R 两条geom_smooth（）线之间的差异

我为我的数据做了一个绘图，现在我想得到由geom_smooth（）估计的每个x的y差。不幸的是，有一个问题没有答案。例如，如何获得以下绘图的差异（以下数据）：

编辑

提出了两个建议，但我仍然不知道如何计算差异。

第一个建议是从ggplot对象访问数据。我这样做是因为

pb <- ggplot_build(p)
pb[["data"]][[1]]

---

pb大家好，欢迎收看堆栈溢出

第一个建议很好。要使x序列匹配，可以使用函数（在
stats
中）在两者之间插入值

library（“ggplot2”）#library ggplot
设定种子（1）#使示例重现
n正如我在上面的评论中所提到的，最好在ggplot之外进行此操作，而是使用两个平滑的完整模型进行此操作，从中可以计算差异的不确定性，等等

这基本上是我一年前写的一篇短文

OP的exmaple数据
然后，我们使用该预测数据生成Xp矩阵，该矩阵将协变量的值映射到平滑的基展开值；我们可以操纵该矩阵以获得所需的平滑差分：

xp <- predict(m, newdata = pdat, type = "lpmatrix")

现在，我们可以为正在比较的级别对区分
xp
行

## difference rows of xp for data from comparison
X <- xp[r1, ] - xp[r2, ]

现在
dif
包含两个平滑之间的差异

我们可以再次使用
X
和模型系数的协方差矩阵来计算该差异的标准误差，然后计算估计差异的95%（在这种情况下）置信区间

## se of difference
se <- sqrt(rowSums((X %*% vcov(m)) * X))

## confidence interval on difference
crit <- qt(.975, df.residual(m))
upr <- dif + (crit * se)
lwr <- dif - (crit * se)

这就产生了


这与一项评估相一致，该评估显示，与具有不同组平均值的模型相比，具有组级平滑的模型的拟合度没有显著提高，但在
x
中只有一个通用平滑器：

r$> m0 <- gam(y ~ g + s(x), data = df, method = "REML")

r$> AIC(m0, m)
         df      AIC
m0  9.68355 30277.93
m  14.70675 30285.02

r$> anova(m0, m, test = 'F')
Analysis of Deviance Table

Model 1: y ~ g + s(x)
Model 2: y ~ g + s(x, by = g)
  Resid. Df Resid. Dev     Df Deviance      F Pr(>F)
1    4990.1     124372                              
2    4983.9     124298 6.1762   73.591 0.4781 0.8301

使用此函数，我们可以重复整个分析，并绘制差异：

out <- smooth_diff(m, pdat, '0', '1', 'g')
out <- cbind(x = with(df, seq(min(x), max(x), length = 200)),
             out)

ggplot(out, aes(x = x, y = diff)) +
  geom_ribbon(aes(ymin = lower, ymax = upper, x = x), alpha = 0.2) +
  geom_line()

out我可以想出两种方法：找出给定数据的曲线计算公式
geom_smooth（）
，或者将ggplot对象保存到变量并尝试访问曲线数据（不确定是否可以做到）。除了@sindri_baldur的注释外，将绘图另存为
p
，然后调用
pb@markus：这种方法是可行的，但是在使用pb@schwantke之后，pb[[“data”][[1]]中提供的数据只需要仔细阅读ggplot文档并手动计算即可。我仍然会继续马库斯提供的线索。。。我想你什么都有。如果不适用于组，请分别绘制每个组并分两步提取数据。今晚我可能有机会用您提供的示例数据向您展示如何做到这一点。如果我没有使用基于
gam（）
的解决方案在下面添加答案，请在几天内给我打电话。我喜欢这种方法的原因是，geom_smooth内部使用的方法（例如黄土或gam）无关紧要。非常感谢。
xp <- predict(m, newdata = pdat, type = "lpmatrix")

## which cols of xp relate to splines of interest?
c1 <- grepl('g0', colnames(xp))
c2 <- grepl('g1', colnames(xp))
## which rows of xp relate to sites of interest?
r1 <- with(pdat, g == 0)
r2 <- with(pdat, g == 1)

## difference rows of xp for data from comparison
X <- xp[r1, ] - xp[r2, ]

## zero out cols of X related to splines for other lochs
X[, ! (c1 | c2)] <- 0
## zero out the parametric cols
X[, !grepl('^s\\(', colnames(xp))] <- 0

## difference between smooths
dif <- X %*% coef(m)

## se of difference
se <- sqrt(rowSums((X %*% vcov(m)) * X))

## confidence interval on difference
crit <- qt(.975, df.residual(m))
upr <- dif + (crit * se)
lwr <- dif - (crit * se)

res <- data.frame(x = with(df, seq(min(x), max(x), length = 200)),
                  dif = dif, upr = upr, lwr = lwr)

ggplot(res, aes(x = x, y = dif)) +
  geom_ribbon(aes(ymin = lwr, ymax = upr, x = x), alpha = 0.2) +
  geom_line()

r$> m0 <- gam(y ~ g + s(x), data = df, method = "REML")

r$> AIC(m0, m)
         df      AIC
m0  9.68355 30277.93
m  14.70675 30285.02

r$> anova(m0, m, test = 'F')
Analysis of Deviance Table

Model 1: y ~ g + s(x)
Model 2: y ~ g + s(x, by = g)
  Resid. Df Resid. Dev     Df Deviance      F Pr(>F)
1    4990.1     124372                              
2    4983.9     124298 6.1762   73.591 0.4781 0.8301

smooth_diff <- function(model, newdata, f1, f2, var, alpha = 0.05,
                        unconditional = FALSE) {
    xp <- predict(model, newdata = newdata, type = 'lpmatrix')
    c1 <- grepl(f1, colnames(xp))
    c2 <- grepl(f2, colnames(xp))
    r1 <- newdata[[var]] == f1
    r2 <- newdata[[var]] == f2
    ## difference rows of xp for data from comparison
    X <- xp[r1, ] - xp[r2, ]
    ## zero out cols of X related to splines for other lochs
    X[, ! (c1 | c2)] <- 0
    ## zero out the parametric cols
    X[, !grepl('^s\\(', colnames(xp))] <- 0
    dif <- X %*% coef(model)
    se <- sqrt(rowSums((X %*% vcov(model, unconditional = unconditional)) * X))
    crit <- qt(alpha/2, df.residual(model), lower.tail = FALSE)
    upr <- dif + (crit * se)
    lwr <- dif - (crit * se)
    data.frame(pair = paste(f1, f2, sep = '-'),
               diff = dif,
               se = se,
               upper = upr,
               lower = lwr)
}

out <- smooth_diff(m, pdat, '0', '1', 'g')
out <- cbind(x = with(df, seq(min(x), max(x), length = 200)),
             out)

ggplot(out, aes(x = x, y = diff)) +
  geom_ribbon(aes(ymin = lower, ymax = upper, x = x), alpha = 0.2) +
  geom_line()