Блог

Главная - Вопросы по программированию - использование ggplot для прогнозируемого отклика GLM с нулевым увеличением

использование ggplot для прогнозируемого отклика GLM с нулевым увеличением

#r #ggplot2

#r #ggplot2

Вопрос:

У меня есть glm, который я построил с помощью ggplot, чтобы посмотреть прогнозируемую кривую отклика с доверительными интервалами, как показано ниже, и он работает отлично:

 glm7 <- glm(dataset_presence$dcalls ~ dataset_presence$ui_avg, family=poisson(link="log"))
summary(glm7)

p7 <- ggplot(dataset_presence, aes(ui_avg, dcalls))   geom_point()   geom_smooth(method="glm", method.args = list(family = poisson(link = "log")))

p7   scale_y_log10()   ggtitle("Predicted dcalls as function of upwelling index")   xlab("upwelling index")   ylab("log10(dcalls)")   geom_label(x=20, y=1, label="p<2e-16")

Я хочу сделать это для версии этой модели с нулевым завышением, что-то вроде этого, но я не знаю, что мне нужно было бы включить для ggplot(dataset_presence, aes(zeroinfl этого:

 glm7.zero <- zeroinfl(formula = dataset_presence$dcalls ~ dataset_presence$ui_avg | dataset_presence$ui_avg, data = dataset_presence, dist = "poisson", link = "log")

summary(glm7.zero)

p7.zero <- ggplot(dataset_presence, aes(zeroinfl(ui_avg, dcalls))   geom_point()   geom_smooth(method="glm", method.args = list(family = poisson(link = "log"))) 

p7.zero   scale_y_log10()   ggtitle("Predicted dcalls as function of upwelling index")   xlab("upwelling index")   ylab("log10(dcalls)")   geom_label(x=20, y=1, label="p<2e-16")

Комментарии:

1. Привет, Сюзанна. У нас нет вашего dataset_presence объекта, и мы не имеем ни малейшего представления о его структуре, поэтому кому-либо будет очень сложно предоставить вам проверенное решение здесь. Можете ли вы отредактировать свой вопрос с dput(dataset_presence) добавлением к нему результата?

2. Пока вы не следуете совету @AllanCameron и не публикуете примерный набор данных, я бы удалил dataset_presence$ из формул glm and zeroinfl .

Ответ №1:

Большое спасибо.

Да, вот набор данных:

head(dataset_presence) Дата Int_Bk ui_avg ui_sd dcalls sep2 присутствие ui_lag02 5 2016-01-12 -9044.3 1.136538 4.502629 41 2 1 NA 6 2016-01-13 -8761.7 -1.841046 12.318525 17 0 1 NA 7 2016-01-14 -8930.4 3.887893 12.243056 0 1 1 1.136538 8 2016-01-15 -9267.8 10.980019 7.707563 0 0 0 -1.841046 9 2016-01-16 -9092.2 19.544113 15.408313 0 0 0 3.887893 10 2016-01-17 -9146.01.304933 13.310565 0 0 0 10.980019

структура dput(dataset_presence)(список (Дата = структура(c(16812, 16813, 16814, 16815, 16816, 16817, 16818, 16819, 16820, 16821, 16822, 16823, 16824, 16825, 16826, 16827, 16828, 16829, 16830, 16831, 16832, 16833, 16834,16835, 16836, 16837, 16838, 16839, 16840, 16841, 16842, ………..