GLMM模型平均后回归线绘制疑问：方法差异与标准化影响

一、两种绘图方法结果差异的常见原因 #

• 预测变量/取值范围不一致：若一种方法用原始数据的子集，另一种用变量全范围（如从最小值到最大值模拟），或过滤了异常值，结果会出现偏差。
• 链接函数转换遗漏：Poisson/Binomial是广义线性模型，绘图时需在链接尺度和响应尺度间转换（比如Binomial要把logit值转回概率，Poisson要把log值转回计数）。如果一种方法直接用线性预测值绘图，另一种转换回响应尺度，结果会完全不同。
• 全平均系数应用错误：MuMIn::dredge的全平均系数是否考虑了模型权重？是否在正确的尺度（原始/标准化）上应用？比如用标准化系数匹配原始数据，会导致回归线偏移。
• 置信区间计算逻辑不同：一种用模型自带的confint()（基于Wald法），另一种用bootstrap模拟，或在链接尺度/响应尺度计算区间，都会导致区间范围差异。

二、为geom_abline添加置信区间的实现方式 #

geom_abline仅支持固定截距和斜率，无法直接添加置信区间，推荐两种替代方案：

方案1：用stat_function绘制上下限线 #

# 提取全平均模型的系数与置信区间
coef_avg <- coef(avg_binom_mod)
ci_avg <- confint(avg_binom_mod)

# 定义响应尺度的预测函数（Binomial用plogis转概率，Poisson用exp转计数）
pred_fun <- function(x, intercept, slope) {
  plogis(intercept + slope * x)
}

ggplot(your_data, aes(x = your_pred_var)) +
  geom_jitter(aes(y = Breed_Suc), width = 0.1, alpha = 0.5) +
  # 拟合线
  stat_function(fun = pred_fun, args = list(intercept = coef_avg[1], slope = coef_avg[2]), 
                color = "#2c3e50", linewidth = 1) +
  # 置信区间上下限线
  stat_function(fun = pred_fun, args = list(intercept = ci_avg[1,1], slope = ci_avg[2,1]), 
                linetype = "dashed", color = "#2c3e50") +
  stat_function(fun = pred_fun, args = list(intercept = ci_avg[1,2], slope = ci_avg[2,2]), 
                linetype = "dashed", color = "#2c3e50")

方案2：生成预测数据框（更直观，推荐） #

# 生成覆盖预测变量全范围的新数据
new_data <- data.frame(your_pred_var = seq(min(your_data$your_pred_var), 
                                           max(your_data$your_pred_var), 
                                           length.out = 100))
# 用全平均模型预测（re.form=NA忽略随机效应，仅保留固定项趋势）
preds <- predict(avg_binom_mod, newdata = new_data, re.form = NA, 
                 interval = "confidence", type = "response")
new_data$fit <- preds[,1]
new_data$lwr <- preds[,2]
new_data$upr <- preds[,3]

ggplot(your_data, aes(x = your_pred_var)) +
  geom_jitter(aes(y = Breed_Suc), width = 0.1, alpha = 0.5) +
  geom_line(data = new_data, aes(y = fit), color = "#2c3e50", linewidth = 1) +
  geom_ribbon(data = new_data, aes(ymin = lwr, ymax = upr), 
              fill = "#2c3e50", alpha = 0.2)

三、模型标准化对绘图的影响 #

• 用标准化预测变量建模：
  1. 绘图时要么用标准化后的x变量（与模型输入一致），此时需在x轴标注清楚（如“标准化温度”）；
  2. 若要展示原始尺度关系，需将系数转换回原始尺度：
     • 原始斜率 = 标准化斜率 / sd(原始x)
     • 原始截距 = 标准化截距 - 标准化斜率 * mean(原始x)/sd(原始x)
• 用原始变量建模：直接用原始x绘图即可，无需额外转换。

四、二项模型绘图代码优化建议 #

假设原代码为直接用geom_abline绘制logit尺度的线，优化方向如下：

# 优化后的代码示例
# 1. 处理0/1响应的点重叠问题，用geom_jitter或geom_count
# 2. 必须转换回响应尺度（概率）
# 3. 添加置信区间、美观主题

# 生成预测数据
new_data <- data.frame(Temp = seq(min(your_data$Temp), max(your_data$Temp), length.out = 100))
# 用全平均模型预测概率及CI
preds <- predict(avg_binom_mod, newdata = new_data, re.form = NA, 
                 interval = "confidence", type = "response")
new_data$prob_fit <- preds[,1]
new_data$prob_lwr <- preds[,2]
new_data$prob_upr <- preds[,3]

ggplot(your_data, aes(x = Temp, y = Breed_Suc)) +
  geom_jitter(width = 0.2, alpha = 0.6, size = 2) + # 避免点重叠
  geom_line(data = new_data, aes(y = prob_fit), color = "#e74c3c", linewidth = 1.2) +
  geom_ribbon(data = new_data, aes(ymin = prob_lwr, ymax = prob_upr), 
              fill = "#e74c3c", alpha = 0.2) +
  labs(x = "环境温度(℃)", y = "繁殖成功率", title = "温度对繁殖成功率的影响") +
  theme_minimal() +
  theme(plot.title = element_text(hjust = 0.5, size = 14, face = "bold"))

额外优化点：

• 若数据量很大，用geom_count()替代geom_jitter，通过点的大小展示重叠密度；
• 若模型包含多个固定项，可分面展示单个变量的效应，或用ggeffects包快速生成效应图（ggeffects::ggpredict(avg_binom_mod, terms = "Temp")）。

内容的提问来源于stack exchange，提问作者DFer