使用ggplot绘制lmer模型固定效应时遇报错求助

让我来帮你拆解这个错误的原因，然后给出针对性的解决方案：

错误根源分析 #

你遇到的核心问题是：Effect()函数生成的数据集里根本没有cut这个变量！

Effect()的作用是计算固定效应的边际预测值——它会把随机效应（这里的(1|cut)）的影响边缘化（也就是用随机效应的均值0来计算预测），所以输出的data.frame(ee)里只包含你指定的固定效应变量（price、depth）和预测值fit，完全没有随机分组变量cut。

当你在ggplot里写color = cut时，R在当前数据集里找不到cut，就会去全局环境查找，结果找到了R内置的cut()函数（用来给连续变量分箱的工具函数），所以它把cut识别成了函数类型，自然就报出“无法自动为function类型的对象选择scale”的错误了。

解决方案分两种情况（匹配你的需求） #

情况1：只想看固定效应的交互作用（忽略cut分组差异）

如果你的目标是展示price和depth这两个固定效应的交互关系，不需要区分不同cut的话，可以直接用Effect()的输出，按depth的水平来分组绘图：

library(ggplot2)
library(lme4)
library(lmerTest)
library(effects)
data(diamonds)

# 拟合模型
m1 <- lmer(carat ~ price * depth + (1 | cut), diamonds)

# 提取固定效应的边际效应
ee <- Effect(c("price", "depth"), m1)
ee_df <- data.frame(ee)
# 把depth转为因子，方便用离散颜色区分不同水平
ee_df$depth <- factor(ee_df$depth)

# 绘图
ggplot(ee_df, aes(price, fit, color = depth)) +
  geom_line(linewidth = 1) +
  labs(title = "边际效应：价格与深度对钻石重量的影响",
       x = "价格", y = "预测重量（克拉）", color = "深度水平") +
  theme_minimal()

情况2：想按cut分组展示包含随机效应的预测曲线

如果你想看到不同cut分组下的预测差异（包含随机截距的影响），那Effect()就不适用了，得手动生成预测数据集，用predict()函数计算带随机效应的预测值：

library(ggplot2)
library(lme4)
library(lmerTest)
data(diamonds)

# 拟合模型
m1 <- lmer(carat ~ price * depth + (1 | cut), diamonds)

# 生成预测数据集：包含price的序列、depth的代表性水平、所有cut分组
price_seq <- seq(min(diamonds$price), max(diamonds$price), length.out = 100)
# 用depth的四分位数作为代表性水平，比均值±SD更贴合数据分布
depth_vals <- with(diamonds, quantile(depth, c(0.25, 0.5, 0.75)))
pred_data <- expand.grid(
  price = price_seq,
  depth = depth_vals,
  cut = unique(diamonds$cut)
)

# 计算包含随机效应的预测值（re.form = NULL表示保留所有随机效应）
pred_data$fit <- predict(m1, newdata = pred_data, re.form = NULL)

# 绘图：按cut分颜色，按depth分面展示交互效果
ggplot(pred_data, aes(price, fit, color = cut)) +
  geom_line(linewidth = 1) +
  facet_wrap(~depth, labeller = label_both) +
  labs(title = "不同切工下，价格与深度对钻石重量的预测",
       x = "价格", y = "预测重量（克拉）", color = "切工等级") +
  theme_minimal()

额外小贴士 #

• 用predict()时，如果只想计算固定效应的预测值（忽略随机效应），把re.form设为~0就行。
• Effect()输出里的depth是连续变量，直接用color = depth会生成连续色阶，转为因子后更适合展示不同水平的差异。

内容的提问来源于stack exchange，提问作者user974887