交互作用分析..docx

交互作用分析一、交互作用的概念简单地说，交互作用指当 两个因素都存在时，它们的作用大于（协同）或小于（拮抗）各自作用的和。要理解交互作用首先要区 别于混杂作用。混 杂作用以吸烟（SMK）和饮酒（ALH）对收缩压（SBP）的影响为例，可以建立以下二个模 型：模型1：SBP =?β0+β2’SMK模型2：SBP =?β0+β1ALH+β2SMK假设从模型1估计的SMK的作用为β2’，从模型2估计的SMK的作用为β2。如吸烟与饮酒有关（假设吸烟者也 多饮酒），而且饮酒与血压有关，这时可以假想两种可能：1.??????吸烟与血压无关，但因为饮酒的原因，模型1中的β2’会显著，而模型2控制了ALH的作用后，SMK的作用β2将不显著。2.??????吸烟与血压有关，模型1中估计的SMK的作用β2’一部分归功于饮酒，模型2估计的β2是控制了ALH的作用后SMK的作用，因此β2’不等于β2。是不是β2不等于β2’?就意味着有交互作用呢？不是的，这 只是意味着β2’中有饮酒的混杂作用。那么什么是交互作用呢？根据吸烟与饮酒将研究对 象分成四组，各组SBP的均数可用下表表示：?不饮酒饮酒不吸烟β0β0+?β1吸烟β0+β2β0+?β1+β2+β12吸烟与饮酒对SBP的影响,有无交互作用反映在β12上，检验β12是否等于零就是检验吸烟与饮酒对SBP的影响有无交互作用。而上面的模型2是假设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价与作用的测量方法有关。以高血压发病率为例，看吸烟与饮酒对高血压发病率的影响就有两种情况。I、相加模型：?不饮酒饮酒不吸烟I0I0+?Ia吸烟I0+IsI0+Ia+Is+Isa?II、相乘模型：?不饮酒饮酒不吸烟I0I0*A吸烟I0*SI0*S*A*B?相加模型检验Isa是否等于零，相乘模型检验B是否等于1，可以想象Isa等于零时B不一定等于1，因此会出现按不同的模型检验得出 的结论不同。在报告交互作用检验结果时，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映应变量的变化，是相加模型，而Logistic回归的回归系数反映比值比的变化， 属相乘模型。二、交互作用的检验交互作用检验有两种方法，一是对交 互作用项回归系数的检验（Wald test）,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，用似然比检验。本系统采用似然比检验（Log likelihood ratio test）方法。????如以吸烟与饮酒两个两分类变量为 例，可以形成回归方程：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， 获得所观察的样本的概率。它是一个很小的数，因此一般取对数表示，即Log likelihood，似然数可以简单地理解为拟合度。如果我们假定吸烟与饮酒 无交互作用，β12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，表明β12是多余的，或者说β12与零无显著性差异，吸烟与饮酒对f（Y）无交互作用。反之，吸烟与饮酒对f（Y）有交互作用。三、交互作用分 析交互作用分析也可以理解为，在分层 分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异进行统计学检验。如上表中可以看出，在不吸烟组，饮酒的作用是β1，在吸烟组中饮酒的作用是β1+β12，如β12=0则表示饮酒的作用 在吸烟组与不吸烟组都一样。分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？参看流行病学假设检验的思路。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。危险因素可以是连续性变 量，也可以是分类型变量。本系统多要分析的可能的效应修饰因子限于分类型变量。系统将自动检测结局变量 的类型（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）。用户可以对 分布类型和联系函数自行定义。用户可以定义表格输出格 式，包括要报告的结果、行列编排、小数点位置等。如果危险因素是分类型变 量，系统将：列出危险因素与效应修饰因子的每种 层级组合（联合亚组），如危险因素分3组，效应修饰因子分2组，联合亚组就有6组。如果结果是一个连续性的变量，统计 每个联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)。运行两种回归模型：?A?和?B模型A?按联合亚组生成指示变量，放入模型 中（如有6个联合亚组，把一组作为参照组，放 入5个指示变量于模型中）；模型B不考虑危险因素与效应修饰因子的联 合，分别产生指示变量放入模型中，如危险因素