R：绘制lm预测值的geom_line和几何平滑不一致

如何解决R：绘制lm预测值的geom_line和几何平滑不一致

我有以下数据

df <- data.frame(x= c(0,1,10,100,1000,1000),y=c(7,15,135,1132,6459,-3,11,127,1120,6249,-5,13,126,1208,6208))

使用数据建立线性模型后，我使用该模型从已知的x值预测y值。将预测的y值存储在数据帧“ pred.fits”中

fit <- lm(data = df,y ~ x)

pred.fits <- expand.grid(x=seq(1,2000,length=2001))

pm <- predict(fit,newdata=pred.fits,interval="confidence")

pred.fits$py <- pm[,1]

我绘制数据并同时使用geom_smooth（）和geom_line（），它们似乎很重合。

ggplot(df,aes(x=x,y=y)) + 
       geom_point() + 
       geom_smooth(method = lm,formula = y ~ x,se = FALSE,size=1.5) +
       geom_line(data=pred.fits,y=py),size=.2)

但是，当我绘制相同的数据时，将轴设置为对数比例时，两个回归会大大不同。

ggplot(df,size=.2) + 
       scale_x_log10() + 
       scale_y_log10()

我在这里想念东西吗？

更新

@Duck为我指出正确的方向后，我能够正确地进行操作。问题是，我希望数据不进行转换，但是将轴转换为log10比例。这就是我做到的方式。

df2 <- df[df$x>=1,] # remove annoying warning msgs.

fit2 <- lm(data = df2,log10(y) ~ log10(x))

pred.fits2 <- expand.grid(x=seq(10^0,10^3,length=200))

pm2 <- predict(fit2,newdata=pred.fits2,interval="confidence")

pred.fits2$py <-  10^pm2[,1] # convert the predicted y values to linear scale

ggplot(df2,y=y)) + 
geom_point() + 
geom_smooth(method = lm,size=1.5) +
geom_line(data=pred.fits2,size=1.5,linetype = "longdash") + 
scale_x_log10() +
scale_y_log10()

感谢大家的帮助。

解决方法

此代码对您的理解很有用（感谢@BWilliams的宝贵意见）。您需要x和y为对数刻度，因此，如果将线性模型与不同的刻度混合使用，可能会使所有内容混乱。如果要查看相似的比例，最好使用对数变量训练另一个模型，然后再使用适当的值对其进行绘制。这是我们建立对数-对数模型然后进行绘图的方法（数据值作为1或负值已隔离在新的数据帧df2中）。这里的代码：

第一个线性模型：

library(ggplot2)
#Data
df <- data.frame(x= c(0,1,10,100,1000,1000),y=c(7,15,135,1132,6459,-3,11,127,1120,6249,-5,13,126,1208,6208))

#Model 1 all obs
fit <- lm(data = df,y ~ x)
pred.fits <- expand.grid(x=seq(1,2000,length=2001))
pm <- predict(fit,newdata=pred.fits,interval="confidence")
pred.fits$py <- pm[,1]
#Plot 1
ggplot(df,aes(x=x,y=y)) + 
  geom_point() + 
  geom_smooth(method = lm,formula = y ~ x,se = FALSE,size=1.5) +
  geom_line(data=pred.fits,y=py),size=.2)

输出：

现在绘制对数变量的草图，注意我们如何在主要变量中使用log()以及模型的构建方式：

#First remove issue values
df2 <- df[df$x>1,]
#Train a new model
pred.fits2 <- expand.grid(x=seq(1,length=2001))
fit2 <- lm(data = df2,log(y) ~ log(x))
pm2 <- predict(fit2,newdata=pred.fits2,interval="confidence")
pred.fits2$py <- pm2[,1]
#Plot 2
ggplot(df2,aes(x=log(x),y=log(y))) + 
  geom_point() + 
  geom_smooth(method = lm,size=1.5) +
  geom_line(data=pred.fits2,size=.2)

输出：