写在前面回归，是我们经常用到的分析手段，对于结果的确定比差异分析和相关分析都要更加深入，所以无论是大小文章，都可以看到回归的影子。 今天我来带大家，仅仅需要一条代码，就将这个分析做的透明，透彻，审稿人无话可说。 今天我会将方程，回归系数，p值都计算出来。 载入需要的R包require(ggplot2)
require(reshape2)
library(dplyr)开始分析作图data(mtcars2)
iris_groups<- group_by(mtcars2, variable)
df_summarise<- summarise(iris_groups, mean(mpg), mean(value))
lab = mean(mtcars2$mpg)
#----我们使用的都是同样的y做相关,所以呢都是相同的
ggplot2::ggplot(mtcars2,aes(value,mpg, colour=variable)) +
ggplot2::geom_point() +
ggpubr::stat_cor(label.y=lab*1.1)+
ggpubr::stat_regline_equation(label.y=lab) +
facet_wrap(~variable, scales="free_x") +
geom_smooth(aes(value,mpg, colour=variable), method=lm, se=T)+
theme_grey()
如果你有余力，请阅读下面自定义回归如何做##模拟数据
set.seed(20160227)
x<-seq(0,50,1)
y<-((runif(1,10,20)*x)/(runif(1,0,10)+x))+rnorm(51,0,1)
data = data.frame(x = x,y = y)
#自定义函数
m<-nls(y ~ a*(1-exp(1)^(-k*x)),start=c(a=30,k=20))
m
#评估模式适合度
cor.test(y,predict(m))
cor(y,predict(m))
a = 12.43
k = 0.1095欢迎加入微生信生物这就是你认识的微生信生物微生信生物
|
