aggiungi una linea di regressione logaritmica a un grafico a dispersione (confronto con Excel)

Question

In Excel, è piuttosto facile adattare una linea di tendenza logaritmica di un determinato insieme di linee di tendenza. Basta fare clic su Aggiungi linea di tendenza e quindi selezionare "Logaritmico". Passando a R per più potenza, sono un po 'perso su quale funzione si dovrebbe usare per generare questo.

Per generare il grafico, ho utilizzato ggplot2 con il seguente codice.

ggplot(data, aes(horizon, success)) + geom_line() + geom_area(alpha=0.3)+ 
    stat_smooth(method='loess') 

Ma il codice fa raccordo regressione polinomiale locale che si basa su una media fuori numerose piccole regressioni lineari. La mia domanda è se esiste una linea di tendenza del log simile in R utilizzata in Excel.

Modifica: un'alternativa che sto cercando è ottenere un'equazione di registro in forma y = (c * ln (x)) + b; c'è una funzione coef() per ottenere 'c' e 'b'?

Edit2: Poiché ho più reputazione, ora posso pubblicare un po 'di più su ciò che sto cercando di fare. Che il mio dati sia:

0.599885189,0.588404133,0.577784156,0.567164179,0.556257176,0.545350172,0.535112897, 
0.52449292,0.51540375,0.507271336,0.499904325,0.498851894,0.498851894,0.87, 
0.4964600,0.495885955,0.494068121,0.492154612,0.490145427,0.486892461,0.482395714, 
0.477229238,0.471010333 

I dati di cui sopra sono y punti, mentre gli X-punti sono semplicemente interi da 1: lunghezza (y) in incremento di 1. In Excel: posso semplicemente tracciare questa e aggiungere un linea di tendenza logaritmica e il risultato ottenuto:

Con nero è il registro. In R, come si farebbe con il set di dati sopra?

Answer 1

Si può facilmente specificare i metodi di smoothing alternativi (come ad esempio lm(), lineari minimi quadrati montaggio) e un'alternativa formula

library(ggplot2) 
g0 <- ggplot(dat, aes(horizon, success)) + geom_line() + geom_area(alpha=0.3) 
g0 + stat_smooth(method="lm",formula=y~log(x),fill="red") 

Le fasce di sicurezza sono incluse automaticamente: ho cambiato il colore per renderle visibili poiché sono molto strette. È possibile utilizzare se=FALSE in stat_smooth per disattivarli.

L'altra risposta che mostra come ottenere i coefficienti:

coef(lm(success~log(horizon),data=dat)) 

posso immaginare si potrebbe prossima voler aggiungere l'equazione al grafico: vedo Adding Regression Line Equation and R2 on graph

Answer 2

Sono quasi sicuro che un semplice + scale_y_log10() potrebbe ottenere ciò che volevi. Le statistiche di GGPlot vengono calcolate dopo le trasformazioni, quindi il loess() verrà quindi calcolato sui dati trasformati di log.

Answer 3

Io preferisco usare la grafica di base, invece di ggplot2:

#some data with a linear model 
x <- 1:20 
set.seed(1) 
y <- 3*log(x)+5+rnorm(20) 

#plot data 
plot(y~x) 

#fit log model 
fit <- lm(y~log(x)) 
#look at result and statistics 
summary(fit) 
#extract coefficients only 
coef(fit) 

#plot fit with confidence band 
matlines(x=seq(from=1,to=20,length.out=1000), 
     y=predict(fit,newdata=list(x=seq(from=1,to=20,length.out=1000)), 
        interval="confidence")) 

#some data with a non-linear model 
set.seed(1) 
y <- log(0.1*x)+rnorm(20,sd=0.1) 

#plot data 
plot(y~x) 

#fit log model 
fit <- nls(y~log(a*x),start=list(a=0.2)) 
#look at result and statistics 
summary(fit) 

#plot fit 
lines(seq(from=1,to=20,length.out=1000), 
     predict(fit,newdata=list(x=seq(from=1,to=20,length.out=1000)))) 

Answer 4

I' Ho appena scritto un blog post here che descrive come abbinare esattamente la curva logaritmica di Excel.Il nocciolo dei centri di avvicinamento attorno alla funzione lm():

# Set x and data.to.fit to the independent and dependent variables 
data.to.fit <- c(0.5998,0.5884,0.5777,0.5671,0.5562,0.5453,0.5351,0.524,0.515,0.5072,0.4999,0.4988,0.4988,0.4973,0.49,0.4958,0.4940,0.4921,0.4901,0.4868,0.4823,0.4772,0.4710) 
x <- c(seq(1, length(data.to.fit))) 
data.set <- data.frame(x, data.to.fit) 

# Perform a logarithmic fit to the data set 
log.fit <- lm(data.to.fit~log(x), data=data.set) 

# Print out the intercept, log(x) parameters, R-squared values, etc. 
summary(log.fit) 

# Plot the original data set 
plot(data.set) 

# Add the log.fit line with confidence intervals 
matlines(predict(log.fit, data.frame(x=x), interval="confidence")) 

Speranza che aiuta.