R：DV上分類因子和連續變量之間的圖相互作用

Question

我所擁有的是一個三級重復測量因子和一個連續變量（心理問卷中的分數，僅在實驗前進行一次NEO度量），在線性混合效應模型和因變量（DV；狀態）中顯示出顯着的相互作用。 -在每個時間級別（IAS）衡量的得分。

為了了解這種交互的性質，我想創建一個圖，在X軸上具有時間級別，在Y軸上具有State-Score，並且連續變量有多個曲線，類似於此 。 應該將連續變量歸類為四分位數（這樣我就有4條不同的曲線），這正是我無法實現的。 到現在為止，我對連續變量中的每個值都有一條單獨的曲線。

我的目標也與此類似，但是我需要分類（時間）變量而不是單獨的曲線，而需要在X軸上。

我在R中使用了不同的繪圖功能進行了很多嘗試，但未能獲得想要的結果，可能是因為我不太擅長處理R。

F．

gplot(Data_long, aes(x = time, y = IAS, colour = NEO, group = NEO)) + 
  geom_line()

從第一個鏈接開始，我看到了數十條曲線（在測量NEO中每個值一個），我找不到在該gplot函數中如何以有意義的方式對連續變量進行分組的方法。

編輯：

原始數據：

http://www.pastebin.ca/2598926

（我希望這不太方便。）

該對象（Data_long）是用以下行創建/轉換的：

Data_long <- transform(Data_long0, neo.binned=cut(NEO,c(25,38,46,55,73),labels=c(".25",".50",".75","1.00")))

neo.binned col中的每個值似乎neo.binned正確設置，每個分位數有足夠的neo.binned 。

然后我嘗試了但沒用的東西：

ggplot(Data_long, aes(x = time, y = ias, color = neo.binned)) + stat_summary(fun.y="median",geom="line")

geom_path：每組僅包含一個觀測值。 您是否需要調整組>審美？

我在26-73之間獲得了92個NEO主題和NEO值。 有什么提示要輸入剪切和標簽功能嗎？ 分位數為0％25％50％75％100％26 38 46 55 73。

Answer 1

你的意思是這樣嗎？ 在這里，根據NEO將您的數據分為三類，然后繪制這些bin上IAS的中位數。 簽出?cut 。

Data_long <- transform(Data_long, neo.binned=cut(NEO,c(0,3,7,10),labels=c("lo","med","hi")))

將所有內容繪制在一個圖中。

ggplot(Data_long, aes(x = time, y = IAS, color = neo.binned)) 
  + stat_summary(aes(group=neo.binned),fun.y="median",geom="line")

從CMichael的答案中竊取，您可以將其全部進行多次處理（以某種方式將您鏈接到問題中的多面圖）：

ggplot(Data_long,aes(x=time,y=IAS)) 
  + stat_summary(fun.y="median",geom="line") 
  + facet_grid(neo.binned ~ .)

Answer 2

您是說刻面@ziggystar初始圖嗎？

quantiles = quantile(Data_long$NEO,c(0.25,0.5,0.75))

Data_long$NEOQuantile = ifelse(Data_long$NEO<=quantiles[1],"first NEO Quantile",
                               ifelse(Data_long$NEO<=quantiles[2],
                                      "second NEO Quantile",
                                      ifelse(Data_long$NEO<=quantiles[3],
                                             "third NEO Quantile","forth NEO Quantile")))

require(ggplot2)
p = ggplot(Data_long,aes(x=time,y=IAS)) + stat_quantile(quantiles=c(1),formula=y ~ x)
p = p + facet_grid(.~NEOQuantile)
p