Построение оценок с использованием ggplot2 & facet_wrap БЕЗ повторного подбора моделей

Question

Я довольно новичок в ggplot2 и собираюсь создать фигуру с несколькими точками рассеяния с соответствующими оценками регрессии.Однако я использую нестандартные регрессионные подходы (например, квантильную регрессию и полную регрессию), которых нет в списке method аргументов, доступных в geom_smooth().У меня есть список подходящих моделей и соответствующих данных.Ниже приведен рабочий пример.

require(data.table); require(ggplot2)
N <- 1000 # Generate some data
DT <- NULL
models <- list() # list of of fitted models. For simplicity i am using lm in this example
for(i in 1:8){
  x <- rnorm(N)
  y <- i*x + rnorm(N)
  z <- rep(i,N)
  DT <- rbind(DT,data.table(cbind(x=x,y=y,z=z)))
  models[[i]] <- lm(y~x,DT)
}

# Traditional way to plot the data with regression estimates is to use geom_smooth
my.plot <- ggplot(DT, aes(x=x, y=y)) + geom_point() + 
  facet_wrap(~ z, nrow=2, ncol=4) + 
  geom_smooth(method = "lm", se=FALSE, color="red", formula = y ~ x)
my.plot

Мне нужен способ построения оценок красной регрессии без подгонки регрессионных моделей в пределах geom_smooth.Есть ли обходной путь, который сделает мой отдельный список приспособленных Models совместимыми с facet_wrap?

Answer 1

Поскольку неясно, как вы будете отображать эстетику в переменные, используемые в вашей модели, вам нужно будет самостоятельно рассчитать значения для линий, а затем просто добавить их как стандартный слой geom_line вместо использования geom_smooth.Например,

lines <- purrr::map_dfr(models, function(m) {
  xrng <- range(m$model$x)
  data.frame(x=xrng, y=predict(m, data.frame(x=xrng)))
}, .id="z")

ggplot(DT, aes(x=x, y=y)) + geom_point() + 
  facet_wrap(~ z, nrow=2, ncol=4) + 
  geom_line(color="red", data=lines)

Обратите внимание, что здесь уклоны выглядят немного «выкл», но это соответствует тому, что вы фактически смоделировали (вы использовали весь DT каждый раз).Если вы хотите оценивать уклоны отдельно в каждой итерации, цикл должен выглядеть примерно так:

for(i in 1:8){
  x <- rnorm(N)
  y <- i*x + rnorm(N)
  z <- rep(i,N)
  chunk <- data.table(x=x,y=y,z=z)
  models[[i]] <- lm(y~x,chunk)
  DT <- rbind(DT, chunk)
}