Вероятно, самый простой способ - вычислить вектор из ИСТИНА / ЛОЖЬ значений, которые указывают, находится ли точка данных внутри доверительного интервала. или не. Я собираюсь немного перетасовать ваш пример, чтобы все вычисления были завершены до выполнения команд построения - это обеспечивает четкое разделение логики программы, которое можно было бы использовать, если бы вы упаковали часть этого в функцию. .

Первая часть почти такая же, за исключением того, что я заменил дополнительный вызов lm () внутри pred () переменной severity.lm . - нет необходимости использовать дополнительные вычислительные ресурсы для пересчета линейной модели, когда она уже хранится:

## Dataset from 
#  apsnet.org/education/advancedplantpath/topics/
#    RModules/doc1/04_Linear_regression.html

## Disease severity as a function of temperature

# Response variable, disease severity
diseasesev<-c(1.9,3.1,3.3,4.8,5.3,6.1,6.4,7.6,9.8,12.4)

# Predictor variable, (Centigrade)
temperature<-c(2,1,5,5,20,20,23,10,30,25)

## For convenience, the data may be formatted into a dataframe
severity <- as.data.frame(cbind(diseasesev,temperature))

## Fit a linear model for the data and summarize the output from function lm()
severity.lm <- lm(diseasesev~temperature,data=severity)

## Get datapoints predicted by best fit line and confidence bands
## at every 0.01 interval
xRange=data.frame(temperature=seq(min(temperature),max(temperature),0.01))
pred4plot <- predict(
  severity.lm,
  xRange,
  level=0.95,
  interval="confidence"
)

Теперь мы вычислим доверительные интервалы для исходных точек данных и запустим тест, чтобы увидеть, находятся ли точки внутри интервал:

modelConfInt <- predict(
  severity.lm,
  level = 0.95,
  interval = "confidence"
)

insideInterval <- modelConfInt[,'lwr'] < severity[['diseasesev']] &
  severity[['diseasesev']] < modelConfInt[,'upr']

Затем мы построим график - сначала функцию высокоуровневого построения plot () , как вы использовали его в своем примере, но мы будем строить только точки внутри интервала .Затем мы продолжим работу с функцией низкого уровня points () , которая будет отображать все точки вне интервала другим цветом. Наконец, matplot () будет использоваться для заполнения доверительных интервалов, как вы его использовали. Однако вместо вызова par (new = TRUE) я предпочитаю передавать аргумент add = TRUE высокоуровневым функциям, чтобы они действовали как низкоуровневые функции.

Использование par (new = TRUE) похоже на подтасовку функции построения графика, которая может иметь непредвиденные последствия. Аргумент add предоставляется многими функциями, чтобы заставить их добавлять информацию к графику, а не перерисовывать его. Я бы рекомендовал использовать этот аргумент, когда это возможно, и прибегать к манипуляциям с par () в крайнем случае.

# Take a look at the data- those points inside the interval
plot(
  diseasesev~temperature,
  data=severity[ insideInterval,],
  xlab="Temperature",
  ylab="% Disease Severity",
  pch=16,
  pty="s",
  xlim=c(0,30),
  ylim=c(0,30)
)
title(main="Graph of % Disease Severity vs Temperature")

# Add points outside the interval, color differently
points(
  diseasesev~temperature,
  pch = 16,
  col = 'red',
  data = severity[ !insideInterval,]
)

# Add regression line and confidence intervals
matplot(
  xRange,
  pred4plot,
  lty=c(1,2,2),   #vector of line types and widths
  type="l",       #type of plot for each column of y
  add = TRUE
)