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。

在上一个版本中，我们已经发布的1,4版本已经可以用于一键生成交互效应表，但是只能用在目标变量X是连续变量的的交互效应函数，目标变量是分类变量的的数据用不了.有些分层数据分层得不好的也用不了。我重新改进了算法，在新的版本中，已经就算亚组数据只有一个分类，也是能进行计算的，而且支持了分类变量的计算。这应该是我目前写的比较复杂的一个函数了，主要是使用别人的函数接口不好对接，所以底层函数基本全自己写了，好了，废话不多说，进行演示一下。先做逻辑回归
导入我们的早产数据

bc<-read.csv("E:/r/test/zaochan.csv",sep=',',header=TRUE)
bc <- na.omit(bc)
names(bc)
dput(names(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

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")

导入函数，我这里直接写成函数文件1.6final.R，直接导入就可以了

source("E:/r/test/1.6final.R")

导入成功后应该生成7个函数

生成表，和1.4版本一样data是你的数据，必须是数据框形式，x是你研究的目标变量，y是你的结局变量，Interaction是你的分层变量，这个必须是分类变量并转成因子，cov是你的协变量，在我的设定中cov是要包含Interaction的，这也符合我们的习惯。family这里和原来有点不同，统一使用family=“glm”，支持逻辑回归和线性回归，cox回归目前还没支持，需要的可以使用1.4版本

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

新版本多加了一个P值，在可信区间的后面。换一个分类数据试一下，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，我们先导入数据

bc<-read.csv("E:/r/fensi/final1.csv",sep=',',header=TRUE)
dput(names(bc))

分类变量转成因子

bc[,c("x2", "x3", "x4", "x5", "x6", "x7","y")] <- lapply(bc[,c("x2", "x3", "x4", "x5", "x6", "x7","y")], factor)

定义协变量和分层变量

Interaction<-c("x2", "x3", "x4","x5")
cov<-c("x2", "x3", "x4", "x5", "x6", "x7")

在上一个版本中X5是不能分层的，如下图

在改变了新的算法后，这个问题就不存在了。我们来试一下

out<-scitb5(data=bc,x="x1",y="y",Interaction=Interaction,cov = cov,family="glm")

我们可以看到，虽然使用了完全不一样的算法，但是X2、X3、X4的值和原来一样，而且使用常规方法不能计算的和X5Y也计算出来了。我们可以看到在X5分组的3个亚组人群中，目标变量和结局是线性关系，理论上可以写3篇文章进行分析了。
我们在再看一个粉丝的数据，目标变量是分类变量的

bc<-read.csv("E:/r/fensi/DII_GROUP.csv",sep=',',header=TRUE)
dput(names(bc))

这个数据很大，上图只是一部分，把分类变量转成因子

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) 

定义协变量和分层变量

Interaction<-c("sex_02", "nianling_02", "marriage_02", "smoke_02")
cov<-c("sex_02", "nianling_02", "marriage_02", "smoke_02","wc_02")

生成表格

out<-scitb5(data=bc,x="GROUP",y="dm_19",Interaction=Interaction,cov = cov,family="glm")

我们可以看到，某些分层变量过少，是出不了结果的，所以显示NA。所以目标变量是分类变量时，最好分类不要太多。
再来演示一个粉丝的数据，这回就不解释了，直接上代码

bc<-read.csv("E:/r/fensi/yang.csv",sep=',',header=TRUE)
dput(names(bc))
bc[,c("Gender", "CVDs.death", "PIR.group", "smoker","X","State")] <- lapply(bc[,c("Gender", "CVDs.death", "PIR.group", "smoker","X","State")], factor)
str(bc)
Interaction<-c("smoker","PIR.group")
cov<-c("PIR.group","smoker","Age")
out<-scitb5(data=bc,x="X",y="CVDs.death",Interaction=Interaction,cov = cov,family="glm")

我想说的是这个数据中X有4个分类，smoker 有4个分类，所以单单smoker 这个组就有16个分类了。
最后说说怎么导出数据做表，拿第一个数据来说

我们把它先保存成CSV格式

write.csv(out,file = "1.csv",row.names = F)

然后再把它复制到WORD上，

稍稍整理一下

一个可以用于发表的的交互效应表就做好啦。

原来已经购买1.4版本的不需要重新购买，使用原来的方法下载就可以了，已经进行内容跟新。
新版本要是有什么问题，非常乐意你私信告诉我

获取scitb5函数代码请参看这篇文章：

scitb5函数1.6版本（交互效应函数P for interaction）尝鲜版发布----用于一键生成交互效应表