从Details帮助部分

计算由（当前未记录的）predictdf 泛型函数及其方法执行。对于大多数方法，置信区间是使用预测方法计算的——例外是使用基于 t 的近似值的 loess，而对于 glm，正常置信区间是在链接尺度上构建的，然后再转换为响应尺度。

因此predictdf通常会调用stats::predict，而后者又会调用predict平滑方法的正确方法。其他涉及stat_smooth 的函数也值得考虑。

大多数模型拟合函数将具有与模型predict相关联的方法class。这些通常会采用一个newdata对象和一个参数se.fit来表示是否适合标准错误。（请参阅?predict）了解更多详情。

se
显示置信区间是否平滑？（默认为 TRUE，请参见要控制的级别

这直接传递给 predict 方法以返回适当的标准错误（取决于方法）

fullrange
拟合应该跨越绘图的整个范围，还是只是数据

这定义了将评估预测的newdata值x

level 要使用的置信区间水平（默认为 0.95）

直接传递给 predict 方法，以便置信区间可以定义适当的临界值（例如，predict.lm用于qt((1 - level)/2, df)将标准误差乘以

n 评估更平滑的点数

与 结合使用fullrange来定义对象x中的值newdata。

在对您的调用中，stat_smooth您可以定义与（或）se部分匹配的内容，并在必要时定义参数。将给出置信区间的水平（默认为 0.95）。se.fitseintervallevel

对象是在处理过程中定义的newdata，具体取决于您设置的整个绘图或数据范围内的fullrange长度序列。n

在您的情况下， using rlm，这将使用predict.rlm，其定义为

predict.rlm <- function (object, newdata = NULL, scale = NULL, ...)
{
    ## problems with using predict.lm are the scale and
    ## the QR decomp which has been done on down-weighted values.
    object$qr <- qr(sqrt(object$weights) * object$x)
        predict.lm(object, newdata = newdata, scale = object$s, ...)
}

所以它在内部调用分解和参数predict.lm的适当比例。qrscale