R语言的流行病学应用 课件 第15章 交互作用分析

第15章交互作用分析15.1交互作用类型15.2连续型变量和连续型变量15.3连续型变量和分类变量15.4分类变量和分类变量15.5小结第15章交互作用分析交互作用在流行病学研究中具有重要意义，实际研究中，不同暴露之间常存在相互影响，使得效应关系更加复杂，因此仅分析单一暴露往往不充分。通过交互作用分析，可以更全面地评估多重暴露对结局的影响。本章将详细介绍R语言中交互作用的基本实现方法。学习本章后，读者掌握交互作用分析的基本操作，并能够在实际研究中进行交互效应的建模与解释。15.1交互作用类型15.1交互作用类型交互作用是当两个或两个以上因子共同作用于某一事件时，其效应明显不同于该两个或两个以上因子单独作用时的和和/或积，称这些因子间存在交互作用。交互作用可以分为相加交互作用和相乘交互作用。15.1.1相加交互作用相加交互即两种暴露的综合效应大于（或小于）两种暴露单独效应的总和。可通过超额相对危险度（RERI）、协同指数（S）和归因于交互作用百分比（AP）来度量相加交互作用具体大小（演示）。RERI>0、AP>1且S>0时，才认为两种暴露之间存在正向的相加交互作用；当RERI<0、AP<1、S<0，提示两种暴露之间为负向的相加交互作用；当RERI=0、AP=0、S=1时则认为两种暴露之间不存在相加交互作用。15.1.2相乘交互作用相乘交互作用是指两种暴露的综合效应大于（或小于）单独暴露效应的乘积（演示）。相乘作用可以直接用风险比进行衡量。15.1.3交互作用的意义相加交互作用的结果更容易被公众理解，更具有公共卫生的指导意义（演示）。相乘交互作用的计算则更加简单、便捷。15.1交互作用类型15.2连续型变量和连续型变量15.2.1相乘交互作用1．构建模型将两个连续型变量以相乘的形式纳入模型，构建交互项（演示）。2．输出结果提取交互项回归系数后进行指数转换得到效应值，并进一步计算得到置信区间（CI）（演示）。exp(coef(fit))：对模型回归系数取指数，获得效应估计值（OR）（演示）。exp(confint(fit))：回归系数的CI取指数（演示）。15.2连续型变量和连续型变量在进行交互作用分析前，应首先确认各单独暴露与结局之间存在具有统计学或公共卫生意义的关联，否则交互效应的解释缺乏基础。15.2.2相加交互作用相加交互作用通过构建含交互项的回归模型，基于模型系数计算RERI、AP和S，并结合bootstrap方法估计其95%CI，从而评估两个连续型暴露的联合作用是否大于其单独作用之和。1．构建模型将两个连续型变量以相乘的形式纳入模型，构建交互项。2．构建指标函数基于模型回归系数，分别构建RERI、AP和S的计算函数（演示）。3．Bootstrap估计设置随机种子以保证结果可重复。使用boot()进行重复抽样（如500–1000次），计算各指标的效应估计值（演示）。4．置信区间计算使用boot.ci()计算95%CI（演示）。15.2连续型变量和连续型变量15.3连续型变量和分类变量15.3.1相乘交互作用通过在模型中加入连续变量与分类变量的乘积项，提取交互项系数并指数化计算效应值及其95%CI，以评估相乘交互作用。1．构建模型将连续变量与分类变量以相乘的形式纳入模型，构建交互项（演示）。2．输出结果提取交互项回归系数后进行指数转换得到效应值，并进一步计算得到CI（演示）。exp(coef(fit))：对模型回归系数取指数（演示）。exp(confint(fit))：回归系数的CI取指数（演示）。15.3连续型变量和分类变量15.3.2相加交互作用基于含交互项的回归模型，计算RERI、AP、S并结合bootstrap估计其95%CI，用于评估分类变量与连续变量之间的相加交互作用。1．构建模型将连续变量与分类变量以相乘的形式纳入模型，构建交互项。2．构建指标函数基于模型回归系数，分别构建RERI、AP和S的计算函数（演示）。3．Bootstrap估计使用boot()进行重复抽样（如500次），获得交互效应指标估计值（演示）。4．置信区间计算使用boot.ci()计算95%CI（演示）。15.3连续型变量和分类变量15.4分类变量和分类变量为提高结果可解释性，可将连续暴露变量按阈值划分为分类变量（如高/低暴露），再构建交互项开展交互作用分析。15.4.1基本模型构建将连续变量按阈值分类后，基于回归模型估计单独暴露和联合暴露的效应（OR10、OR01、OR11），用于比较不同暴露组合的风险水平。1．变量分类按阈值将连续变量转为二分类变量（0/1）（演示）。2．构建模型将分类变量与分类变量以相乘的形式纳入模型，构建交互项（演示）。3．提取系数计算单暴露（OR10、OR01）和联合暴露（OR11）（演示）。15.4分类变量和分类变量15.4.2相乘交互作用基于回归模型系数，采用delta法（如eraction()）计算相乘交互作用及其95%CI，用于评估两分类暴露的联合效应是否偏离乘积关系。delta法：使用eraction(model,coef,param,conf.level)

计算交互作用及其95%CI，其中model为所建模型，coef为单暴露A、单暴露B及交互项A×B的系数位置，param用于指定交互形式（product或dummy），conf.level为置信水平（演示）。1．构建模型将分类变量与分类变量以相乘的形式纳入模型，构建交互项（演示）。2．交互作用计算基于模型结果，指定单暴露及交互项系数位置，使用eraction()计算相乘交互作用及其95%CI，指定输出为$multiplicative（演示）。15.4分类变量和分类变量15.4.3相加交互作用基于回归模型系数，采用delta法（如eraction()）计算RERI、AP、S及其95%CI，用于评估两分类暴露的联合作用是否大于单独作用之和。product形式：模型中包含两个暴露变量及其交互项。dummy形式：构建一个四分类变量（0=无暴露，1/2=单暴露，3=共暴露）。product与dummy方法结果一致，本质为不同建模方式。1．构建模型将分类变量与分类变量以相乘的形式纳入模型，构建交互项（演示）。2．交互作用计算基于模型结果，指定单暴露及交互项系数位置，使用eraction()计算相加交互作用及其95%CI，通过指定输出为$reri、apab、s获取RERI、AP、S对应估计值（演示）。15.4分类变量和分类变量15.5小结15.5小结本章系统介绍了交互作用分析的基本概念、类型及其在R中的实现方法，重点比较了不同数据类型下的分析思路。相乘交互作用计算相对简单，主要基于交互项系数进行判断；相加交互作用通过RERI、AP和S衡量，虽计算较复杂，但解释性和公共卫生意义更强。交互作用分析可分为连续型和连续型、连续型和分类及分类和分类三种类型，不同类型在建模形式和计算方法上存在差异。相乘交互作用在不同数据类型中方法基本一致；相加交互作用在涉及连续变量时通常需结合bootstrap估计，而在分类变量情况下可直接使用如eraction()等函数计算。15.5小结本章重要函数函数程序包作用主要用法glmstats模型拟合glm(formula,family=binomial(