交互作用分析计划.docxVIP

精品文档 精品文档 精品文档 一、交互作用的观点 简单地说，交互作用指当 两个因素都存在时，它们的作用大于（共同）或小于（拮抗） 各自作用的和。 要理解交互作用首先要区 别于混淆作用。 混淆作用 以抽烟（SMK）和饮酒（ALH）对收缩压（SBP）的影响为例，能够成立以下二个模 型： 模型1：SBP= β0+β2’SMK 模型2：SBP= β0+β1ALH+β2SMK 假定从模型1估计的SMK的作用为β2’，从模型2估计的SMK的作用为β2。如抽烟与饮酒相关（假定抽烟者也多饮酒），而且饮酒与血压相关，这时能够假想两种可能： 1. 制了  抽烟与血压无关，但因为饮酒的原因，模型ALH的作用后，SMK的作用β2将不显著。  1中的β2’会显著，而模型  2控 2. 2估计的β  抽烟与血压相关，模型 2是控制了 ALH的作用后  1中估计的SMK的作用β2’一部分归功于饮酒，模型 SMK的作用，因此β2’不等于β2。 是不是β 2不等于β2’ 混淆作用。  就意味着有交互作用呢？不是的，  这 只是意味着β2’中有饮酒的 那么什么是交互作用呢？ 根据抽烟与饮酒将研究对 象分红四组，各组 SBP的均数可用下表表示： 不饮酒 饮酒 不抽烟 β0 β0+β1 抽烟 β0+β2 β0+ β1+β2+β12 抽烟与饮酒对SBP的影响,有无交互作用反应在β12上，查验β12是否等于零就是查验抽烟与饮酒对SBP的影响有无交互作用。而上面的模型2是假定β12等于零所做的回归方程。 交互作用的理解看上去很简单，但需要意识到的是交互作用的评论与作用的测量方法相关。以高血压发病率为例，看抽烟与饮酒对高血压发病率的影响就有两种情况。 、相加模型： 不饮酒 饮酒 不抽烟I 0 I+Ia 0 抽烟  I0+Is  I0+Ia+Is+Isa 、相乘模型： 不饮酒 饮酒 不抽烟 I 0 I*A 0 抽烟 I 0 *S I*S*A*B 0 相加模型查验 Isa是否等于零，相乘模型查验 B是否等于1，能够想象 Isa等于零时B 不一定等于1，因此会出现按不同的模型查验得出的结论不同。在报告交互作用查验结果时，要清楚所用的是什么模型。一般的线性回归的回归系数直接反应应变量的变化， 是相加模型，而 Logistic 回归的回归系数反应比值比的变化， 属相乘模型。 二、交互作用的查验 交互作用查验有两种方法，一是对交互作用项回归系数的查验（Waldtest）,二是比较两个回归模型，一个有交互作用项，另一个没有交互作用项，用似然比查验。本系统采用似然比查验（Loglikelihoodratiotest）方法。 如以抽烟与饮酒两个两分类变量为  例，能够形成回归方程： 方程1：F（Y）= β0+β1ALH+β2SMK+β12SMK*ALH 计算该方程似然数（ likelihood ），似然数表示按得出的模型抽样， 获得所察看的样 本的概率。它是一个很小的数，因此一般取对数表示，即 Loglikelihood ，似然数能够 简单地理解为拟合度。 如果我们假定抽烟与饮酒 无交互作用，β 12等于零，则方程为： 方程2：F（Y）= β0+β1ALH+β2SMK 如果方程1和方程2得到的似然数没有显著差别， 表示β12是多余的，或许说β12与零无 显著性差别，抽烟与饮酒对f（Y）无交互作用。反之，抽烟与饮酒对f（Y）有交互作用。 三、交互作用分 析 交互作用剖析也能够理解为，在分层 剖析基础上对分层变量的不同层级水平上，危险 因素对结果变量的作用的回归系数差别进行统计学查验。如上表中能够看出，在不抽烟组，饮酒的作用是β1，在抽烟组中饮酒的作用是β1+β12，如β12=0则表示饮酒的作用在抽烟组与不抽烟组都同样。剖析交互作用主要回答的问题是：有哪些因素影响危险因素 （X）与结果变量（Y）的关系”？有没有效应修饰因子？参看 流行病学假定检 验的思路。 发现效应修饰因子对助于 我们进一步理解危险因素对结果变量的作用通路。 危险因素能够是连续性变量，也能够是分种类变量。本系统多要剖析的可能的效应修饰因子限于分种类变量。 系统将自动检测结局变量 的种类（如两分类变量、连续变量），再自动默认选择合适 的回归模型（如Logistic回归或线性回归模型）。用户能够对散布种类和联系函数自行定义。 用户能够定义表格输出格 式，包括要报告的结果、队列编排、小数点位置等。 如果危险因素是分种类变 量，系统将： 1.列出危险因素与效应修饰因子的每种 层级组合（结合亚组），如危险因素分 3 组，效应修饰因子分 2组，结合亚组就有 6组。 2.如果结果是一个连续性的变量，统计 每个结合亚组内结果变量的均数与标准 差；如果结果是一个二分类的变量，统计频数 (百分数)。 3.运行两种回归模型： A