如何用R的pheatmap绘制含协变量y的线性模型y~x1+x2热图？

pheatmap工具不存在covariate参数，你的代码报错正是因为误用了不存在的参数。针对你想要查看线性模型y ~ x1 + x2中变量间关联或自变量对因变量影响的需求，提供两种可行方案：

方案一：绘制偏相关系数热图（控制变量后的净关联） #

如果想查看控制其他变量后，变量间的真实关联程度（比如控制y后x1与x2的关联，或控制x1后y与x2的关联），可以用ppcor包计算偏相关系数，再用pheatmap可视化：

# 安装并加载所需包
install.packages("ppcor")
library(pheatmap)
library(ppcor)

# 构造数据
data <- data.frame(y=c(1,2,3), x1=c(1.5,2,2.5), x2=c(3,10,12))

# 计算偏相关系数矩阵（控制其他所有变量后的两两关联）
pcor_matrix <- pcor(data)$estimate

# 绘制热图
pheatmap(pcor_matrix, scale="none", main="偏相关系数热图")

矩阵中的每个值代表排除其他变量干扰后，对应两个变量的净相关程度，更贴合线性模型框架下的变量关联逻辑。

方案二：可视化x1、x2对y的预测效果热图 #

如果想直观查看x1和x2不同取值组合对y的预测影响，可以先构建自变量网格数据，用模型预测y值后绘制热图：

library(pheatmap)

# 构造原始数据并拟合线性模型
data <- data.frame(y=c(1,2,3), x1=c(1.5,2,2.5), x2=c(3,10,12))
model <- lm(y ~ x1 + x2, data=data)

# 生成x1和x2的连续网格序列
x1_seq <- seq(min(data$x1), max(data$x1), length.out=20)
x2_seq <- seq(min(data$x2), max(data$x2), length.out=20)
grid_data <- expand.grid(x1=x1_seq, x2=x2_seq)

# 预测网格数据对应的y值
grid_data$y_pred <- predict(model, newdata=grid_data)

# 将预测值转换为矩阵格式（适配pheatmap输入要求）
pred_matrix <- matrix(grid_data$y_pred, nrow=length(x1_seq), ncol=length(x2_seq),
                      dimnames=list(x1=round(x1_seq,2), x2=round(x2_seq,2)))

# 绘制预测值热图
pheatmap(pred_matrix, scale="none", main="y的预测值热图（x1×x2）")

这个热图能清晰展示x1和x2不同取值组合下，模型预测的y值变化，直观反映两个自变量对因变量的联合影响。

内容的提问来源于stack exchange，提问作者user3351676