area(alpha=0.3)
g0 + stat_smooth(method="lm",formula=y~log(x),fill="red")

自动包含置信带：我改变了颜色以使它们可见，因为它们非常窄。您可以使用se=FALSE中的stat_smooth将其关闭。

另一个答案显示了如何获得系数：

coef(lm(success~log(horizon),data=dat))

我可以想象您接下来可能要将等式添加到图表中：请参阅Adding Regression Line Equation and R2 on graph

Answer 3

我很确定一个简单的+ scale_y_log10（）会得到你想要的东西。转换后计算GGPlot统计数据，然后根据对数转换数据计算loess（）。

Answer 4

我刚刚写了一篇blog post here来描述如何精确匹配Excel的对数曲线拟合。方法的核心以lm()函数为中心：

# Set x and data.to.fit to the independent and dependent variables
data.to.fit <- c(0.5998,0.5884,0.5777,0.5671,0.5562,0.5453,0.5351,0.524,0.515,0.5072,0.4999,0.4988,0.4988,0.4973,0.49,0.4958,0.4940,0.4921,0.4901,0.4868,0.4823,0.4772,0.4710)
x <- c(seq(1, length(data.to.fit)))
data.set <- data.frame(x, data.to.fit)

# Perform a logarithmic fit to the data set
log.fit <- lm(data.to.fit~log(x), data=data.set)

# Print out the intercept, log(x) parameters, R-squared values, etc.
summary(log.fit)

# Plot the original data set
plot(data.set)

# Add the log.fit line with confidence intervals
matlines(predict(log.fit, data.frame(x=x), interval="confidence"))

希望有所帮助。