R语言学习—添加回归模型拟合线（一）

回归模型重要的基础或者方法就是回归分析，回归分析是研究一个变量（被解释变量）关于另一个（些）变量（解释变量）的具体依赖关系的计算方法和理论， 是建模和分析数据的重要工具。

常见的回归分析模型有：线性回归，逻辑回归，多项式回归，逐步回归。

线性回归：线性回归使用最佳的拟合直线（也就是回归线）在因变量（Y）和一个或多个自变量（X）之间建立一种关系。

逻辑回归：逻辑回归是用来计算“事件=Success”和“事件=Failure”的概率。当因变量的类型属于二元（1 / 0，真/假，是/否）变量时，我们就应该使用逻辑回归。

多项式回归：对于一个回归方程，如果自变量的指数大于1，那么它就是多项式回归方程。即：

y=ax^2+bx+c,它是一个用于拟合数据点的曲线。

逐步回归：通过观察统计的值，如R-square（拟合度，越接近1越好），t-stats和AIC指标（寻找可以最好地解释数据但包含最少自由参数的模型，越小越好），来识别重要的变量。即通过同时添加/删除基于指定标准的协变量来拟合模型。

                       向散点图中添加回归模型拟合线

运行stat_smooth（）函数并设定method=lm，即可向散点图添加线性回归分析拟合线。

例：我们使用R语言自带数据集heightweight

一，老规矩，查看数据的基本构造和格式。

library(gcookbook)
head(heightweight)
str(heightweight)

二，绘制散点图

library(ggplot2)
p1<-ggplot(heightweight,aes(x=ageYear,heightIn))+geom_point()

三，绘制线性拟合线

p2<-p1+stat_smooth(method=lm,formula=y~x)
p2

四，调整线性拟合的置信域

 默认条件下，stat_smooth()函数的回归拟合线的置信域为95%，可以通过设置level参数来进行调整，当设置se=FALSE时，将不对回归拟合线设置置信域。

p3<-p1+stat_smooth(method=lm,level=0.99,formula=y~x)
p3#左图
p4<-p1+stat_smooth(method=lm,se=FALSE,formula=y~x)
p4#右图

             

五，调整拟合线属性参数

拟合线的颜色（colour），线型（linetype），粗细（size），置信域颜色（fill），透明度（alpha）。

p5<-p1+stat_smooth(method=lm,level=0.99,colour="red",size=2.5,fill="black",alpha=0.2,formula=y~x)
p5    #一般拟合线形的颜色为蓝色，粗细为默认size=2，线型不要变

今天就讲到这里，下次给大家分享如何给散点图添加最优拟合曲线！

 本文有参考《R Graphics Cookbook》.