如何在R语言中生成偏回归图？附相关数据及实现示例需求

偏回归图（Partial Plot）生成示例 #

以下用Python实现，以上述表格数据作为演示数据集：

import pandas as pd
import statsmodels.api as sm
from statsmodels.graphics.regressionplots import plot_partregress

# 加载数据集
df = pd.DataFrame({
    "Cow": [24.3, 30.2, 49, 70, 69],
    "Western": [34.3, 35.3, 45, 60, 80],
    "Ashely": [50, 54, 540, 334, 54],
    "Jerzy": [45, 45, 4353, 343, 342]
})

# 拟合多元线性回归模型：以Ashely为因变量，其余3列为自变量
X = sm.add_constant(df[["Cow", "Western", "Jerzy"]])
y = df["Ashely"]
model = sm.OLS(y, X).fit()

# 生成Cow对Ashely的偏回归图（自动排除另外两个自变量的影响）
fig = plot_partregress(endog="Ashely", exog_i="Cow", exog_others=["Western", "Jerzy"], data=df, obs_labels=False)
fig.show()

生成的图可以直接观测排除其他变量干扰后，目标自变量和因变量的净相关关系。

矩阵对角线与观测序号对比实现 #

核心逻辑是提取n×n矩阵的对角元素，和长度为n的观测序号序列做数值或可视化对比，演示代码如下：

import numpy as np
import matplotlib.pyplot as plt

# 演示用：基于上述数据集构造4×4协方差矩阵
cov_matrix = df.cov().values

# 提取对角线元素
diag_values = np.diag(cov_matrix)
# 生成对应长度的观测序号（和矩阵维度匹配，此处为1到4）
obs_index = np.arange(1, len(diag_values)+1)

# 数值对比：直接输出差值
diff = diag_values - obs_index
print("观测序号：", obs_index)
print("对角元素值：", diag_values)
print("两者差值：", diff)

# 可视化对比
plt.plot(obs_index, diag_values, marker='o', label='对角线元素')
plt.plot(obs_index, obs_index, marker='s', label='观测序号基准线')
plt.xlabel("观测序号")
plt.ylabel("数值")
plt.legend()
plt.show()

如果是用n行观测构造的n×n矩阵，只需要把观测序号长度调整为n即可，逻辑完全一致。

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