【原】交互作用 | 第五期 交互作用，如何实现看这里！

上一期（2023.9.10）我们介绍了相加交互作用的定义、如何检验相加交互作用（交互作用 | 第四期 相加交互作用，公共卫生意义更突出！）。这一期我们将带大家了解如何使用R实现交互作用分析，本期内容将从相乘交互作用的实现和相加交互作用的实现两部分进行介绍。

•   一、相乘交互作用的实现

R中的"epiR"包可应用于两个二分类变量的交互作用分析，可计算其相乘和相加交互作用（RERI、AP、S）；其中，置信区间的计算基于delta法。

下面以logistic回归模型为例，探究性别与用药剂量对肺癌死亡风险是否存在相乘交互作用的具体分析如下：

library(epiR) library(autoReg)library(tidyverse)#生成模拟数据：药物剂量（dose，1=低剂量；0高剂量），性别（gender，1=男性；0=女性），肺癌（lung，1=死亡，0=存活）。lung <- c(rep(1, times = 231), rep(0, times = 178), rep(1, times = 11),         rep(0, times = 38))gender <- c(rep(1, times = 225), rep(0, times = 6), rep(1, times = 166), rep(0, times = 12), rep(1, times = 8), rep(0, times = 3), rep(1, times = 18), rep(0, times = 20))dose <- c(rep(1, times = 409), rep(0, times = 49))dat <- data.frame(lung, gender, dose)dat <- dat %>%   mutate(gender = factor(gender),         dose = factor(dose),         lung = factor(lung))#相乘交互作用及二元logistic回归fit <- glm(lung ~ gender*dose, family = binomial(link = "logit"), data = dat)autoReg(fit)

性别与用药剂量的相乘交互作用为0.91<1，P值为0.922，表明相乘交互作用不显著。

二、相加交互作用的实现

以logistic回归模型为例，探究性别与用药剂量对肺癌死亡风险是否存在相加交互作用的具体分析如下：

dat.glm01 <- glm(lung ~ gender*dose, family = binomial, data = dat)summary(dat.glm01) epi.interaction(model = dat.glm01, param = "product", coef = c(2,3,4), conf.level = 0.95)

相加交互的评价指标RERI和AP置信区间包含0，S的置信区间包含1，提示相加交互作用不显著。具体如何判断是否存在相加交互作用，可以回顾上一期内容哦（交互作用 | 第四期 相加交互作用，公共卫生意义更突出！点击进入）。