如何在R语言中不依赖qqplot绘制Q-Q图验证Gamma分布拟合？

我来帮你搞定这个Gamma分布拟合验证的任务，完全手动实现Q-Q图（不用内置的qqplot函数），同时完成模拟数据的Q-Q图绘制来判断拟合优度。下面是完整的步骤和代码：

首先我们需要先拟合观测数据的Gamma分布参数（形状参数k和速率参数lambda），这里用MASS包的fitdistr函数来实现：

# 加载拟合参数所需的包
library(MASS)

# 替换为你自己的150个观测数据，这里先模拟一组示例数据
set.seed(123) # 固定随机种子保证结果可复现
observed_data <- rgamma(150, shape = 2, rate = 0.5)

# 拟合Gamma分布的形状k和速率lambda参数
fit_result <- fitdistr(observed_data, "gamma", start = list(shape = 1, rate = 1))
k <- fit_result$estimate["shape"]
lambda <- fit_result$estimate["rate"]

我们用(1:n)/(n+1)来计算经验分位数对应的概率点（避免取0或1的极端值），然后生成Gamma分布的理论分位数，再和排序后的观测数据绘图：

n <- length(observed_data)
# 计算经验分位数对应的概率点
pp <- (1:n)/(n + 1)
# 生成Gamma分布的理论分位数
theoretical_qq <- qgamma(pp, shape = k, rate = lambda)
# 对观测数据排序得到经验分位数
sorted_observed <- sort(observed_data)

按照你给出的布局（2行2列，第一个图占满第一行），我们先绘制观测数据的Q-Q图，再生成3组模拟数据并绘制对应的Q-Q图：

# 设置绘图布局：2行2列，第一个图占第一行两列，后两个占第二行各一列
layout(matrix(c(1,1,2,3), 2, 2, byrow = TRUE))

# 1. 观测数据的Gamma Q-Q图
plot(sorted_observed ~ theoretical_qq, 
     main = "Q-Q Plot: Observed Data vs Gamma Distribution",
     xlab = "Theoretical Gamma Quantiles",
     ylab = "Sorted Observed Data",
     pch = 16, col = "#2c3e50")
# 添加参考线（通过线性回归拟合的直线，用于判断拟合程度）
abline(lm(sorted_observed ~ theoretical_qq), col = "#e74c3c", lwd = 2)

# 生成3组符合拟合参数的模拟数据
set.seed(456)
sim_data1 <- rgamma(n, shape = k, rate = lambda)
sim_data2 <- rgamma(n, shape = k, rate = lambda)
sim_data3 <- rgamma(n, shape = k, rate = lambda)

# 2. 第一组模拟数据的Q-Q图
sorted_sim1 <- sort(sim_data1)
plot(sorted_sim1 ~ theoretical_qq,
     main = "Q-Q Plot: Simulated Data 1 vs Gamma",
     xlab = "Theoretical Gamma Quantiles",
     ylab = "Sorted Simulated Data",
     pch = 16, col = "#3498db")
abline(lm(sorted_sim1 ~ theoretical_qq), col = "#e74c3c", lwd = 2)

# 3. 第二组模拟数据的Q-Q图
sorted_sim2 <- sort(sim_data2)
plot(sorted_sim2 ~ theoretical_qq,
     main = "Q-Q Plot: Simulated Data 2 vs Gamma",
     xlab = "Theoretical Gamma Quantiles",
     ylab = "Sorted Simulated Data",
     pch = 16, col = "#2ecc71")
abline(lm(sorted_sim2 ~ theoretical_qq), col = "#e74c3c", lwd = 2)

• 对于观测数据的Q-Q图：如果点紧密贴合红色参考线，说明Gamma分布是适合该数据的模型；如果点明显偏离直线，则说明Gamma分布拟合效果不佳。
• 对比模拟数据的Q-Q图：如果观测数据的Q-Q图和模拟数据的图模式高度相似，说明拟合效果良好；如果观测数据的偏离程度远大于模拟数据，则Gamma可能不是最优模型。

内容的提问来源于stack exchange，提问作者Catherine