如何通过针对协变量等调整的治疗来绘制预测因子？

Question

我想绘制拟合的治疗效果与立方预测因子和许多协变量和相互作用调整。使用ggplot，我可以轻松地按处理对数据进行分组，并添加geom_smooth()来获取此数据，但不进行调整。我将this answer应用于我的问题，但是如果您在模型中进行了大量调整，并且在长格式数据时几乎不适用，则会很痛苦。所以我的问题是，是否有更简单的方法来获得我想要的东西。

部分数据

set.seed(42)
n <- 1e4
D <- rbinom(n, 1, .5)  # treatment indicator
X <- .5 + rnorm(n)  # bunch of covariates and other adjustemnts
P <- 5.54 + 0.35*D -.24*X + rnorm(n)  # predictor
Y <- 1.49 - 1.35*P + .5*P^2 - 0.04*P^3 - 0.83*D + 0.43*X + rnorm(n, 0, 6)
df1 <- data.frame(D, X, P, Y)

指定的模型，完整和不完整

true <- lm(Y ~ P + I(P^2) + I(P^3) + D + X , df1)  # true model
bias <- lm(Y ~ P + I(P^2) + I(P^3) + D, df1)

> round(rbind(true=coef(true), bias=c(coef(bias), NA)),
+       3)
     (Intercept)     P I(P^2) I(P^3)      D    X
true      -4.023 1.803 -0.088 -0.005 -0.728 0.42
bias      -3.426 1.753 -0.091 -0.005 -0.702   NA

因此，ggplot显示我与习惯情节中的真实模型相比有很大不同。

没有协变量的情节

library(ggplot2)
p1 <- ggplot(df1, aes(P, Y, color=as.factor(D), group=D)) +
  geom_smooth(se=FALSE) +
  theme_bw()
p2 <- ggplot(df1, aes(P, Y, color=as.factor(D), group=D)) +
  stat_smooth(method="lm", formula=y ~ poly(x, 3, raw=TRUE), se=FALSE) +
  theme_bw()
egg::ggarrange(p1, p2)

将mentioned solution应用于我的问题会给我以下内容。

预测

n.data <- data.frame(D=rep(range(D), each=n/2),
                   P=rep(seq(range(df1$P)[1], range(df1$P)[2],
                              length.out=n/2), times=2),
                   X=rep(seq(range(df1$X)[1], range(df1$X)[2],  # assume this dozens of!
                             length.out=n/2), times=2))
df1.2 <- data.frame(n.data, pred=predict(true, n.data))

使用协变量绘图

p1a <- ggplot(df1, aes(x=P, y=Y, color=as.factor(D)))  +
  geom_smooth(data=df1.2, aes(x=P, y=pred, color=as.factor(D))) +
  theme_bw()
p2a <- ggplot(df1, aes(x=P, y=Y, color=D)) +
  stat_smooth(method="lm", formula=y ~ poly(x, 3, raw=TRUE),
              data=df1.2, aes(x=P, y=pred, color=as.factor(D))) +
  theme_bw()
egg::ggarrange(p1a, p2a)

看起来好像是我想要的，但我不太相信它。无论如何，可能有更简单，更可靠的方式来获得这样的情节吗？

Answer 1

我知道这个问题很老，所以仅供参考！

我会选择 effects 包：

set.seed(42)
n <- 1e4
D <- rbinom(n, 1, .5)  # treatment indicator
X <- .5 + rnorm(n)  # bunch of covariates and other adjustemnts
P <- 5.54 + 0.35*D -.24*X + rnorm(n)  # predictor
Y <- 1.49 - 1.35*P + .5*P^2 - 0.04*P^3 - 0.83*D + 0.43*X + rnorm(n, 0, 6)
df1 <- data.frame(D = factor(D, labels = c("Control", "Treatment")), X, P, Y)
true <- lm(Y ~ poly(P, 3, raw = TRUE):D + X , df1)  # true model
library(effects)
plot(predictorEffect("P", true), lines=list(multiline=TRUE))

如果您想要 ggplot，可以使用 ggeffects 包，其功能基本相同，但使用 ggplot2 系统。