R 是否有一种简洁的方法，可以用geom_quantile（）中的方程式和其他统计数据标记ggplot？

我想以类似于我对

geom_平滑（method=“lm”）

拟合线性回归（我以前使用过ggpmisc的方式，包括

geom_分位数（）拟合线的相关统计数据。例如，此代码：

# quantile regression example with ggpmisc equation
# basic quantile code from here:
# https://ggplot2.tidyverse.org/reference/geom_quantile.html

library(tidyverse)
library(ggpmisc)
# see ggpmisc vignette for stat_poly_eq() code below:
# https://cran.r-project.org/web/packages/ggpmisc/vignettes/user-guide.html#stat_poly_eq

my_formula <- y ~ x
#my_formula <- y ~ poly(x, 3, raw = TRUE)

# linear ols regression with equation labelled
m <- ggplot(mpg, aes(displ, 1 / hwy)) +
  geom_point()

m + 
  geom_smooth(method = "lm", formula = my_formula) +
  stat_poly_eq(aes(label =  paste(stat(eq.label), "*\" with \"*", 
                                  stat(rr.label), "*\", \"*", 
                                  stat(f.value.label), "*\", and \"*",
                                  stat(p.value.label), "*\".\"",
                                  sep = "")),
               formula = my_formula, parse = TRUE, size = 3)  


您将如何将摘要统计信息输出到标签，或在移动中重新创建它们？（即，除了在调用ggplot之前进行回归，然后将其传递给注释（例如，类似于所做的事情或线性回归？
@mark neal
stat_-fit_-glance（）
与
quantreg:：rq（）
一起工作外，使用
stat_-fit_-glance（）
更为复杂。该统计数据不“知道”从
glance（）
可以得到什么，因此必须手动组装
标签

你需要知道什么是可用的。你可以在ggplot外运行fit模型并使用
glance（）
来找出它返回的列，或者在ggplot中借助包“gginnards”来执行此操作。我将展示此替代方法，继续上面的代码示例

库（gginnards）
m+
几何分位数（分位数=0.5）+
统计拟合（method=“rq”、method.args=list（formula=y~x）、geom=“debug”）

默认情况下，
geom_debug（）

# A tibble: 1 x 11
   npcx  npcy   tau logLik    AIC    BIC df.residual     x      y PANEL group
  <dbl> <dbl> <dbl>  <dbl>  <dbl>  <dbl>       <int> <dbl>  <dbl> <fct> <int>
1    NA    NA   0.5   816. -1628. -1621.         232  1.87 0.0803 1        -1

此示例生成以下曲线图。

使用
stat\u fit\u tidy（）
同样的方法也应该有效。但是，在“ggpmisc”（=0.3.8）中，现在在CRAN中

以下示例仅适用于“ggpmisc”（>=0.3.8）

剩下的问题是
tible
即
glance（）
或
tidy（）
返回是否包含要添加到绘图中的信息，至少在默认情况下，
tidy.qr（）
似乎不是这样。但是，
tidy.rq（）
有一个参数
se.type
，用于确定在
tible
中返回的值。修改后的
stat\u fit\u tidy（）
接受要传递给
tidy（）
的命名参数，从而可以执行以下操作

m+
几何分位数（分位数=0.5）+
stat_fit_tidy（method=“rq”，
method.args=list（公式=y~x），
tidy.args=list（se.type=“nid”），
mapping=aes（label=sprintf（'y~“=”~%.3g~+~%.3g~x*”，带“*斜体（P）~”=”~%.3f'，
在统计（截距估计）之后，
统计后（x估计），
在_stat（x_p.value））之后，
parse=TRUE）

此示例生成以下曲线图


定义一个新的stat
stat\u rq\u eq（）
会使这更简单：

<代码> STATORQRQEQNP>请考虑这是佩德罗优秀答案的附录，在那里他做了大部分重举重-这增加了一些演示调整（颜色和线型）和代码来简化多个分位数，产生下面的情节：


库（tidyverse）
库（ggpmisc）#确保版本为0.3.8或更高
图书馆（量子力学）
库（泛型）
my_公式您希望在绘图上打印的具体“相关统计数据”是什么？当然，最好适合您自己的模型，以获得重要的拟合统计数据，而不是在绘图函数上进行响应。这些其他函数基本上只是为您做这件事的包装器（最终要多次拟合模型，这有点浪费）。如果你真的想隐藏工作，你可以编写自己的geom来实现这一点，但这基本上就是需要发生的事情。说得对。我认为可能有一个解决方案，使用ggpmisc的
stat_fit_glance
，尽管我只需要了解它如何处理多个分位数。@MarkNeal我提出了一个问题来提醒自己如果实现了
glance（）@MarkNeal新的“ggpmisc”0.3.8现在已经在CRAN中了。我已经根据这个版本更新了我的答案。现在可以使用
stat\u fit\u tidy（）
@MarkNeal添加方程和装有
qr（）的模型的p值。下一个版本的“ggpmisc”，0.4.0正在GitHub中形成。我已经添加了
stat\u quant\u eq（）
。它试图为你的问题提供一个优雅的答案，包括对分位数向量的支持。如果你能抽出时间，你能检查一下并给出反馈吗？你需要从GitHub软件包“ggpp”和“gppmisc”安装：
remotes:：install_GitHub（“aphalo/ggpp”）
和
remotes:：install_GitHub（“aphalo/ggpmisc”，ref=“stat.quant.eq”）
。
ref
参数指向实现新stat的分支。对于那些新的分支，在
stat\u fit\u tidy（）中添加
tau=0.9
，
将第90个分位数方程提供给绘图以匹配
geom\u分位数（分位数=0.9）
将产生该行。如果未定义tau值，则默认为0.5（即“中值”回归）。多个分位数方程的“联合”处理可允许标签“步进”垂直，这样就不需要指定手动y轴位置来避免重叠。我将考虑合并一些代码来打印
P@MarkNealP值的代码位于
stat\u poly\u eq（）的源代码中
并且可以从那里复制。考虑到我很可能也会使用它，我将在下一个版本之前尝试添加对多个tau值的支持。考虑我自己将如何使用它，也可以使用stat\u quantile\u band（）来绘制分位数，就像stat\u smooth（）绘制c一样
# A tibble: 1 x 11
   npcx  npcy   tau logLik    AIC    BIC df.residual     x      y PANEL group
  <dbl> <dbl> <dbl>  <dbl>  <dbl>  <dbl>       <int> <dbl>  <dbl> <fct> <int>
1    NA    NA   0.5   816. -1628. -1621.         232  1.87 0.0803 1        -1

library(tidyverse)
library(ggpmisc) #ensure version 0.3.8 or greater
library(quantreg)
library(generics)

my_formula <- y ~ x
#my_formula <- y ~ poly(x, 3, raw = TRUE)

# base plot
m <- ggplot(mpg, aes(displ, 1 / hwy)) +
  geom_point()

# function for labelling
# Doesn't neatly handle P values (e.g return "P<0.001 where appropriate)

stat_rq_eqn <- function(formula = y ~ x, tau = 0.5, colour = "red", label.y = 0.9, ...) {
  stat_fit_tidy(method = "rq",
                method.args = list(formula = formula, tau = tau), 
                tidy.args = list(se.type = "nid"),
                mapping = aes(label = sprintf('italic(tau)~"="~%.3f~";"~y~"="~%.3g~+~%.3g~x*", with "~italic(P)~"="~%.3g',
                                              after_stat(x_tau),
                                              after_stat(Intercept_estimate), 
                                              after_stat(x_estimate),
                                              after_stat(x_p.value))),
                parse = TRUE,
                colour = colour,
                label.y = label.y,
                ...)
}

# This works, though with double entry of plot specs
# custom colours and linetype
# https://stackoverflow.com/a/44383810/4927395
# https://stackoverflow.com/a/64518380/4927395


m + 
  geom_quantile(quantiles = c(0.1, 0.5, 0.9), 
                aes(colour = as.factor(..quantile..),
                    linetype = as.factor(..quantile..))
                )+
  scale_color_manual(values = c("red","purple","darkgreen"))+
  scale_linetype_manual(values = c("dotted", "dashed", "solid"))+
  stat_rq_eqn(tau = 0.1, colour = "red", label.y = 0.9)+
  stat_rq_eqn(tau = 0.5, colour = "purple", label.y = 0.95)+
  stat_rq_eqn(tau = 0.9, colour = "darkgreen", label.y = 1.0)+
  theme(legend.position = "none") # suppress legend


# not a good habit to have double entry above
# modified with reference to tibble for plot specs, 
# though still a stat_rq_eqn call for each quantile and manual vertical placement
# https://www.r-bloggers.com/2019/06/curly-curly-the-successor-of-bang-bang/

my_tau = c(0.1, 0.5, 0.9)
my_colours = c("red","purple","darkgreen")
my_linetype = c("dotted", "dashed", "solid")

quantile_plot_specs <- tibble(my_tau, my_colours, my_linetype)

m + 
  geom_quantile(quantiles = {{quantile_plot_specs$my_tau}}, 
                aes(colour = as.factor(..quantile..),
                    linetype = as.factor(..quantile..))
  )+
  scale_color_manual(values = {{quantile_plot_specs$my_colours}})+
  scale_linetype_manual(values = {{quantile_plot_specs$my_linetype}})+
  stat_rq_eqn(tau = {{quantile_plot_specs$my_tau[1]}}, colour = {{quantile_plot_specs$my_colours[1]}}, label.y = 0.9)+
  stat_rq_eqn(tau = {{quantile_plot_specs$my_tau[2]}}, colour = {{quantile_plot_specs$my_colours[2]}}, label.y = 0.95)+
  stat_rq_eqn(tau = {{quantile_plot_specs$my_tau[3]}}, colour = {{quantile_plot_specs$my_colours[3]}}, label.y = 1.0)+
  theme(legend.position = "none")