interaction

【交互作⽤】02.加法交互乘法交互（R包interactionR）

【交互作⽤】02.加法交互&乘法交互[R包interactionR]

⽣物学交互作⽤的评价应该基于是否有相加交互作⽤，⽽流⾏病学研究中常运⽤logistic和Cox等⼴义线性模型，并纳⼊乘积项分析因素间

交互作⽤，其是否有意义仅反映相乘交互作⽤，并不能反映两因素间相加或⽣物学交互作⽤的有⽆。上篇介绍了交互作⽤的基本概念、三

个相加交互作⽤评价指标（RERI、AP和S）和epiRR包的应⽤等。本篇内容主要介绍实现交互作⽤的另⼀个好⽤的R包interactionR。

1.原理和⽅法回顾

以两因素两⽔平为例。假设两暴露因素分别为A、B，1表⽰因素存在，0表⽰因素不存在，因变量为疾病发⽣与否。

OR表⽰A、Ｂ都不存在时发病的OR值，分析时作为参照组；OR表⽰仅A存在、Ｂ不存在时发病的OR值；OR表⽰A不存

在、仅Ｂ存在时发病的OR值；OR表⽰A、Ｂ共同存在时发病的OR值。

评价相加交互作⽤的三个指标：

①相对超危险度⽐：RERI=OR-OR-OR+1；

②归因⽐：AP=RERI/OR；

③交互作⽤指数：SI=(OR-1)/［(OR-1)+(OR-1)］。

判定准则：如果两因素⽆相加交互作⽤，则RERI和AＰ的可信区间应包含0，SI的可信区间应包含1。

交互作⽤指标的点估计：

可通过以下两种⽅法，建⽴logistic回归模型计算OR、OR和OR，代⼊交互作⽤指标的计算公式。

(1)⽤两因素A、B及乘积项A×B构建logistic回归模型1：

ln[p/(1-p)]=β0+β1A+β2B+β3(A×B)；

OR=exp(β1)，

OR=exp(β2)，

OR=exp(β1+β2+β3)。

(2)根据两因素A、B，建⽴新的交互作⽤哑变量A_B，构建logistic回归模型2：

A0B0表⽰A=0且B=0，分析时作为参照组；A0B1表⽰A=0且B=1，A0B1表⽰A=0且B=1，A1B1表⽰A=1且B=1。

ln[p/(1-p)]=β0+β1A1B0+β2A0B1+β3A1B1；

OR=exp(β1)，

OR=exp(β2)，

OR=exp(β3)；

模型1和2中的β1、β2相同，⽽模型2中的β3等于模型1中的β1+β2+β3。

注意：⼀般以⾼风险的⼀类作为暴露组，尤其是在保护因素时，应当将⽆暴露设置为1，有暴露设置为0，以避免解释上混乱。当暴露变量

为多分类或连续变量时，置信区间（CI）估计的delta⽅法以及Andersson编制的Excel法均不适⽤。⽽Bootstrap⽅法可以估计所有解释变

量类型的交互情况的CI。

ctionRR包介绍

interactionR可直接导出出版级别的Word，结果包括联合效应、暴露效应和交互效应，乘法交互，加法交互，以及分层分析。

R包内置3种置信区间的估计⽅法：

deltamethod(HosmerandLemeshow(1992),[doi:10.1097/00001648-199209000-00012]),

variancerecoverymethod(Zou(2008),[doi:10.1093/aje/kwn104]),

percentilebootstrapping(Assmannetal.(1996),[doi:10.1097/00001648-199605000-00012]).

R包的安装：

devtools::install_github("epi-zen/interactionR")

library(interactionR)

参数介绍：

A0B0A1B0A0B1

A1B1

A1B1A0B1A1B0

A1B1

A1B1A0B1A1B0

A1B1A0B1A1B0

A1B0

A0B1

A1B1

A1B0

A0B1

A1B1

model:包含交互项的回归模型。可以是logisticglm(formula,family=binomial(link="logit"),data)、条件logisticclogit()或cox

coxph()回归模型。模型可以包含适当的协变量。

exposure_names:模型中可能存在交互作⽤的两个⼆分类变量（乘积项）。

:加法交互作⽤的置信区间估计⽅法(“delta”或“mover”)，默认为delta⽅法。

:置信区间⽔平。

em:TRUE,,forinteraction.

recode:IfTRUE,recodestheexposures-ifatleastoneoftheexposuresisprotective-suchthatthestratumwiththe

lowestriskbecomesthenewreferencecategorywhenthetwoexposuresareconsideredjointly(SeeKnoletal(2011)

[doi:10.1007/s10654-011-9554-9]).

⽰例数据代码实现：

已报道的饮酒和吸烟对⼝腔癌的联合作⽤数据。包括两个⼆分类暴露因素，即饮酒(alc)和吸烟(smk)，结局为⼆分类变量，即⼝腔癌

(oc)。

data(OCdata)

##fittheinteractionmodel

<-glm(oc~alc*smk,family=binomial(link="logit"),data=OCdata)

summary()

##1)analysis----

table_object=interactionR(,exposure_names=c("alc","smk"),="mover",=0.95,em=F,recode=F)

table_object$dframe

#

#1OR001.0000000NANA

#2OR012.96296300.680045912.9096430

#3OR103.33333330.700606615.8592734

#4OR119.03614462.641338930.9130753

#5OR(smkonoutcome[alc==0]2.96296300.680045912.9096430

#6OR(smkonoutcome[alc==1]2.71084340.99697507.3709689

#7OR(alconoutcome[smk==0]3.33333330.700606615.8592734

#8OR(alconoutcome[smk==1]3.04969881.29487657.1826638

#9Multiplicativescale0.91490960.15436115.4227369

#10RERI3.7398483-11.429724821.8721579

#11AP0.4138765-0.37750730.8113231

#12SI1.87048190.64604335.4155854

#乘法：

#饮酒作⽤：OR10/OR00=3.33

#吸烟作⽤：OR01/OR00=2.96

#烟酒联合作⽤：OR11/OR00=9.04

#相乘作⽤：OR11/(OR01*OR10)=0.9149096(Multiplicativescale)=exp(-0.08893)(alc:smk)=exp(2.2012)/exp(1.0862)/exp(1.2040)

#Pinteraction=0.92197(即alc:smk的P值)

#加法：

#饮酒作⽤：OR10-OR00=3.33-1=2.33

#吸烟作⽤：OR01-OR00=2.96-1=1.96

#烟酒联合作⽤：OR11-OR00=8.0361446

#相加作⽤：OR11-OR01-OR10+1=9.04-3.33-2.96+1=3.7398483(RERI)

##2)outputword----

interactionR_table(table_object)#将分层分析与乘法和加法交互作⽤的结果输出到Word。

##CIestimatingmethods:

CI1<-interactionR_mover(,exposure_names=c("alc","smk"),=0.95,em=F,recode=F);CI1$dframe

CI2<-interactionR_delta(,exposure_names=c("alc","smk"),=0.95,em=F,recode=F);CI2$dframe

CI3<-interactionR_boot(,=0.95,em=F,recode=F,ed=12345,s=1000);CI3$dframe

#interactionR_boot()#esthatthetwobinaryexposurevariablesarelistedfirstinthecallformula.

输出到Word中的表格如下：