如何在ggplot2中绘制控制连续变量age的偏相关回归线散点图？

我已经使用ppcor包的pcor.test()完成了连续变量的偏相关分析，分析结果如下：

pcor.test(data$comprehension, data$measure, 
          data$age, method = "pearson")

   estimate      p.value statistic  n gp   Method
1 0.3896185 0.0002968104  3.783869 83  1 pearson

我能够在ggplot2中绘制简单相关的散点图及回归线，代码如下：

data %>%
  ggplot(aes(y = comprehension, x = measure)) +
  geom_point() +
  geom_smooth(aes(color = measure), method = lm, se = TRUE, fullrange = TRUE)

但不清楚如何绘制能够控制第三连续变量age的偏相关回归线散点图，希望得到相关建议。
补充说明：age为连续变量。

这里提供两种实用方法来实现控制age后的偏相关可视化：

方法1：残差法（贴合偏相关的本质） #

偏相关的核心是排除age的影响后，comprehension和measure的剩余变异之间的相关。我们可以先分别用两个变量对age做回归，提取残差，再对残差做散点图和回归线：

# 计算控制age后的残差
data <- data %>%
  mutate(
    comp_resid = residuals(lm(comprehension ~ age, data = .)),
    meas_resid = residuals(lm(measure ~ age, data = .))
  )

# 绘制残差的散点图与回归线
data %>%
  ggplot(aes(y = comp_resid, x = meas_resid)) +
  geom_point(alpha = 0.6) +
  geom_smooth(method = lm, se = TRUE, color = "darkblue") +
  labs(
    x = "measure（控制age后的残差）",
    y = "comprehension（控制age后的残差）",
    title = "控制age后的偏相关散点图"
  )

这个图的回归线斜率和pcor.test()输出的estimate完全对应，因为残差的皮尔逊相关系数就是偏相关系数。

方法2：在模型中直接加入控制变量（保留原始变量刻度） #

如果想保留原始变量的数值刻度，可以在geom_smooth的公式里直接加入age，拟合包含控制变量的线性模型：

data %>%
  ggplot(aes(y = comprehension, x = measure)) +
  geom_point(aes(color = age), alpha = 0.6) + # 用颜色区分不同age的样本
  geom_smooth(
    method = lm,
    se = TRUE,
    formula = y ~ x + age, # 加入age作为控制变量
    color = "darkred"
  ) +
  labs(
    x = "measure",
    y = "comprehension",
    title = "控制age后的回归线（原始变量刻度）",
    color = "age"
  )

这里的回归线展示的是当age保持不变时，measure每变化一个单位对comprehension的影响，和偏相关分析的结论一致。

内容的提问来源于stack exchange，提问作者Frewtea