绘制lm返回的模型的结果

Question

对不起，如果这是微不足道的，还没有找到解决方案。

为了保持这一点，我有5分（比如d0 = c(1,2,3,4,5)）和5分（比如说f0 = c(0.8950514, 1.240066, 1.410252, 1.494778, 1.514794)）。

我想概括一下，找到一个f函数f(d0) = f0。很简单。为此，如果我做对了，我需要做一些反复试验来找到f的正确结构;然后我可以用lm提取其参数。正确？

所以，我开始尝试一个简单的线性模型：

model <- lm(f0 ~ d0)$coefficients

然后我想绘制它以查看实际的拟合：

lines(d0, model[[1]] + d0*model[[2]])

问题

尝试其他类型的依赖时，事情变得无聊。例如，我可以猜测两者之间的日志日志依赖关系：

model <- lm(log(f0) ~ log(d0))$coefficients

然后绘制我需要的实际函数来改变对行的调用

lines(d0, exp(model2[[1]] + model2[[2]]*log(d0)))

现在，如果我尝试使用其他类型的公式，我将不得不为lines使用不同的代码行。

问题

1. 有没有办法自动绘制lm的结果（以lines(d0, predicted.f)的形式），也许使用lm$call中的信息？

我的愿望是这样的：

model <- lm(f0 ~ d0)
plotFromModel(d0, model)
model <- lm(log(f0) ~ log(d0))
plotFromModel(d0, model)

1. 我在这里缺少什么？这个简单的任务是应该用lm和不同的公式完成还是有更明显的路径？

修改

看起来没有更明显的路径了。我在这里澄清一下，这个问题出于必要，为这5个点找到最合适的1d曲线。因此，虽然我们被迫使用lm，但必须对所有类型的公式开放，例如

f0 ~ d0

log(f0) ~ d0

f0 ~ d0 + I(log(d0)^2)

等等。最重要的是，我仍在寻找一维函数，即y = f(x)，其中x和y都是标量，并且没有其他参数。

曲线拟合问题的其他典型要求是，一旦从5个点找到模型，就可以看到它的真实曲线（ - >使用任意长度的d），然后你可以将它与您正在测试的其他型号进行比较。我想复制以下行为：

d0 <- c(1,2,3,4,5)
f0 <- c(0.8950514, 1.240066, 1.410252, 1.494778, 1.514794)
d <- seq(from = 1, to = 5, length.out = 200)

windows(w=700,h=500)
plot(d0, f0, type='b',col='black', log='xy',lwd=4)
grid()

m <- lm(f0 ~ d0)$coefficients
lines(d, m[1] + m[2]*d, col='orange', lwd=3)

m <- lm(log(f0) ~ log(d0))$coefficients
lines(d, exp(m[1] + m[2]*log(d)), col='blue', lwd=3)

m <- lm(log(f0) ~ log(log(d0)))$coefficients
lines(d, exp(m[1] + m[2]*log(log(d))), col='green', lwd=3)

m <- lm(log(f0) ~ log(d0) + I(log(d0)^2))$coefficients
lines(d, exp(m[1] + m[2]*log(d) + m[3]*log(d)^2), col='red', lwd=3)

m <- lm(f0 ~ d0 + I(d0^2))$coefficients
lines(d, m[1] + m[2]*d + m[3]*d^2, col='pink', lwd=3)

从这里我可以看出红色更好。

从下面的好答案来看，这是非平凡的，所以我个人只是坚持手动方法。这应该是可能的，因为公式保存在model$call，但我可以没有它。

Answer 1

plotFromModel假定模型具有可能已转换的y值和单个x值;但是，x值可以包含多个lm字词，每个字词都可以转换为x。 finv必须指定LHS的逆变换（或者如果未转换y则可以省略）。如果add为FALSE（默认值），则会将y与x进行对比，然后拟合。如果add为TRUE，则仅绘制适合过度绘制任何现有图的拟合。 ...被传递给lines命令，用于绘制拟合。请注意，它会重新安装模型。

另外，请注意，使用传统线性回归测试不同的拟合是不可比的，因为它们使用y的不同函数的平方和。

plotFromModel <- function(x, fm, finv = identity, add = FALSE, ...) {

   # DF's columns are y and x
   DF <- cbind(finv(fm$model[1]), x)
   names(DF) <- all.vars(terms(fm))

   if (!add) plot(DF[2:1]) # plot y vs. x
   fm.new <- lm(terms(fm), DF) # refit using new x
   lines(finv(fitted(fm.new)) ~ x, ...)
}

d0 = c(1,2,3,4,5) 
f0 = c(0.8950514, 1.240066, 1.410252, 1.494778, 1.514794)

fm0 <- lm(f0 ~ d0)  
fm1 <- lm(log(f0) ~ log(d0))
fm2 <- lm(log(f0) ~ log(d0) + I(log(d0)^2))
fm3 <- lm(f0 ~ d0 + I(d0^2))

plotFromModel(d0, fm0, col = 1)
plotFromModel(d0, fm1, exp, add = TRUE, col = 2, lty = 2)
plotFromModel(d0, fm2, exp, add = TRUE, col = 3, lty = 3)
plotFromModel(d0, fm3, add = TRUE, col = 4, lty = 4)

Answer 2

您可以使用预测将模型应用于数据。这是一个例子：

d0 = c(1,2,3,4,5)
f0 = c(0.8950514, 1.240066, 1.410252, 1.494778, 1.514794)
model <- lm(f0 ~ d0)

plot(d0, f0)
lines(d0, predict(model, data.frame(d0 = d0)))

也许有一种比创建数据框作为预测参数更优雅的方法，但它至少应该是一个充分的解决方案。