如何在 R 工作室中以概率 plot 添加一个显示条件变量分布的图层？

Question

我正在拟合以下回归： model <- glm(DV ~ conditions + predictor + conditions*predictor, family = binomial(link = "probit"), data = d) 。

我使用'sjPlot'（和'ggplot2'）制作以下plot：

library("ggplot2")
library("sjPlot")
plot_model(model, type = "pred", terms = c("predictor", "conditions")) +
  xlab("Xlab") +
  ylab("Ylab") +
  theme_minimal() +
  ggtitle("Title")>

但是我不知道如何添加一个显示条件变量分布的图层，就像我可以通过使用“interplot”设置“hist = TRUE”轻松做到的那样：

library("interplot")
interplot(model, var1 = "conditions", var2 = "predictor", hist = TRUE) +
      xlab("Xlab") +
      ylab("Ylab") +
      theme_minimal() +
      ggtitle("Title") 

我也只使用 ggplot 尝试了一堆图层，但没有成功

ggplot(d, aes(x=predictor, y=DV, color=conditions))+
  geom_smooth(method = "glm") +
  xlab("Xlab") +
  ylab("Ylab") +
  theme_minimal() +
  ggtitle("Title")

.

我愿意接受任何建议！

Answer 1

我显然不得不尝试重新创建您的数据以使其正常工作，因此它不会忠实于您的原始数据，但如果我们假设您的 plot 是这样的：

p <- plot_model(model, type = "pred", terms = c("predictor [all]", "conditions")) +
  xlab("Xlab") +
  ylab("Ylab") +
  theme_minimal() +
  ggtitle("Title")

p

然后我们可以像这样添加预测变量的直方图：

p + geom_histogram(data = d, inherit.aes = FALSE, 
                   aes(x = predictor, y = ..count../1000),
                   fill = "gray85", colour = "gray50", alpha = 0.3)

如果你想在 ggplot 中做所有事情，你需要记住告诉geom_smooth你的 glm 是一个概率 model，否则它只会适合正常的线性回归。 对于这个示例，我也复制了调色板，但请注意组的平滑线从它们的最低 x 值开始，而不是外推回 0。

ggplot(d, aes(x = predictor, y = DV, color = conditions))+
  geom_smooth(method = "glm", aes(fill = conditions),
              method.args = list(family = binomial(link = "probit")),
              alpha = 0.15, size = 0.5) +
  xlab("Xlab") +
  scale_fill_manual(values = c("#e41a1c", "#377eb8")) +
  scale_colour_manual(values = c("#e41a1c", "#377eb8")) +
  ylab("Ylab") +
  theme_minimal() +
  ggtitle("Title") + 
  geom_histogram(aes(y = ..count../1000),
                 fill = "gray85", colour = "gray50", alpha = 0.3)

---

数据

set.seed(69)

n_each     <- 500
predictor  <- rgamma(2 * n_each, 2.5, 3)
predictor  <- 1 - predictor/max(predictor)
log_odds   <- c((1 - predictor[1:n_each]) * 5 - 3.605, 
              predictor[n_each + 1:n_each] * 0 + 0.57)
DV         <- rbinom(2 * n_each, 1, exp(log_odds)/(1 + exp(log_odds)))
conditions <- factor(rep(c("  ", " "), each = n_each))
d          <- data.frame(DV, predictor, conditions)