Intervaly spolehlivosti pro průměrnou odezvu u všech pozorování

Interval spolehlivosti pro průměrnou odezvu lze spočítat pro všechna pozorování v datasetu. Když použiješ augment() přímo na dataset twins, dostaneš predikce a standardní chyby pro adoptivního dvojčete na základě všech biologických pozorování.

Měj na paměti, že výpočet regresní přímky je stabilnější uprostřed rozsahu dat — predikce pro krajní hodnoty jsou proto proměnlivější než predikce ve středu rozsahu hodnot IQ vysvětlující proměnné.

Predikce IQ adoptivního dvojčete, které jsi vypočítal/a minule, jsou k dispozici jako predictions a zobrazeny v grafu pomocí geom_smooth().

Toto cvičení je součástí kurzu

Inference for Linear Regression in R

Zobrazit kurz

Pokyny k cvičení

Ručně zreplikuj to, co dělá geom_smooth(), tentokrát s využitím predictions. Každé geom vrstvě předej příslušné estetiky a data.

Přidej bodovou vrstvu zobrazující Foster vs. Biological s použitím datasetu data = twins.
Přidej čárovou vrstvu zobrazující .fitted vs. Biological s použitím datasetu data = predictions. Obarvi čáru na "blue".
Přidej páskovou vrstvu, kde x je namapováno na Biological, ymin na lower_mean_prediction a ymax na upper_mean_prediction. Použij dataset data = predictions a nastav průhlednost alpha na 0.2.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# This plot is shown
ggplot(twins, aes(x = Biological, y = Foster)) + 
  geom_point() +
  geom_smooth(method = "lm") 

ggplot() + 
  # Add a point layer of Foster vs. Biological, using twins
  ___(aes(___, ___), data = ___) +
  # Add a line layer of .fitted vs Biological, using predictions, colored blue
  ___ +
  # Add a ribbon layer of lower_mean_prediction to upper_mean_prediction vs Biological, 
  # using predictions, transparency of 0.2
  ___

Upravit a spustit kód