外贸通网站建设,联通营业厅做网站维护,虚拟主机多个网站,热门页游排行榜前十名交互作用效应(p for Interaction)在SCI文章中可以算是一个必杀技#xff0c;几乎在高分的SCI中必出现#xff0c;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#xff0c;不仅如此#xff0c;交互作用还可以使用来进行数据挖掘。在既往文章中#xff0c;我们已…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语言可视化visreg包对交互作用进行可视化分析见下图 使用visreg包后我们对图形的细节掌控力不够今天我们视频介绍使用重新绘制手动图形这在SCI论文中非常实用几乎可以做出所有的交互可视化也有利于我们了解制图原理。 R语言logistic回归交互项交互作用的可视化分析 代码
library(ggplot2)
#公众号零基础说科研公众号回复不孕症可以获得数据
bc-read.csv(E:/r/test/buyunzheng.csv,sep,,headerTRUE)
# 数据有8个指标最后两个是PSM匹配结果我们不用理他其余六个为
# Education教育程度age:年龄parity产次induced人流次数
# case是否不孕这是结局指标spontaneous自然流产次数。
names(bc)
bc$education-ifelse(bc$education0-5yrs,0,ifelse(bc$education6-11yrs,1,2))
bc$spontaneous-as.factor(bc$spontaneous)
bc$case-as.factor(bc$case)
bc$induced-as.factor(bc$induced)
bc$education-as.factor(bc$education)f1- glm(case ~ age parity spontaneousage:spontaneous,family binomial(link logit), data bc)
summary(f1)
#plogis(exp(newdata3$fit-(1.96*newdata3$se.fit)))
attach(bc)
newdata2-data.frame(age,spontaneous,paritymean(parity))
newdata3-data.frame(newdata2,predict(f1,newdata newdata2,type link,se T))newdata4-within(newdata3,{pre-plogis(fit)ll-plogis(fit-(1.96*se.fit))ul-plogis(fit(1.96*se.fit))
})plogis((newdata3$fit-(1.96*newdata3$se.fit)))ggplot(newdata4,aes(xage,ypre))geom_ribbon(aes(yminll,ymaxul,fillspontaneous),alpha0.2)geom_line(aes(colspontaneous),linewidth1)
