Question

所以我的问题很简单，我想绘制数据的指数回归，到目前为止我所做的是绘制多项式回归：

ggplot(data = mydataANOVA, aes(x = TpsenJour, y = PrptionJourAuDelaDe, color = Type_Contrat))+
  geom_point()+
  geom_smooth(method ="lm", formula = y ~ poly(x,2))

我得到以下情节：

回归并不完全适合实际数据，但数据看起来很像指数函数，因此我使用了数据的对数，我使用相同的代码和我的数据日志来获取以下内容情节：

这似乎是非常准确的拟合，所以我想通过绘制指数回归直接比较两个回归模型，但是当我使用公式formula = y ~ exp(poly(x,2))时，我没有得到相同的准确回归和相反，我得到了别的东西：

哪个比第一个更准确。我怎么能用置信区间绘制多项式指数回归。我设法得到了常规绘图函数的良好回归，但没有置信区间而不是ggplot2。这是我只得到两条曲线中的一条：

如何以置信区间对ggplot2进行良好的回归？这是我在2条曲线之一上使用的数据。

      TpsenJour PrptionJourAuDelaDe fact
1             1            0.955669    a
3             3            0.877947    a
5             5            0.815058    a
7             7            0.764725    a
9             9            0.721070    a
11           11            0.681675    a
13           13            0.646490    a
15           15            0.614689    a
17           17            0.585664    a
19           19            0.558905    a
21           21            0.534362    a
23           23            0.511791    a
25           25            0.490651    a
27           27            0.470923    a
29           29            0.452498    a
31           31            0.435190    a
33           33            0.419160    a
35           35            0.404359    a
37           37            0.390519    a
40           40            0.371018    a
40.1         40            0.371018    a
43           43            0.352960    a
46           46            0.336170    a
49           49            0.320631    a
52           52            0.306194    a
55           55            0.292584    a
58           58            0.279858    a
62           62            0.264096    a
65           65            0.253316    a
68           68            0.243120    a
71           71            0.233544    a
74           74            0.224474    a
77           77            0.215905    a
81           81            0.205180    a
84           84            0.197623    a
87           87            0.190440    a
90           90            0.183609    a
93           93            0.177278    a
96           96            0.171358    a
100         100            0.163951    a

谢谢。

我对@Roland的答案有一个小问题，它会返回一个错误，我想我已经解决了。我只需要添加两行:(我希望通过修复我的错误，我没有改变最初预测的结果）

fact<-mydataANOVA$fact
fit <- lm(log(PrptionJourAuDelaDe) ~ poly(TpsenJour, 2) * fact, data = mydataANOVA)
fact<-c(rep('a',1000),rep('b',1000))
pred <- expand.grid(TpsenJour = seq(min(mydataANOVA$TpsenJour), max(mydataANOVA$TpsenJour), length.out = 1e3), 
                    fact = unique(mydataANOVA$fact))

pred <- cbind(pred, 
              exp(predict(fit, 
                          newdata = data.frame(TpsenJour = pred$TpsenJour), 
                          interval = "confidence")))

ggplot(data = DF, aes(x = TpsenJour, y = PrptionJourAuDelaDe, color = fact)) +
  geom_point() +
  geom_ribbon(data = pred, aes(y = fit, ymin = lwr, ymax = upr, fill = fact), alpha = 0.3) +
  geom_line(data = pred, aes(y = fit, color = fact))

然后我得到以下情节：

Answer 1

在ggplot2之外做适合：

fit <- lm(log(PrptionJourAuDelaDe) ~ poly(TpsenJour, 2) * fact, data = DF)
pred <- expand.grid(TpsenJour = seq(min(DF$TpsenJour), max(DF$TpsenJour), length.out = 1e3), 
                    fact = unique(DF$fact))
pred <- cbind(pred, 
              exp(predict(fit, 
                          newdata = data.frame(TpsenJour = pred$TpsenJour), 
                          interval = "confidence")))

library(ggplot2)
ggplot(data = DF, aes(x = TpsenJour, y = PrptionJourAuDelaDe, color = fact)) +
  geom_point() +
  geom_ribbon(data = pred, aes(y = fit, ymin = lwr, ymax = upr, fill = fact), alpha = 0.3) +
  geom_line(data = pred, aes(y = fit, color = fact))

请注意，我不会称之为指数回归。它是一个带有变换因变量的线性回归（与非线性模型形成对比，后者需要与nls拟合）。它可能不是我会使用的模型。

R图用ggplot2线性回归和变换的因变量

1 个答案: