如何绘制有序logit回归的预测概率？哑变量x轴的替代方案

当你的x轴变量是0/1哑变量时，不需要用seq()生成连续序列，直接枚举它的两个离散取值（0和1）即可。核心逻辑是：固定其他协变量在均值水平，分别计算x=0和x=1时各响应类别的预测概率，再可视化对比。

以下是完整的R语言示例：

1. 拟合有序logit模型 #

先模拟数据并拟合模型（可替换为你的真实数据与模型）：

# 加载依赖包
library(MASS)
library(tidyverse)

# 模拟有序响应数据：y为3分类有序变量，x是0/1哑变量，z是连续协变量
set.seed(123)
n <- 500
x <- rbinom(n, 1, 0.4)
z <- rnorm(n, mean = 5, sd = 1)
# 生成有序响应y
y <- ordered(ifelse(-2 + 1.5*x + 0.8*z + rlogis(n) > 1, 3, 
                   ifelse(-2 + 1.5*x + 0.8*z + rlogis(n) > 0, 2, 1)))

# 拟合有序logit模型
model <- polr(y ~ x + z, data = data.frame(x, z, y), Hess = TRUE)

2. 构造预测数据集 #

直接指定x的两个取值，其他变量固定在均值：

pred_data <- tibble(
  x = c(0, 1),          # 枚举哑变量的所有可能取值
  z = mean(z)           # 固定连续变量z在均值水平
)

3. 计算预测概率 #

基于模型生成每个x对应的各响应类别概率：

pred_probs <- predict(model, newdata = pred_data, type = "probs") %>%
  as.data.frame() %>%
  mutate(x = pred_data$x) %>%
  pivot_longer(cols = starts_with("."), names_to = "响应类别", values_to = "预测概率")

4. 可视化结果 #

因为x是离散的，用分组柱状图展示概率分布更直观：

ggplot(pred_probs, aes(x = factor(x), y = 预测概率, fill = 响应类别)) +
  geom_col(position = "dodge", width = 0.7) +
  labs(x = "哑变量X", y = "预测概率", fill = "响应类别") +
  theme_minimal() +
  scale_fill_brewer(palette = "Set2")

如果想模仿原示例的折线图风格，也可以将x转为数值后用折线+点的形式，只需把绘图代码改成：

ggplot(pred_probs, aes(x = x, y = 预测概率, color = 响应类别, group = 响应类别)) +
  geom_line(linewidth = 1) +
  geom_point(size = 3) +
  labs(x = "哑变量X", y = "预测概率", color = "响应类别") +
  theme_minimal() +
  scale_color_brewer(palette = "Set2")

内容的提问来源于stack exchange，提问作者rr19