親愛なるみんな、
顧客は、可能であれば、独立変数の可能な値の全範囲にわたってモデル予測や予測間隔の等高線をプロットしてほしいと求めています。
彼はそれを R で取得します (expand.grid 関数を使用)。点線は下位 95% の予測区間です (添付 1)。
彼 (そして私も) できたせいぜい添付ファイル 2 であり、要するに、彼と私は点線を描くことができませんでした。(グラフを含むダミーのデータセットもあります)
彼はコミュニティにも質問を投稿しました。
何か提案はありますか？
ありがとう
やあ@MarcoSalfi 、
Expand.grid 関数は、Seaborn for Python の FacetGrid または R の ggplot2 の facet_grid 関数のように機能します。 基本的に、数式または行列として入力された 1 つ以上の因子の可能な組み合わせをすべて実行します。 Expand.grid 関数で使用される R コードの全行は何ですか? プロットコードの残りの部分は、破線ボックスで密度のプロットを提供しているものだと思います。
こんにちは、マルコさん
オプションの 1 つは、ユーザーが探索したい可能性の範囲を適切にカバーする空間充填設計を作成し、その後、空間充填設計のすべての組み合わせについて式を評価することです。
しかし、プロットを作成することで彼がどのような情報を取得したいと考えているのかを尋ねてみます。 より良い代替案は、外挿制御の有無にかかわらず、数式または回帰モデルのプロファイラー グラフである可能性があります。 プロファイラーは、この問題の高次元の複雑さを制御するはるかに優れた方法です。 経験的モデルを使用する場合、X 空間 (または設計空間) の範囲外に外挿する危険性について、通常の警告を発したいと思うかもしれません。
マルコム
やあ@Chris_Kirchberg 、顧客が使用したコードに続きます。
## 変数を変換する
log.AlphaLISA = log(AlphaLISA)
log.rabbit = log(Rabbit.Ab)
log.mouse = log(Mouse.Ab)
log.lysate = log(ライセート)
fit = lm( Log.AlphaLISA ~ Ab*(log.rabbit+log.mouse+log.lysate)^2 +
Ab*I(log.rabbit^2) + Ab*I(log.mouse^2) +
Ab*I(log.lysate^2) )
d.grid = Expand.grid(
Ab=c("R1-M1", "R1-M2", "R2-M1", "R2-M2", "R3-M1", "R3-M2"),
log.rabbit=seq(log(0.3), log(3), length=5),
log.mouse=seq(log(0.3), log(3), length=10),
log.lysate=seq(log(0.25), log(2), length=10)
)
## 95% 低い予測間隔
d.grid = cbind(d.grid,
予測(フィット、新しいデータ = d.grid、間隔 = "予測"、レベル = 0.9))
d.grid[," lower95p"] = exp(d.grid[,"lwr"])
ありがとうマルコム、
議論はこの方向に進んでいます。 実際、顧客は他の選択肢も受け入れています。
