NHANES数据(复杂调查数据)亚组交互函数2.3版（P for interaction）发布---用于一键生成交互效应表

news2024/11/16 0:41:24

写在前面的话，本函数只支持NHANES数据(复杂调查数据)的逻辑回归和线性回归，其他类型均不支持，请注意甄别，电子产品，买错不能退换。

在SCI文章中，交互效应表格（通常是表五）能为文章锦上添花，增加文章的信服力，增加结果的可信程度，还能进行数据挖掘。什么是亚组，通常就是特殊类型人群，比如男女，种族等，就是说你的数据放入特殊人群中结果还可靠吗？如果在各个特殊人群中，你的结果很稳定，说明你的结论很可靠。如果亚组的结论和你的数据数据结论相反，你可以拿来做个新论题。还可以比较不同亚组之间有无区别，比如做了心脏支架和没做支架的区别，可以发现很多新思路，易于数据挖掘。

在这里插入图片描述

在既往文章《NHANES数据(复杂调查数据)亚组交互函数2.2版（P for interaction）发布—用于一键生成交互效应表》中，咱们发布了svy.scitb5函数，反响还不错，基本没啥大问题，有个小问题是部分结果只能得到可信区间，算不出来P值，这个其实是survey包的问题，对于协变量过多而你的数据相对较少的话，生成模型较复杂，模型残差自由度消耗为零，所以算不出来，因此发布了2.3版，我来演示一下

导入数据和函数

library(survey)
setwd("E:/r/fensi/20240725P交互")
source("E:/r/test/2.2svyscitb5.R")
data <- read.csv("Clean_SUA_SHBG.csv",sep=',',header=TRUE)
names(data)
data<-as.data.frame(data)

在这里插入图片描述
这个是粉丝的数据，就不介绍了，分类变量转成因子

data$gender <- factor(data$gender)
data$race <- factor(data$race)
data$education <- factor(data$education)
data$moderate_activity <- factor(data$moderate_activity)
data$BMI_Class <- factor(data$BMI_Class)

定义协变量和分层变量

cov1<-c("age","gender","race","education","PIR","BMI","BMI_Class","Cholesterol_mg_dL","total_protein_g_dL",
        "Triglycerides_mg_dL","ALT_U_L","albumin_g_dL","ALP_IU_L","AST_U_L","urea_nitrogen_mg_dL",
        "Ca_mg_dL","r_IU_L","LDH_IU_L","P_mg_dL","cotinine_ng_mL","moderate_activity")
Interaction<-c("BMI_Class","gender","race","education")

生成调查函数

nhs <-
  svydesign(
    data = data,
    ids =  ~ psu,
    strata =  ~ strata,
    weights =  ~ wtmec2yr,
    nest = TRUE,
survey.lonely.psu = "adjust")

生成亚组交互效应表

out<-svy.scitb5(data=data,x="Uric_acid_mg_dL",y="SHBG",Interaction=Interaction,cov
                = cov1,family="svyglm",method="Wald",dec=4, svydstr=nhs, pdec=4, p.intervaue=4)  #x连续,Y连续

在这里插入图片描述
我们可以看到算不出P值，两个方法：1.是减少你的协变量 2.是添加参数df.resid=T，

out<-svy.scitb5(data=data,x="Uric_acid_mg_dL",y="SHBG",Interaction=Interaction,cov
                = cov1,family="svyglm",method="Wald",dec=4, svydstr=nhs, pdec=4, p.intervaue=4,
                df.resid=T)  #x连续,Y连续