使用ggpredict绘制R语言二元Logistic回归模型时遇错误的求助

报错原因分析 #

Error: Discrete value supplied to continuous scale 通常源于两个问题：

• 分类自变量lunch仍为字符型，未转换为因子类型，导致ggpredict无法正确识别其分类属性
• 多自变量场景下，默认绘图逻辑混淆了连续与离散变量的尺度匹配规则

解决方案步骤 #

1. 修正数据类型 #

先把字符型分类变量lunch转换为因子，同时确保因变量gender的因子格式正确：

# 转换分类变量为因子类型
student$gender <- as.factor(student$gender)
student$lunch <- as.factor(student$lunch)

# 重新拟合Logistic回归模型
glm.fit <- glm(gender ~ ., data = student, family = "binomial")

2. 针对性使用ggpredict绘图 #

针对3个自变量的场景，需要明确指定预测项，让ggpredict生成适配多变量的可视化逻辑：

方式1：按自变量分面展示（推荐）

生成包含所有自变量的预测结果，通过分面清晰展示每个变量对因变量的影响：

library(ggpredict)
library(ggplot2)

# 生成包含所有三个自变量的预测值
pred <- ggpredict(glm.fit, terms = c("reading_score", "math_score", "lunch"))

# 启用分面绘图
plot(pred, facets = TRUE)

方式2：固定连续变量均值，用颜色区分分类变量

聚焦单个连续变量，固定另一个连续变量为均值，通过颜色展示分类变量的分组差异：

# 固定math_score为均值，展示reading_score与lunch的联合影响
pred <- ggpredict(glm.fit, terms = c("reading_score", "lunch", "math_score [mean]"))

# 用颜色区分lunch类别绘图
plot(pred, color = "lunch")

3. 额外注意事项 #

• 若仍报错，可检查gender的因子水平，用relevel(student$gender, ref = "M")调整参考水平，确保符合预期
• 确认ggpredict和ggplot2为最新版本，避免版本兼容问题

内容的提问来源于stack exchange，提问作者Deema