交互作用效应(p for Interaction)在SCI文章中可以算是一个必杀技，几乎在高分的SCI中必出现，因为把人群分为亚组后再进行统计可以增强文章结果的可靠性，进行可视化后可以清晰的表明变量之间的关系。不仅如此，交互作用还可以使用来进行数据挖掘。在既往文章中，我们已经介绍了怎么使用R语言对交互作用进行可视化分析
今天咱们来介绍一下sjPlot包，可以使用它可以轻松绘制各种回归模型中交互项的边际效应。它接受许多模型对象，例如 lm、glm、lme, lmerMod等。下面咱们来演示一下，先导入数据和R包，数据使用sjPlot包自带的efc数据
library(sjPlot)
library(sjmisc)
library(sjlabelled)
library(ggplot2)
data(efc)
这是一个有关于老年人护理的数据，我介绍一下等会我要用到的变量，neg_c_7：7个项目的负面影响，c12hour：每周平均护理时数，BARTHTOT：总分 BARTHEL INDEX，c161sex ：照顾者的性别，
如果想了解更详细的数据情况，可以
get_label(efc)
分析前先设定下绘图背景
theme_set(theme_sjplot())
分类变量转成因子
efc$c161sex <- to_factor(efc$c161sex)
假设咱们想了解不同性别种BARTHEL INDEX分数和负面影响的关系
设立模型
fit <- lm(neg_c_7 ~ c12hour + barthtot * c161sex, data = efc)
绘图，如果type = “pred”, terms要制定两个矩阵参数
plot_model(fit, type = "pred", terms = c("barthtot", "c161sex"))
上图表明了BARTHEL INDEX分数不断升高，男性和女性的负面影响评分下降，男性下降更快。
模型默认交互项的第一个作为绘图类型，咱们可以把交互项换一下位置
fit <- lm(neg_c_7 ~ c12hour + c161sex * barthtot, data = efc)
plot_model(fit, type = "int")
这又是另一种风格来表示。如果咱们使用mdrt.values = “meansd”，它会默认按均值分成3组。
plot_model(fit, type = "int", mdrt.values = "meansd")
除了2项交互，terms- 参数还可以接受三个模型项，因此您还可以计算三向交互的边际效应。
假设护理时间，barthtot分数和性别存在交互
fit <- lm(neg_c_7 ~ c12hour * barthtot * c161sex, data = efc)
绘图，这里把barthtot 分数分层3段，相当于分类变量了
plot_model(fit, type = "pred", terms = c("c12hour", "barthtot [30,50,70]", "c161sex"))
得出不同性别，在不同barthtot 分数段中，护理时间和负面影响的关系，我们可以看到barthtot 分数70分这段，护理时间越长，负面影响越高，男女都是一样，儿30分这段随着护理时间延长没有什么变化。
本期结束啦，内容少了点，主要是最近实在太忙了。
