Komplexes Regressionsdiagramm in R.

Ich muss eine komplexe Grafik für die visuelle Datenanalyse zeichnen. Ich habe 2 Variablen und eine große Anzahl von Fällen (> 1000). Zum Beispiel (die Zahl ist 100, wenn die Dispersion weniger "normal" sein soll):

x <- rnorm(100,mean=95,sd=50)
y <- rnorm(100,mean=35,sd=20)
d <- data.frame(x=x,y=y)

1) Ich muss Rohdaten mit Punktgröße zeichnen, die der relativen Häufigkeit von Zufällen entspricht, plot(x,y)ist also keine Option - ich benötige Punktgrößen. Was ist zu tun, um dies zu erreichen?

2) Auf demselben Plot muss ich eine 95% -Konfidenzintervallellipse und eine Linie zeichnen, die die Änderung der Korrelation darstellt (ich weiß nicht, wie ich sie richtig benennen soll) - so etwas wie das:

library(corrgram)
corrgram(d, order=TRUE, lower.panel=panel.ellipse, upper.panel=panel.pts)

aber mit beiden Graphen auf einem Plot.

3) Schließlich muss ich darüber hinaus ein resultierendes lineares Regressionsmodell zeichnen:

r<-lm(y~x, data=d)
abline(r,col=2,lwd=2)

aber mit Fehlerbereich ... so etwas wie auf QQ-Plot:

aber für Anpassungsfehler, wenn es möglich ist.

Die Frage ist also:

Wie erreicht man all dies in einem Diagramm?

Sieht das Bild unten so aus, wie Sie es erreichen möchten?

Hier ist der aktualisierte R-Code, der Ihren Kommentaren folgt:

do.it <- function(df, type="confidence", ...) {
  require(ellipse)
  lm0 <- lm(y ~ x, data=df)
  xc <- with(df, xyTable(x, y))
  df.new <- data.frame(x=seq(min(df$x), max(df$x), 0.1))
  pred.ulb <- predict(lm0, df.new, interval=type)
  pred.lo <- predict(loess(y ~ x, data=df), df.new)
  plot(xc$x, xc$y, cex=xc$number*2/3, xlab="x", ylab="y", ...)
  abline(lm0, col="red")
  lines(df.new$x, pred.lo, col="green", lwd=1.5)
  lines(df.new$x, pred.ulb[,"lwr"], lty=2, col="red")
  lines(df.new$x, pred.ulb[,"upr"], lty=2, col="red")    
  lines(ellipse(cor(df$x, df$y), scale=c(sd(df$x),sd(df$y)), 
        centre=c(mean(df$x),mean(df$y))), lwd=1.5, col="green")
  invisible(lm0)
}

set.seed(101)
n <- 1000
x <- rnorm(n, mean=2)
y <- 1.5 + 0.4*x + rnorm(n)
df <- data.frame(x=x, y=y)

# take a bootstrap sample
df <- df[sample(nrow(df), nrow(df), rep=TRUE),]

do.it(df, pch=19, col=rgb(0,0,.7,.5))

Und hier ist die ggplotisierte Version

produziert mit folgendem Code:

xc <- with(df, xyTable(x, y))
df2 <- cbind.data.frame(x=xc$x, y=xc$y, n=xc$number)
df.ell <- as.data.frame(with(df, ellipse(cor(x, y), 
                                         scale=c(sd(x),sd(y)), 
                                         centre=c(mean(x),mean(y)))))
library(ggplot2)

ggplot(data=df2, aes(x=x, y=y)) + 
  geom_point(aes(size=n), alpha=.6) + 
  stat_smooth(data=df, method="loess", se=FALSE, color="green") + 
  stat_smooth(data=df, method="lm") +
  geom_path(data=df.ell, colour="green", size=1.2)

Es könnte ein wenig mehr angepasst werden, indem Modellanpassungsindizes wie Cooks Abstand mit einem Farbschattierungseffekt hinzugefügt werden.

Verwenden Sie für Punkt 1 einfach den cexParameter im Diagramm, um die Punktgröße festzulegen.

Zum Beispiel

x = rnorm(100)
plot(x, pch=20, cex=abs(x))

Um mehrere Diagramme in einem Diagramm par(mfrow=c(numrows, numcols))zu haben, müssen Sie ein gleichmäßig verteiltes Layout verwenden oder layoutkomplexere erstellen.