scitb5函数2.1版本（交互效应函数P for interaction）发布----用于一键生成交互效应表、森林图

admin管理员组

文章数量:1590162

写在前面的话，此函数不适用于NHANES数据，也不能用于COX回归,请注意甄别。
在SCI文章中，交互效应表格（通常是表五）几乎是高分SCI必有。因为增加了亚组人群分析，增加了文章的可信度，能为文章锦上添花，增加文章的信服力，还能进行数据挖掘。

在既往文章《scitb5函数1.7版本（交互效应函数P for interaction）发布----用于一键生成交互效应表、森林图》中，本人发布了自己编写的scitb5函数，用于绘制交互效应表。效果还不错，旧版本不能生成亚组的P值和调节小数位数，新版本增加了以上功能，还增加了线性回归森林图的绘制，下面我来演示一下。

导入我们的早产数据和函数

source("E:/r/myfit/21scitb5.R")
bc<-read.csv("E:/r/test/zaochan.csv",sep=',',header=TRUE)
bc <- na.omit(bc)

这是一个关于早产低体重儿的数据（公众号回复：早产数据，可以获得该数据），低于2500g被认为是低体重儿。数据解释如下：low 是否是小于2500g早产低体重儿，age 母亲的年龄，lwt 末次月经体重，race 种族，smoke 孕期抽烟，ptl 早产史（计数），ht 有高血压病史，ui 子宫过敏，ftv 早孕时看医生的次数，bwt 新生儿体重数值

分类变量转成因子

bc$race<-ifelse(bc$race=="black",1,ifelse(bc$race=="white",2,3))
bc$smoke<-ifelse(bc$smoke=="nonsmoker",0,1)
bc$low<-factor(bc$low)
bc$race<-factor(bc$race)
bc$ht<-factor(bc$ht)
bc$ui<-factor(bc$ui)

定义协变量和分层因子

cov1<-c("lwt","smoke","ptl","ui","ftv","race")	
Interaction<-c("race","smoke","ui")

生成结果

out<-scitb5(data=bc,x="age",y="low",Interaction=Interaction,cov = cov1,family="glm")

调节小数位数，dec调整OR的小数位数，pdec调整P值的小数位数，p.intervaue调整交互P值小数位数

out<-scitb5(data=bc,x="age",y="low",Interaction=Interaction,cov = cov1,family="glm",dec = 5,pdec = 5,p.intervaue = 5)

一键绘制森林图

plotforest(out)

加下来说一个包含的问题，在既往函数中，我要求协变量COV是要包含分层变量，不然就会报错，但也有些粉丝说这样有时候不够灵活，新版本中这个包含规则也是可以关掉的，我重新设置一下协变量h额分层

cov1<-c("lwt","smoke","ptl","ui","ftv")	
Interaction<-c("race","smoke","ui")

以前这样是做不出来的，因为"race"没有在协变量里面

out<-scitb5(data=bc,x="age",y="low",Interaction=Interaction,cov = cov1,family="glm") #运行不了

现在可以了

out<-scitb5(data=bc,x="age",y="low",Interaction=Interaction,cov = cov1,family="glm",contain = F)

生成森林图

plotforest(out)

森林图可以调整演示和范围

plotforest(out,xticks=c(0,10,20),col = "red")

下面演示一下分组变量，这里ht是个分类数据，表示是否有高血压。

cov1<-c("lwt","smoke","ptl","ui","ftv","race")	
Interaction<-c("race","smoke","ui")
out<-scitb5(data=bc,x="ht",y="low",Interaction=Interaction,cov = cov1,family="glm")

上图我要解释一下，做分类变量的时候需要设定一个参考，在race这个分层比较的时候，ht.0_race.1是被认定做参考的，什么意思呢？就是当ht等于0和race等于1这个亚组的人群是被默认为做参考比较的，其他组都是和它进行比较最后一组有个数据缺失，是因为这个分层一个数据都没有，所以就是NA。
所以说，分类变量进行亚组交互的时候，分类最好不要太多，要不数据会很大，而且有些层分不到数据。下面来演示一下粉丝的数据，主要是演示线性回归绘制森林图

我们先导入数据，数据我就不解释了

bc<-read.csv("E:/r/fensi/DII_GROUP.csv",sep=',',header=TRUE)
dput(names(bc))
bc[,c("sex_02", "nianling_02", "marriage_02", "GROUP",
      "smoke_02")] <- lapply(bc[,c("sex_02",  "nianling_02", "marriage_02","GROUP", "smoke_02")], factor)
str(bc)
########
Interaction<-c("sex_02", "nianling_02", "marriage_02", "smoke_02")
cov<-c("sex_02", "nianling_02", "marriage_02", "smoke_02","wc_02")

生成结果，这里的Y是连续变量，所以是线性回归

out<-scitb5(data=bc,x="GROUP",y="DII_total_02",Interaction=Interaction,cov = cov,family="glm")

旧版本是做不了线性回归森林图的，我看了一下有的文章确实有做线性回归森林图，所以在新版本也开发了这个线性回归森林图，方法也是一样的

plotforest(out)

我们注意一下上图有红箭头，有小数点存在，这和我的算法有关，你可以自己调整一下

plotforest(out,xticks=c(-3,0,5))

如果你还不会也没有关系，请看下面的视频操作

我暂时还没有把两个函数进行和并的打算，NHANES数据的COX回归亚组交互函数也在编写中，可能还要等一等。

需要获取scitb5.coxph 函数可以看下面这篇文章

scitb5函数2.1版本（交互效应函数P for interaction）发布----用于一键生成交互效应表、森林图

本文标签： 函数效应一键森林版本