python可视化数据分析交互作用-R数据分析：双分类变量的交互作用作图.pdfVIP

python可视化数据分析交互作⽤_ R数据分析 ：双分类变量的 交互作⽤作图 之前的双连续变量交互作⽤作图，和分类变量与连续变量的交互都给⼤家写了， 天给⼤家写写，两个分类变量的交互，及简单斜率图画 法。 本⽂的例⼦为 ： 在研究导师类型和性别这个两个⾃变量学⽣GPA的影响时，我们想看⼀看导师类型和性别的交互作⽤，这个例⼦中，导师类型和性别都是分 类变量。 数据模拟N Q G Y Y = (Y - min(Y)) / (max (Y) - min(Y))*4 GPA.Data.3 上⾯的代码就模拟出了个数据框，其中Q为导师类型，有3类，模拟的时候⽤的- 1，0，1代替，性别⽤的0，1 接下来，我们得将分类变量转化为哑变量，R会 ⾃动将因⼦处理为哑变量，所以我们直接转为因⼦就⾏ ：GPA.Data.3$Tutor.F level=c(- 1,0,1), labels=c(No Tutor, Group Tutor, Private Tutor)) GPA.Data.3$Gender.F level=c(0,1), labels=c(Male, Female)) 回归分析 然后我们进⾏回归分析，⼀个是有交互作⽤的，⼀个是不含交互作⽤的GPA.3.Model.1 GPA.3.Model.2 stargazer(GPA.3.Model.1, GPA.3.Model.2,type=html, column.labels = c(Main Effects, Interaction), intercept.bottom = FALSE, single.row=TRUE, notes.append = FALSE, omit.stat=c(ser), star.cutoffs = c(0.05, 0.0 1, 0.00 1), header=FALSE， out=test.html) 运⾏代码得出回归分析的结果如下 ： 画简单斜率图 画斜率图的第⼀步依然是跑出每个⼦类的系数 ：Inter.GPA.3 se=TRUE) Inter.GPA.3.DF 我们可以看⼀看每个⼦类的拟合系数长啥样 ： 上图就显⽰了，在两个⾃变量的不同⽔平fit值是不⼀样的，⽽且通过回归的交互项显著性分析，也是知道这个fit是有显著性差异的 接下来就开始画图：Inter.GPA.3.DF$Tutor.F level=c(No Tutor, Group Tutor, Private Tutor), labels=c(No Tutor, Group Tutor, Private Tutor)) Inter.GPA.3.DF$Gender.F level=c(Male, Female), labels=c(Male, Female)) Plot.GPA.3 geom_line(size=2, aes(color=Gender.F))+ geom_ribbon(aes(ymin=fit-se, ymax=fit+se,fill=Gender.F),alpha=.2)+ ylab(GPA)+ xlab(Tutor)+ ggtitle(Tutors and Gender as GPA Predictors)+ theme_bw()+ theme(text = element_text(size= 12), legend.text = element_text(size= 12), legend.direction = horizontal, panel.grid.maj or = element_blank(), panel.grid.minor = element_blank(), legend.position=top) Plot.GPA.3 到这⼉，我们的简单斜率图就画好了，注意两⾃变量都是分类变量的时候，x轴上的⾃变量有3个⽔平，所以这个斜率图⼀般都不是直的，⼀ 般斜率在中间都会打个折。 ⼩结 天给⼤家写了双分类变量的交互以及简单斜率图的做法，感谢⼤家耐⼼看完。发表这些东西的主要⽬的就是督促 ⾃⼰，希望⼤家关注评论 指出不⾜，⼀起进步。内容我都会写的很细，⽤到的数据集也会在原⽂中给出链接，你只要按照⽂章中的代码 ⾃⼰也可以做出⼀样的结果， ⼀个⽬的就是零基础也能懂，因为 ⾃⼰就是什么编程基础没有从零学Python和R的，加油。数据分析问题咨询，代处理请私信。