R语言logistic回归交互项（交互作用）的可视化分析

交互作用我们在前面已经说过，就不具体说了。在SCI论文中可以起到画龙点睛，并能进一步挖掘数据之间的亚组关系，进行数据挖掘也非常实用，交互项的可视化能把交互数据之间的关系明白的展示出来，在实际论文中绝对是加分项，废话不多说，我们实操一下。
我们这次使用的是人流后导致不孕的数据集，我们先导入看一下

library(rms)
bc<-read.csv("E:/r/test/buyunzheng.csv",sep=',',header=TRUE)

数据有8个指标，最后两个是PSM匹配结果，我们不用理他，其余六个为：
Education：教育程度，age:年龄，parity产次，induced：人流次数，case：是否不孕，这是结局指标，spontaneous：自然流产次数。
有一些变量是分类变量，我们需要把它转换一下

bc$education<-ifelse(bc$education=="0-5yrs",0,ifelse(bc$education=="6-11yrs",1,2))
bc$spontaneous<-as.factor(bc$spontaneous)
bc$case<-as.factor(bc$case)
bc$induced<-as.factor(bc$induced)
bc$education<-as.factor(bc$education)

建立模型，假如我们想知道流产（包括人流和自然流产）和年龄这两个指标是不是存在交互影响

f1<- glm(case ~ age + education + parity + induced+spontaneous+age*induced*spontaneous,
           family = binomial(link = logit), data = bc)
summary(f1)

我们看到自然流产和年龄之间可能存在交互

我们导入R可视化包visreg

library("visreg")
library("visreg")
plot(visreg(f1,xvar = "age",by="spontaneous",plot=F),xlab="age",ylab="predict",
     overlay = T,partial = F,rug=F,,line=list(lty=1:6))
legend("topleft",
       c("没有流产","流产1次","流产2次以上"),
       lty=c(1,1,1),
       col=c("red","green","blue"),
       lwd=c(2,1,1),
       bty="n")

由此我们可知，随着年龄增长，自然流产2次以上的患者不孕的概率比没有自然流产的患者明显增高。
更多精彩文章请关注公众号：零基础说科研