После того, как вы подогнали модель, почему бы не использовать прогнозируемые дефекты в качестве переменной для сравнения с другими, используя те стандартные методы, которые им важны? Он имеет преимущество в том, что является непрерывной переменной, поэтому вы можете видеть даже небольшие различия. Например, люди поймут разницу между ожидаемым количеством дефектов 1,4 и 0,6, даже если они оба округлены до одного.
В качестве примера того, как прогнозируемое значение зависит от двух переменных, вы можете сделать контурную диаграмму времени v. Сложности в виде двух осей, цвета и контуров, чтобы показать прогнозируемые дефекты; и наложить фактические данные точек сверху.
Сюжет ниже нуждается в некоторой полировке и легенде, но может быть отправной точкой.
Альтернативой является добавленный график переменной или график частичной регрессии, более знакомый по традиционной гауссовой регрессии ответа. Они реализованы в автомобильной библиотеке. Эффективно показать связь между тем, что осталось от ответа, и тем, что осталось от одной из объясняющих переменных, после того, как остальные поясняющие переменные внесли свой вклад как в ответ, так и в объяснительные переменные. По моему опыту, большинство нестатистических аудиторий находят их немного сложными для оценки (конечно, моими плохими объяснениями).
#--------------------------------------------------------------------
# Simulate some data
n<-200
time <- rexp(n,.01)
complexity <- sample(1:5, n, prob=c(.1,.25,.35,.2,.1), replace=TRUE)
trueMod <- exp(-1 + time*.005 + complexity*.1 + complexity^2*.05)
defects <- rpois(n, trueMod)
cbind(trueMod, defects)
#----------------------------------------------------------------------
# Fit model
model <- glm(defects~time + poly(complexity,2), family=poisson)
# all sorts of diagnostic checks should be done here - not shown
#---------------------------------------------------------------------
# Two variables at once in a contour plot
# create grid
gridded <- data.frame(
time=seq(from=0, to=max(time)*1.1, length.out=100),
complexity=seq(from=0, to=max(complexity)*1.1, length.out=100))
# create predicted values (on the original scale)
yhat <- predict(model, newdata=expand.grid(gridded), type="response")
# draw plot
image(gridded$time, gridded$complexity, matrix(yhat,nrow=100, byrow=FALSE),
xlab="Time", ylab="Complexity", main="Predicted average number of defects shown as colour and contours\n(actual data shown as circles)")
contour(gridded$time, gridded$complexity, matrix(yhat,nrow=100, byrow=FALSE), add=TRUE, levels=c(1,2,4,8,15,20,30,40,50,60,70,80,100))
# Add the original data
symbols(time, complexity, circles=sqrt(defects), add=T, inches=.5)
#--------------------------------------------------------------------
# added variable plots
library(car)
avPlots(model, layout=c(1,3))