R语言：含交互项的多项逻辑回归预测概率置信区间绘图优化

一、更简便的绘图方法 #

可使用ggeffects或emmeans包简化流程，无需手动构建预测数据集、计算置信区间，这类工具会自动处理交互项的预测逻辑：

示例代码（基于nnet::multinom模型） #

# 加载依赖包
library(nnet)
library(ggeffects)
library(ggplot2)

# 拟合含交互项的多项逻辑回归模型
model <- multinom(y ~ x1 * x2, data = df)

# 生成带置信区间的预测效应数据
pred_data <- ggpredict(model, terms = c("x1", "x2"))

# 一键生成可视化图（自带置信区间）
plot(pred_data)

# 或自定义ggplot绘图
ggplot(pred_data, aes(x = x, y = predicted, color = group, fill = group)) +
  geom_line(linewidth = 1) +
  geom_ribbon(aes(ymin = conf.low, ymax = conf.high), alpha = 0.2, color = NA) +
  labs(x = "x1", y = "预测概率", color = "x2分组", fill = "x2分组") +
  theme_minimal()

ggpredict()会自动处理交互项的所有组合，直接输出包含预测值、置信区间的结构化数据集，大幅简化手动计算的繁琐步骤。

二、因变量三水平的呈现方式 #

无需为每个水平单独绘图，以下两种方式更利于结果对比：

• 分面展示：通过facet_wrap(~response)将三个水平放在同一张图的不同面板中，便于横向对比各水平的趋势差异
• 同图颜色区分：将因变量水平作为color和fill的映射，在同一张图中用不同颜色的折线与丝带表示不同水平，适合直观对比同一自变量取值下各水平的概率高低

具体选择取决于分析重点：若需强调每个水平自身的变化趋势，分面展示更清晰；若需对比同一自变量取值下各水平的概率差异，同图颜色区分更直观。

三、geom_ribbon平滑及报错问题解决 #

stat_smooth()报错是因为该函数用于对原始数据拟合平滑线，而geom_ribbon是基于已生成的预测置信区间绘图，二者逻辑不匹配。要让丝带更平滑，正确做法是在构建预测数据集时，为自变量设置更密集的取值序列，通过增加预测点的数量实现平滑效果：

优化后的手动预测代码示例 #

# 构建包含密集自变量取值的新数据集
new_data <- expand.grid(
  x1 = seq(min(df$x1), max(df$x1), length.out = 100), # 生成100个均匀分布的x1取值
  x2 = unique(df$x2)
)

# 预测概率及置信区间（以nnet::multinom为例，需结合置信区间计算方法，如delta法或自助法）
pred_probs <- predict(model, newdata = new_data, type = "probs")
# 此处省略置信区间计算代码，可通过mvtnorm包或boot包实现CI估算

# 绘图时使用密集预测数据，丝带自然平滑
ggplot(new_data, aes(x = x1)) +
  geom_line(aes(y = pred_probs[,1], color = "水平1")) +
  geom_ribbon(aes(ymin = ci_low[,1], ymax = ci_high[,1], fill = "水平1"), alpha = 0.2, color = NA) +
  geom_line(aes(y = pred_probs[,2], color = "水平2")) +
  geom_ribbon(aes(ymin = ci_low[,2], ymax = ci_high[,2], fill = "水平2"), alpha = 0.2, color = NA) +
  geom_line(aes(y = pred_probs[,3], color = "水平3")) +
  geom_ribbon(aes(ymin = ci_low[,3], ymax = ci_high[,3], fill = "水平3"), alpha = 0.2, color = NA) +
  labs(x = "x1", y = "预测概率", color = "因变量水平", fill = "因变量水平") +
  facet_wrap(~x2) +
  theme_minimal()

内容的提问来源于stack exchange，提问作者hy9fesh