我如何使用plot_model（）将第二个阴影置信区间（即95％和85％CI）添加到glm可视化中？

Question

此问题是交叉验证的migrated，因为可以在堆栈溢出中回答。Migrated<< [1小时前。

使用plot_model()，我已经可视化了几个模型项的边际效应（请参见下图）。 plot_model()功能允许您指定置信度，并将自动绘制阴影的置信区间。

我想在第一个上绘制一个

第二置信区间，以便可以看到95％和85％（以便进一步证明响应的强度）。这可能吗？

以下是一些简短的虚拟数据，演示了我的问题：

response   per.grs
0          0.2430000
0          0.7142857
0          1.0000000
0          0.7619048
0          0.7619048
0          0.1230000
0          0.6666667
0          0.3560000
0          0.9523810
0          0.1450000
1          0.7619048
1          0.6432000
1          0.6666667
1          0.8571429
1          0.8571429
1          0.5238095
1          0.9523810
1          0.8450000
1          0.5714286
1          0.7619048

这是我使用的代码：
grass.cover <- glm(response ~ per.grs + I(per.grs^2), data=data, family=binomial, na.action = "na.fail")
plot_model(grass.cover, type = "eff", terms = "per.grs[all]", ci.lvl = .95, )

Answer 1

可以这样实现。我看了一下plot_model。该图的数据通过ggeffects::ggeffect计算。因此，我也只计算了85％的数据，然后可以通过geom_ribbon将其用于添加第二个阴影区域。但是，由于这也使预测线过于复杂，因此我们必须添加geom_line才能将预测值重新放入绘图中。但是，特别是在您希望两个CI都具有图例的情况下，我建议您通过ggplot2自己制作整个图。

data <- structure(list(response = c(
  0L, 0L, 0L, 0L, 0L, 0L, 0L, 0L, 0L,
  0L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L
), per.grs = c(
  0.243,
  0.7142857, 1, 0.7619048, 0.7619048, 0.123, 0.6666667, 0.356,
  0.952381, 0.145, 0.7619048, 0.6432, 0.6666667, 0.8571429, 0.8571429,
  0.5238095, 0.952381, 0.845, 0.5714286, 0.7619048
)), class = "data.frame", row.names = c(
  NA,
  -20L
))

grass.cover <- glm(response ~ per.grs + I(per.grs^2), data = data, family = binomial, na.action = "na.fail")

library(sjPlot)
#> Install package "strengejacke" from GitHub (`devtools::install_github("strengejacke/strengejacke")`) to load all sj-packages at once!
library(ggplot2)

p <- plot_model(grass.cover, type = "eff", terms = "per.grs[all]", ci.lvl = .95)

# Get data for 85% CI
dat85 <- ggeffects::ggeffect(model = grass.cover, terms = "per.grs[all]", ci.lvl = .85)

p +
  # Add 85% CI
  geom_ribbon(data = dat85, aes(x, ymin = conf.low, ymax = conf.high), fill = "grey") +
  # Get the predictions back (;)
  geom_line(data = dat85, aes(x, y = predicted), color = "black")

<< img src =“ https://image.soinside.com/eyJ1cmwiOiAiaHR0cHM6Ly9pLmltZ3VyLmNvbS9vVjNFcmZZLnBuZyJ9” alt =“”>