这是一些数据和图表：
set.seed(18)
data = data.frame(y=c(rep(0:1,3),rnorm(18,mean=0.5,sd=0.1)),colour=rep(1:2,12),x=rep(1:4,each=6))
ggplot(data,aes(x=x,y=y,colour=factor(colour)))+geom_point()+ geom_smooth(method='lm',formula=y~x,se=F)
如您所见，线性回归受 x=1 的值的影响很大。 我可以得到为 x >= 2 计算的线性回归，但显示 x=1 的值（y 等于 0 或 1）。 除了线性回归之外，结果图将完全相同。他们不会受到 abscisse = 1 值的影响
【问题讨论】：
标签： r ggplot2 regression subset
就像geom_smooth(data=subset(data, x >= 2), ...) 一样简单。如果此图仅适用于您自己并不重要，但要意识到，如果您不提及回归是如何执行的，这样的事情会误导其他人。我建议更改排除点的透明度。
ggplot(data,aes(x=x,y=y,colour=factor(colour)))+
geom_point(data=subset(data, x >= 2)) + geom_point(data=subset(data, x < 2), alpha=.2) +
geom_smooth(data=subset(data, x >= 2), method='lm',formula=y~x,se=F)
【讨论】：
常规的lm 函数有一个weights 参数，您可以使用该参数为特定观察分配权重。通过这种方式，您可以清楚地了解观察对结果的影响。我认为这是处理问题的一般方法，而不是对数据进行子集化。当然，临时分配权重对于分析的统计可靠性并不是一个好兆头。总是最好在权重背后有一个基本原理，例如低权重的观测具有更高的不确定性。
我认为 ggplot2 在后台使用 lm 函数，因此您应该能够传递 weights 参数。您可以通过美学（aes）添加权重，假设权重存储在向量中：
ggplot(data,aes(x=x,y=y,colour=factor(colour))) +
geom_point()+ stat_smooth(aes(weight = runif(nrow(data))), method='lm')
您也可以将权重放在数据集中的列中：
ggplot(data,aes(x=x,y=y,colour=factor(colour))) +
geom_point()+ stat_smooth(aes(weight = weight), method='lm')
列在哪里被称为weight。
【讨论】：
我尝试了@Matthew Plourde 的解决方案，但subset 对我不起作用。与原始数据相比，当我使用子集时，它没有任何改变。我用filter 替换了subset，它起作用了：
ggplot(data,aes(x=x,y=y,colour=factor(colour)))+
geom_point(data=data[data$x >= 2,]) + geom_point(data=data[data$x < 2,], alpha=.2) +
geom_smooth(data=data[data$x >= 2,], method='lm',formula=y~x,se=F)
【讨论】：