含分类变量数据的Logistic回归实现报错问题

错误核心原因 #

• 你的数据集是聚合后的计数数据，每个primary_fur_color对应runs_from=0和1的样本计数n，但原代码完全忽略了n的存在，相当于告诉模型每个毛色的0/1结果各只有1个样本，而实际上每个结果对应多个观测。
• 同时将x和y都设为runs_from（二元0/1变量），每个毛色组仅两个数据点，逻辑回归无法从两个点拟合出有效的回归曲线。
• 管道传递数据后，重复指定data = Squirrels.Count属于冗余代码，虽不报错但没必要。

修正后的代码 #

方案1：用权重拟合逻辑回归（推荐） #

直接在stat_smooth中加入weight=n参数，让模型识别每个观测的实际样本量：

Squirrels.Count %>% 
  ggplot(aes(x = primary_fur_color, y = runs_from)) +   
  # 用点大小直观展示计数n的多少
  geom_point(aes(size = n, color = primary_fur_color)) +   
  stat_smooth(method = "glm", se = TRUE, 
              method.args = list(family = binomial),
              aes(weight = n))

方案2：先展开原始数据再拟合 #

如果不想用权重，也可以先将聚合数据展开为原始单条记录的形式，再绘图：

# 展开数据
Squirrels.raw <- Squirrels.Count %>%
  uncount(n)

# 绘图
Squirrels.raw %>%
  ggplot(aes(x = primary_fur_color, y = runs_from)) +
  geom_jitter(aes(color = primary_fur_color), width = 0.1, alpha = 0.5) +
  stat_smooth(method = "glm", se = TRUE, 
              method.args = list(family = binomial))

代码说明 #

• 方案1的权重参数weight=n是处理聚合计数数据的标准方式，避免了展开数据的内存开销，尤其适合大样本聚合数据。
• 用geom_point的size=n可以直观看到每个毛色下0/1结果的样本量差异；如果觉得点重叠，也可以换成geom_jitter添加少量偏移。
• 逻辑回归拟合的是runs_from=1的概率随primary_fur_color的变化趋势，se=TRUE会显示置信区间。

内容的提问来源于stack exchange，提问作者xsaltea