Przedstaw wyniki wielowymiarowego modelu regresji logistycznej w R

Question

Chciałbym narysować wyniki wieloczynnikowej analizy regresji logistycznej (GLM) dla określonych zmienionych niezależnych zmiennych (tj. Niezależnie od czynników zakłócających zawartych w modelu) relacji z wynik (binarny).

Widziałem posty, które polecają następującą metodę, używając polecenia predict, a następnie curve, oto przykład;

x  <- data.frame(binary.outcome, cont.exposure) 
model <- glm(binary.outcome ~ cont.exposure, family=binomial, data=x) 
plot(cont.exposure, binary.outcome, xlab="Temperature",ylab="Probability of Response") 
curve(predict(model, data.frame(cont.exposure=x), type="resp"), add=TRUE, col="red") 

Jednak wydaje się, że nie działa to w przypadku wielowymiarowych modeli regresji. Pojawi się następujący błąd, gdy dodaję "wiek" (arbitralny - może być dowolną zmienną o tej samej długości) jako zmienną zakłócającą;

> x  <- data.frame(binary.outcome, cont.exposure, age) 
> model <- glm(binary.outcome ~ cont.exposure + age, family=binomial, data=x) 
> plot(cont.exposure, binary.outcome, xlab="Temperature",ylab="Probability of Response") 
> curve(predict(model, data.frame(cont.exposure=x), type="resp"), add=TRUE, col="red") 
Error in model.frame.default(Terms, newdata, na.action = na.action, xlev = object$xlevels) : 
    variable lengths differ (found for 'age') 
In addition: Warning message: 
    'newdata' had 101 rows but variable(s) found have 698 rows 

---

Powyższy model jest uproszczoną wersją modeli Chciałbym biegać, ale zasada jest taka sama; Chciałbym wykreślić związek między zmienną wyniku binarnego a ciągłą ekspozycją, niezależnie od czynników zakłócających..

Byłoby wspaniale, aby uzyskać obejście tego problemu, lub alternatywny sposób obejrzenia relacji, która mnie interesuje. Wielkie dzięki.

Answer 1

set.seed(12345) 
dataset <- expand.grid(Temp = rnorm(30), Age = runif(10)) 
dataset$Truth <- with(dataset, plogis(2 * Temp - 3 * Age)) 
dataset$Sample <- rbinom(nrow(dataset), size = 1, prob = dataset$Truth) 
model <- glm(Sample ~ Temp + Age, data = dataset, family = binomial) 
newdata <- expand.grid(
    Temp = pretty(dataset$Temp, 20), 
    Age = pretty(dataset$Age, 5)) 
newdata$Sample <- predict(model, newdata = newdata, type = "response") 
library(ggplot2) 
ggplot(newdata, aes(x = Temp, y = Sample)) + geom_line() + facet_wrap(~Age) 

ggplot(newdata, aes(x = Temp, y = Sample, colour = Age, group = Age)) + 
    geom_line()