“不学无术”系列——Logistics回归模型中相加交互作用参数

以logistic_step.sav数据集(下载链接，提取码：gmqb)为例，其中变量解释如下：

以low为因变量，smoke和ht为自变量；研究smoke和ht对low作用的交互作用。

方法一 使用SPSS联合EXCEL计算相加效应指标

1. 先使用SPSS对low~smoke+ht+smoke:low进行logistics回归。

结果如下：

可以得到：①smoke*ht的相乘交互作用无统计学差异（p = 0.605）;②smoke、ht和smoke:ht对应的回归系数(Regr. coefficients)分别为0.758、1.488和-0.640。从而可知β10=0.758，β01=1.488，β11=0.758+1.488+(-0.640)=1.606。

2. 编辑和运行SPSS语句

       键入如下语句(下载链接，提取码：x1nk)，并运行。

       得到协方差矩阵：

3. 使用Andersson等编制的EXCEL计算工具(下载链接，提取码：oz5y)。

将β10=0.758，β01=1.488，β11=1.606和协方差矩阵中红框中数字填入EXCEL表格中相应位置。如下，

可自动计算出ORsmoke、ORht、ORsmoke&ht及RERI、AP和S参数的点估计值及其可信区间。如下，

方法二 使用R函数计算相加效应指标

语法如下：

library(haven) #加载haven包#

mydata <- read_sav('logistic_step.sav') #使用read_sav函数读入文件#

View(mydata)

fit <- glm(low~smoke*ht, family = binomial(), data = mydata) #使用glm函数构建logistics回归模型

summary(fit) #得到smoke、ht和smoke:ht对应的回归系数(Regr. coefficients)，结果与SPSS计算的一致#

#读入additive_interactions函数(下载链接，提取码：d1xu)

additive_interactions(fit) #结果如下