ggplot2二维核密度估计中level参数含义及概率相关性技术咨询

问题描述 #

我用ggplot2生成了多组二维核密度估计图，代码能正常运行，但不清楚stat_density_2d里after_stat(level)的level具体含义，它和概率有关吗？该怎么解读这个参数？

代码示例 #

m <- ggplot(EMOD29, aes(x=GPP, y=ER, shape=Model)) +
geom_point(aes(shape=Model, color=Model), size=3.5)+
scale_shape_manual(values=c(3,16)) +
scale_color_manual(values=c("Black","Black"))+
theme(legend.title = element_blank(),legend.text = element_text(size=15, "Times New Roman"), legend.position = "right", aspect.ratio = 1)+
xlim(0, 25) +
ylim(-10,5)+
guides(color = guide_legend(override.aes = list(size = 1)))

KDE.plot.m<- m + stat_density_2d(geom = "polygon", contour = TRUE,
              aes(fill = after_stat(level)), colour="transparent",
              bins = 30)+
geom_point() +
scale_fill_distiller(palette = "Blues", direction = 1) +
theme(text=element_text(family="Times New Roman", size=18),
    panel.grid = element_blank(),
    panel.background = element_blank(),
    axis.line = element_line(),
    legend.position = "right")

KDE.plot.m

参数解读 #

• 核心含义：after_stat(level)中的level是二维核密度估计的等高线阈值，每条填充的多边形轮廓，对应着「样本点落在该轮廓内的累积概率等于某一固定值」，本质是概率密度积分后得到的累积概率对应的密度临界值。
• 和概率的关联：它直接和累积概率挂钩。你代码里用了bins=30，ggplot会把总概率（100%）平均分成30个区间，每个level就对应一个区间的密度临界值。比如相邻两个level之间的区域，对应约3.33%（1/30）的样本概率占比。
• 实际解读方式：
  • 你用了scale_fill_distiller(palette = "Blues", direction = 1)，所以颜色越深的区域对应越高的level，代表样本点密度越高，随机抽取一个样本落在该区域的概率也越大。
  • 如果想要更直观的概率对应关系，可以不用bins，改用breaks手动指定level值，比如breaks=c(0.1, 0.5, 0.9)，这样生成的轮廓就分别对应10%、50%、90%的累积概率区域，一眼就能看懂不同区域的概率占比。

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