【交互】02 .加法互乘交互[R包interactionR] 1.原理与方法评述2.`介绍交互r包
生物学相互作用的评价应基于有无协同相互作用，流行病学研究常用logistic和Cox等广义线性模型，引入乘积项分析要素之间的相互作用，其意义与否只反映协同相互作用，反映两要素之间有无协同作用和生物学相互作用上篇【交互作用】01 .加法交互乘法交互作用(r包epiR )介绍了交互作用的基本概念、3个加法交互作用评价指标(RERI、AP和s )和epiR包的应用等。 这篇文章介绍了另一个易于使用的r软件包interactionR，它可以实现交互。
1 .原理和方法的回顾以两个因素两个层面为例。 两种暴露因素分别为a、b，1表示存在因素，0表示不存在因素，变量为有无疾病发生。
ORA0B0显示a、b均不存在时发病的OR值，分析时为参照组； ORA1B0表示仅存在a而不存在b时发病的OR值； ORA0B1表示不存在a而仅存在b时发病的OR值； ORA1B1表示a、b共同存在时发病的OR值。
评价相加交互作用的三个指标
相对超危险度比： RERI=ORA1B1 - ORA0B1 - ORA1B0 1；
原因比： AP=RERI/ORA1B1；
相互作用指数： si=(ORA1B1-1)/(ORA1B0 - 1) ) ora1b0-1)。
33558www.Sina.com/:2:如果两个元素不交互，则RERI和AP的受信任区间必须包含0，SI的受信任区间必须包含1。
判定准则
有两种方法可以创建logistic回归模型来计算ORA1B1、ORA0B1和ORA1B0，并代入交互指标的计算公式：交互作用指标的点估计
ln[p/(1-p ) ]=01a2b3 ) ab；
ora1b0=exp(1 )、
ora0b1=exp(2 )、
ora1b1=exp(123 )。(1) 用两因素A、B及乘积项AB构建logistic回归模型1
A0B0表示A=0且B=0，分析时为参照组； A0B1表示A=0且B=1，A0B1表示A=0且B=1，并且A1B1表示A=1且B=1。
ln[p/(1-p ) ]=0 1A1B0 2A0B1 3A1B1；
ora1b0=exp(1 )、
ora0b1=exp(2 )、
ora1b1=exp(3；
模型1和2的1、2相同，模型2的3等于模型1的1 2 3。
(2) 根据两因素A、B，建立新的交互作用哑变量A_B，构建logistic回归模型2:一般以高风险类别为暴露人群，特别是保护因素时，为了避免说明上的混乱，应将无暴露设置为1，有暴露设置为0。 暴露变量为多分类或连续变量时，置信区间(CI )估计的增量法和Andersson制定的Excel法不适用。 Bootstrap方法可以估计描述变量类型交互的所有CI。
interactionR包介绍了interactionR可以直接导出出版级别的Word。 结果包括协同效应、暴露效应和相互作用效应、乘法相互作用、加法相互作用和层次分析。
注意
elta方法(主机) 1992 )、[ doi :10.1097/0001648-199209000-00012 ]、variancerecoverymethod ] Zou [ percentile bootstrapping (assmannetal.(1996 )，[ doi :10.1097/0001648-1996 010 ]
dev tools :3360 install _ github (epi-Zen/interaction r ' ) library(interactionr )R包内置3种置信区间的估计方法
model:包含交互项的回归模型。 逻辑glm (公式，帧=二进制)链接=' logit '，数据)、条件逻辑日志it )或cox coxph )回归模型。 模型可以包含适当的协调变量。 exposure_names:模型具有两个可能相互作用的二分类变量(乘积项)。 ci.type:加法交互的置信区间估计方法(“delta”或“mover”)默认为delta方法。 Ci .级别：置信区间级别。 em: TRUE，for effect
modification assessment. FALSE, for interaction.recode: If TRUE, recodes the exposures - if at least one of the exposures is protective - such that the stratum with the lowest risk becomes the new reference category when the two exposures are considered jointly (See Knol et al (2011) [doi: 10.1007/s10654-011-9554-9]).示例数据代码实现：
已报道的饮酒和吸烟对口腔癌的联合作用数据。包括两个二分类暴露因素，即饮酒 (alc) 和吸烟 (smk)，结局为二分类变量，即口腔癌 (oc)。
data (OCdata)## fit the interaction modelmodel.glm <- glm(oc ~ alc*smk, family = binomial(link = "logit"), data = OCdata)summary(model.glm)## 1) analysis----table_object = interactionR(model.glm, exposure_names = c("alc", "smk"), ci.type = "mover", ci.level = 0.95, em = F, recode = F)table_object$dframe # Measures Estimates CI.ll CI.ul# 1 OR00 1.0000000 NA NA# 2 OR01 2.9629630 0.6800459 12.9096430# 3 OR10 3.3333333 0.7006066 15.8592734# 4 OR11 9.0361446 2.6413389 30.9130753# 5 OR(smk on outcome [alc==0] 2.9629630 0.6800459 12.9096430# 6 OR(smk on outcome [alc==1] 2.7108434 0.9969750 7.3709689# 7 OR(alc on outcome [smk==0] 3.3333333 0.7006066 15.8592734# 8 OR(alc on outcome [smk==1] 3.0496988 1.2948765 7.1826638# 9 Multiplicative scale 0.9149096 0.1543611 5.4227369# 10 RERI 3.7398483 -11.4297248 21.8721579# 11 AP 0.4138765 -0.3775073 0.8113231# 12 SI 1.8704819 0.6460433 5.4155854# 乘法：# 饮酒作用：OR10/OR00=3.33# 吸烟作用：OR01/OR00=2.96# 烟酒联合作用：OR11/OR00=9.04# 相乘作用：OR11/(OR01*OR10)=0.9149096(Multiplicative scale)=exp(-0.08893)(alc:smk)=exp(2.2012)/exp(1.0862)/exp(1.2040)# P interaction= 0.92197(即alc:smk的P值)# 加法：# 饮酒作用：OR10-OR00=3.33-1=2.33# 吸烟作用：OR01-OR00=2.96-1=1.96# 烟酒联合作用：OR11-OR00=8.0361446# 相加作用：OR11-OR01-OR10+1=9.04-3.33-2.96+1=3.7398483(RERI)## 2) output word----interactionR_table(table_object) #将分层分析与乘法和加法交互作用的结果输出到Word。## CI estimating methods: CI1 <- interactionR_mover(model.glm, exposure_names = c("alc", "smk"), ci.level = 0.95, em = F, recode = F);CI1$dframeCI2 <- interactionR_delta(model.glm, exposure_names = c("alc", "smk"), ci.level = 0.95, em = F, recode = F);CI2$dframe CI3 <- interactionR_boot(model.glm, ci.level = 0.95, em = F, recode = F, seed = 12345, s = 1000);CI3$dframe # interactionR_boot() #A fitted model object of class glm. Requires that the two binary exposure variables are listed first in the call formula.输出到Word中的表格如下：
参考阅读：
[1] 缥缈的紫菜,强老迟到的铃铛,zgdl,老实的口红,kddwd,陶源.应用R软件进行logistic回归模型的交互作用分析[J].中国卫生统计,2017,34(04):670-672+675.
[2] Babatunde Alli (2021). interactionR: Full Reporting of Interaction Analyses. R package version 0.1.2. https://CRAN.R-project.org/package=interactionR.