Metoder för trendlinjer

I föregående övning använde du ggplot2:s standardfunktion geom_smooth(). I den här övningen använder du glm() i stället. Det gör att du kan visualisera en logistisk regression med ggplot2. Konkret plottar du sannolikheten att någon åker buss givet deras pendlingsavstånd.

Du behöver ange att geom_smooth() ska använda metoden glm(). Kom ihåg från kapitel 2 att standardfamiljen för en glm() är en gaussisk familj, vilket ger samma resultat som en lm(). Du behöver därför även ange metodargumentet från glm(). Koden för att skapa gg_jitter, som du byggde i föregående övning, finns redan på plats.

Den här övningen är en del av kursen

Generaliserade linjära modeller i R

Visa kurs

Övningsinstruktioner

Använd metoden "glm" med geom_smooth().
Ange med method.args att familjen ska vara 'binomial'.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# Create a jittered plot of MilesOneWay vs Bus2 using the bus dataset
gg_jitter <- ggplot(data = bus, aes(x = MilesOneWay, y = Bus2)) + 
	geom_jitter(width = 0, height = 0.05) +
	ylab("Probability of riding the bus") +
	xlab("One-way commute trip (in miles)")

# Add a geom_smooth() that uses a GLM method to your plot
gg_jitter + geom_smooth(method =  ___ , method.args = list(___))

Redigera och kör kod