ggplot2: fügen Sie die p-Werte der Parzelle
Ich habe dieses Grundstück
Den code unten
library(dplyr)
library(ggplot2)
library(ggpmisc)
df <- diamonds %>%
dplyr::filter(cut%in%c("Fair","Ideal")) %>%
dplyr::filter(clarity%in%c("I1" , "SI2" , "SI1" , "VS2" , "VS1", "VVS2")) %>%
dplyr::mutate(new_price = ifelse(cut == "Fair",
price* 0.5,
price * 1.1))
formula <- y ~ x
ggplot(df, aes(x= new_price, y= carat, color = cut)) +
geom_point(alpha = 0.3) +
facet_wrap(~clarity, scales = "free_y") +
geom_smooth(method = "lm", formula = formula, se = F) +
stat_poly_eq(aes(label = paste(..rr.label..)),
label.x.npc = "right", label.y.npc = 0.15,
formula = formula, parse = TRUE, size = 3)
Zusätzlich zu R2, möchte ich hinzufügen, dass die p-Werte der Facetten, als auch. Ich kann dies manuell durch ausführen der regression zuerst, dann immer p-Werte und mit geom_text()
hinzufügen diese p-Werte ähnlich wie die Antwort auf diese Frage.
Ist es schneller oder automatisierte Möglichkeit, das zu tun? z.B., ähnlich wie der R2-Werte wurden Hinzugefügt.
Update
Den p-Wert, den ich spreche, ist die Steigung p-Wert. Die trends werden als statistisch hoch signifikant, wenn p < 0.005.
- Ist das nicht ein Duplikat von diese Frage. Im Grunde zeigt es Ihnen die Nutzung
summarize()
- Bitte schauen Sie in den Antwort, ggplot2: Hinzufügen der Regressionsgeraden-Gleichung und R2 auf die Grafik vom Autor der
ggpmisc
- Paket für mehr details oder Kontaktieren Sie den Autor. - Haben Sie einen Blick auf
stat_fit_glance
? Quelle : cran.r-project.org/web/packages/ggpmisc/vignettes/examples.html - p-Wert bedeutet nicht, dass "die Wahrscheinlichkeit, dass jeder trend ist signifikant von null Verschieden"
Du musst angemeldet sein, um einen Kommentar abzugeben.
Verwenden
stat_fit_glance
die Teil derggpmisc
Paket in R. Dieses Paket ist eine Erweiterung desggplot2
so dass es funktioniert gut mit ihm.stat_fit_glance
im Grunde dauert alles Durchlaufenlm()
in R und ermöglicht es, bearbeitet und gedruckt mitggplot2
. Der user-guide hat die überblick über einige der Funktionen, wiestat_fit_glance
: https://cran.r-project.org/web/packages/ggpmisc/vignettes/user-guide.html. Auch ich glaube, das gibt Modell p-Wert, keine Steigung p-Wert (im Allgemeinen), was wäre anders für die multiple lineare regression. Für die einfache lineare regression, die Sie sollten die gleichen sein, obwohl.Hier ist der plot:
ggpmisc
, nichtggmisc
. Prost 🙂