精华内容
下载资源
问答
  • 6-交互作用

    千次阅读 2016-12-18 20:08:18
    6-交互作用图6.0 交互作用图 包括顺序图和通信图,为系统的动态方面建模。交互作用图描述了对象间的交互作用,由对象、对象间的关系组成 顺序图和通信图以不同的方式表达了类似的信息。顺序图描述消息的时间顺序...

    6-交互作用图

    6.0 交互作用图

    包括顺序图和通信图,为系统的动态方面建模。交互作用图描述了对象间的交互作用,由对象、对象间的关系组成

    顺序图和通信图以不同的方式表达了类似的信息。顺序图描述消息的时间顺序,适合于描述实时系统和复杂的脚本;通信图描述对象间的关系。两者在语义上相当,彼此转换而不损失信息

    6.0.1交互作用图主要组成元素

    1. 对象
    2. 连接
    3. 消息
    4. 包含注释和约束

    6.0.1交互图示例

    顺序图

    image

    通信图

    image

    6.1 顺序图

    存在两个轴,水平轴表示不同的对象,垂直轴表示时间。

    顺序图标识元素

    顺序图的五要素是:活动者、对象、生命线、控制焦点、消息

    1. 对象:带垂直虚线的矩形框
    2. 垂直虚线:对象的生命线
    3. 对象间通信:对象的生命线间画消息

    消息(重要)

    可以是信号、操作调用等。当收到消息,接收对象执行相应的活动,对象生命线上细长矩形框表示对象激活。

    消息以带标签的箭头表示,省去序列号,可带条件表达式,即互斥的分支。

    image

    • 简单消息是从一个对象到另一个对象的控制流的转移。
    • 同步消息是消息发出了以后,发送对象必须等到接收对象的应答,才能继续自己的操作。
    • 异步消息是消息发出了以后,发送对象不必等到接收对象的应答,就可以继续自己的操作。

    对象生命线

    垂直的虚线,对象生命线代表对象创建直到结束的生命周期,生命线的终端标一个“X”。

    有控制中心(激活)(重要)

    细长的矩形,表示对象直接或通过子过程执行一个动作的时间段。矩形的顶端和动作的开始对齐,矩形的底部和动作的完成对齐(可以用返回消息来标记)。

    顺序图实例

    image

    模拟一下三国演义的赤壁之战的时序图
    image

    6.2 顺序图应用

    客户端发消息给PrintService,Service接着发消息给Image创建工资单,在建立工资单的打印图象时,需要雇员的信息,及工资数,而后建立打印图象。最后,Service发消息到打印接口,打印工资单。

    image

    6.3 通信图

    强调参与交互作用的对象的组织。描述了交互作用的对象的静态结构(上下文),对象间交换的消息的时间顺序(交互作用) 。

    区别于顺序图的特点(重要)

    1. 有路径:表示对象间如何连接
    2. 有序列号:表示消息的时间顺序,如1、1.1、2、3.4,可以是任意深度的嵌套。

    通信图示例

    image

    语义等价

    顺序图与通信图在语义上是等价的,因而它们可以相互转换而不损失信息。但它们显式地可视化描述了不同的信息,通信图显式描述对象间如何连接,顺序图显式描述对象间交互消息的时间顺序。

    前面描述打印工资单的顺序图和通信图是等价的,可以相互转换而不损失信息。

    6.6 交互作用图应用

    为系统的动态方面建模,上下文(建模环境)可以是整个系统、一个子系统、一个操作或一个类,还可为用例的一个脚本建模。

    按时间顺序为控制流建模

    1. 确定交互作用的上下文
    2. 确定参与交互作用的对象,按重要性从左至右放在时序图中
    3. 确定每个对象的生命线
    4. 按消息发生的时间从上到下放置在生命线间
    5. 如需规定时间或空间约束,可为消息附加适当的时间或空间约束
    6. 如想更正式地描述这个控制流,可为每个消息添加前置条件和后置条件

    按组织结构为控制流建模

    1. 确定交互作用的上下文
    2. 确定参与交互作用的对象,按重要性由中间到四周放在协作图中
    3. 确定每个对象的初始特性,显示对象在交互作用期间发生的变化,用复制对象表示变化后的对象以区别于原对象(体现对象随时间的变化)
    4. 确定对象间的连接
      (i) 先布置关联连接
      (ii) 再布置其他的连接:按消息发生的时间顺序确定消息序列号,可为消息附加适当的时间或空间约束,可为消息添加前置条件和后置条件。

    单个顺序图只描述一个控制流。通常,采用多个交互作用图来描述系统的动态特性,一部分描述主要过程,其它的描述备选过程或例外过程。

    随堂测试

    示例简介 : 
    -- 使用场景 : 汽车租赁公司;
    -- 使用的对象 : Customer (客户), Worker (工作人员), 
                Order (请求), Record (记录), Car (汽车);
    -- 工作流程 :   ① 客户 向 工人 提出租车要求, 
                    ② 工人 检查 请求, 
                    ③ 客户 付款,
                    ④ 工人 填写 记录,
                    ⑤ 工人 取车;
    绘制相应的时序图?  并将所绘制的时序图转换为协作图?
    

    image
    image

    展开全文
  • 正交法优化激光切割镍基合金的切缝宽度不是最优方案, 应考虑交互作用即因素间联合作用对实验指标的影响。正交实验设计包括: 确定切割质量评价指标、确定因素水平、交互作用表头设计。为了规避实验偶然性进行两组交互...
  • 很清晰的论述了交互作用的原理以及边际效应的概念、计算、理解、应用,由于边际效应较难理解,文章中还有图片很清晰的说明了边际效应的意义,看完对交互作用的理解有了质的提升。
  • 以图示方法来表示嵌入式系统内部各部件与环境的交互作用,是一种描述和理解嵌入式系统所常用的方法,本文从如何制作一个简洁、明了、直观、图示的标准化注释系统入手,说明如何确定嵌入实时系统的交互作用过程,重点...
  • 在本文中,我们将解释什么是交互设计,一些有用的交互设计模型,并简要描述通常交互设计师做什么。 对交互设计通俗易懂的理解 “交互设计”通俗易懂地来讲就是:它是用户和产品之间交互的设计。 大多数情况下,当...

    交互设计是用户体验(UX)设计的一个重要组成部分。在本文中,我们将解释什么是交互设计,一些有用的交互设计模型,并简要描述通常交互设计师做什么。

    对交互设计通俗易懂的理解

    “交互设计”通俗易懂地来讲就是:它是用户和产品之间交互的设计。 大多数情况下,当人们谈论交互设计时,往往是说应用程序或网站等软件产品。交互设计的目标是做出能使用户能以最佳方式实现其目标的产品。

    如果你觉得这个定义听起来很“宽”,那是因为这个领域确实相当广泛:用户和产品之间的互动往往涉及美学,动作,声音,空间等元素。当然,每个元素都可能涉及更专业的领域,例如有关用户交互中声音的声音设计。

    你可能已经意识到,交互设计和用户体验设计有很大的重叠之处。毕竟,用户体验设计是塑造产品使用体验,而大部分体验都会涉及用户和产品之间的一些交互。但用户体验设计不仅仅是交互设计:它还涉及用户研究(首先找出用户是谁)、创建用户画像(为什么,在什么条件下,他们会使用产品),执行用户测试和可用性测试等。

    交互设计的五个维度

    交互设计的5个维度(1)是理解交互设计的有用模型。交互设计学者Gillian Crampton Smith首次提出了交互设计语言“四维“的概念,而 IDEXX 实验室高级交互设计师 Kevin Silver 补充了第五个维度的概念。

    第一维:文案

    文案(尤其是交互中使用的文本,如按钮上的文本)应该有意义且易于理解。他们应该向用户传达信息,但也不能用过多的信息淹没用户的认知。

    第二维:视觉表达

    它涉及到用户与之交互的图形元素,如图像、字体和图标。这些和文本信息相配合,补充性地向用户传达信息。

    第三维:实体以及空间

    用户通过什么实体与产品进行交互?一台笔记本电脑,是带鼠标还是触摸板?还是触屏的智能手机?用户在什么样的物理空间内这样做?例如,用户是站在拥挤的火车上,同时在智能手机上使用应用程序,还是坐在办公室的桌面上浏览网站?这些都会影响用户和产品之间的交互。

    第四维:时间

    虽然这个维度听起来有点抽象,但它主要指的是随时间变化的媒体(动画,视频,声音)。动作和声音在向用户的交互提供视觉和语音的反馈方面起着至关重要的作用。同样值得关注的是用户花费在与产品交互上的时间:用户能不能了解他们的进度,或是否能在一段时间之后继续他们的交互?

    第五维:行为

    这包括产品的机制:用户如何在网站上执行操作?用户如何操作产品?换句话说,它体现了前面的维度是如何定义产品交互的。它还包括“反应“ —— 例如用户对产品的情绪反应或反馈。

    交互设计师提出的重要问题

    交互设计师如何使用上面的5个维度来创建有意义的交互?为了理解这一点,我们可以看看交互设计师在为用户设计时提出的一些重要问题,以下问题由 usabability.gov 提供:

    • 通过鼠标、手指或手写笔,用户可以怎样与界面直接交互?这有助于我们定义用户与产品可能进行的交互。
    • 外观(颜色、形状、尺寸等)是如何表达功能的?这有助于我们告知用户可能的操作有哪些。
    • 如果出现错误,产品提供的反馈是否能让用户纠正问题,或解释错误发生的原因? 这使我们能够预测和减少错误。
    • 执行操作后,用户会得到什么反馈?这使我们能够确保系统在用户操作之后的合理时间内提供反馈。
    • 界面里的元素尺寸大小是否能让用户方便地交互?这种问题能让我们策略性地思考界面里的元素。
    • 是否使用了熟悉或标准样式?标准元素和格式可以简化和增强产品的可学习性。

    那么,交互设计师是做什么的呢?

    嗯,这要视情况而定。

    例如,如果公司足够大,并且拥有巨大的资源,它可能会为UX设计师和交互设计师提供单独的工作。例如,在大型设计团队中,可能有一个 UX 研究员、一个信息架构师、一个交互设计师和一个视觉设计师。但对于较小的公司和团队来说,大多数 UX 设计工作可能由 1-2 人完成,他们可能有也可能没有"交互设计师"的称号。无论如何,以下是交互设计人员在其日常工作中处理的一些任务:

    设计策略

    这涉及到用户的目标是什么,以及实现这些目标所需的交互。根据公司的不同,交互设计师可能必须进行用户研究,找出用户的目标是什么,然后再制定策略将其转化为交互。

    线框和原型

    这同样取决于公司的工作描述,但大多数交互设计师的任务是创建线框图,展示产品中的交互。有时,交互设计师也可能创建可交互的原型和/或高保真原型,看起来与实际的应用程序或网站完全一样。可交互的高保真原型现在都可以使用一些在线原型工具实现,比如国内的墨刀,国外的Axure。

    本文转载自由墨刀翻译自 TEO SIANG 的What is Interaction Design?

    展开全文
  • 交互作用就是看二者合在一起的效应,与二者单独效应之和(相加)/之乘(相乘),相等还是不相等。不相等,那就是有交互。Mediation是解释暴露因素how导致的结局,而interaction是说明who是高风险目标人群。

    1. 交互作用概述

    (1) 概念
    某一因素的真实效应(单独效应)随着另一因素水平的改变而改变。当两种或两种以上暴露因素同时存在时所致的效应不等于它们单个作用相联合的效应时,则称因素之间存在交互作用。
    ① 因素A的效应在因素B的不同水平上存在差异,则认为因素A、B之间存在交互作用。
    ② 因素A、B的联合效应不等于两因素独立效应之和或之积。

    (2) 识别
    ①统计表:所有可能交叉组合情况下的结局指标;
    ②统计图:观察另一因素各水平下,某因素与结局指标关系图是否平行(Addictive interation)。

    (3) 理解交互作用
    在不同B因素水平,A因素的效应有统计学差异;同理,在不同A因素水平,B因素的效应也有差异。交互作用就是看二者合在一起的效应,与二者单独效应之和(相加)/之乘(相乘),相等还是不相等。不相等,那就是有交互。Mediation是解释暴露因素how导致的结局,而interaction是说明who是高风险目标人群。
    首先需明确,“交互作用”是指统计学上的交互作用,不能直接说它们具有生物学意义上的交互作用。因为统计模型不止一种,你会看到有些研究中,相乘模型有统计学意义,相加模型没有统计学意义,或者相乘模型为拮抗作用,相加模型为协同作用;所以,这才有了谁更合理的争论。根据“A因素和B因素在相加尺度上具有交互作用”,可以推测有生物学交互,而不能直接写“具有生物交互作用”。同样,没检测到统计学上的交互作用,也不能说明没有生物学交互作用。⚠️注意:有无统计学交互作用很大程度上取决于所选择的模型,所以在报告有无交互作用时,需要说明分析所用的模型。

    (4) 相加交互与相乘交互的差异
    统计建模中一般线性模型交互项反映的是因素间相加交互作用(additive interactions,INTA),而logistic和Cox等广义线性模型则反映因素间统计学上相乘交互作用(multiplicative interaction,INTM),即logistic乘积项仅反映统计学上的交互,而只有在生物学机制上病因因素间存在相加交互作用才可解释为相加交互作用。

    (5) 评价交互作用的目的和意义
    ①在资源有限的情况下,识别对某干预受益最大的人群(亚组)。
    ②在某一主要暴露因素不容易施加干预的情况下,识别最有可能施加干预的互作协变量以降低主要暴露因素的效应。
    ③揭示暴露影响疾病发生的机制。
    ④提高评价某暴露因素对结局影响总效应的把握度。
    ⑤仅从统计学角度考虑,通常包含交互作用项的模型拟合数据更好。

    2. 二分类解释变量交互作用

    2.1 相乘交互作用

    (1) 相乘交互作用的定义:假设研究多风险因素中交互作用的两暴露因素为AB,则OR00表示AB均无暴露,即OR00=1;OR10表示A暴露、B无暴露,OR01表示A无暴露、B暴露,OR11表示A、B均暴露。则相乘交互作用INTM=ORA×B=OR11/(OR10×OR01)。

    (2) 相乘交互作用的判定:logistic 等回归乘积项95%CI不包含1,表明有相乘交互作用。交互项得到的OR值<1,拮抗作用;交互项 OR>1,协同作用。

    2.2 相加交互作用

    (1) 定量评价流行病学研究中暴露因素间及暴露因素与基因间相加交互作用需要3项指标:交互对比度(interaction contrast ratio,ICR)又称交互作用超额相对危险度(relative excess risk due to interaction,RERI),交互作用归因比(attributable proportion due to interaction,AP)和协同指数(the synergy index,S)。

    (2) 相加交互作用3项指标定义为
    RERI = ICR = OR11 - OR10 - OR01 + 1
    AP = ICR/OR11
    S = (OR11 - 1)/(OR10 + OR01)=(OR11 - 1)/(OR11 + 1 - ICR)

    在二分类logistic回归模型中,ln[P/(1-P)] = β0 + β1A + β2B + β3A×B,OR10=exp(β1),OR01=exp(β2),OR11=INTA=exp(β1 + β2 + β3)

    (3) 相加交互作用的判定:如果两因素有相加交互作用,则RERI 95%CI、AP 95%CI应不包含0,S 95%CI应不包含1。超额相对危险度RERI以及归因比AP均>0,且可信区间不包括0, S>1且可信区间不包括1,表示存在交互作用,且为协同作用。RER1以及AP均<0,S<1,表示存在交互作用,且为拮抗作用。

    2.3 计算置信区间CI的方法

    Delta法、Wald法、轮廓似然置信区间(profile likelihood confidence intervals,PL)法、variance recovery method和percentile bootstrapping等。

    3. R 代码示例

    epiR R包可实现将两个二元解释变量作为交互项纳入logistic回归,计算其乘法和加法交互作用(RERIAPS)。置信区间的计算基于Hosmer和Lemeshow(1992)描述的delta方法。

    (1) R 包安装及数据介绍:

    install.packages("epiR")
    library(epiR) 
    ## Data from Rothman and Keller (1972) evaluating the effect of joint exposure to alcohol and tabacco on risk of cancer of the mouth and pharynx (cited in Hosmer and Lemeshow, 1992):
    can <- c(rep(1, times = 231), rep(0, times = 178), rep(1, times = 11), 
             rep(0, times = 38))
    smk <- c(rep(1, times = 225), rep(0, times = 6), rep(1, times = 166), 
             rep(0, times = 12), rep(1, times = 8), rep(0, times = 3), rep(1, times = 18), 
             rep(0, times = 20))
    alc <- c(rep(1, times = 409), rep(0, times = 49))
    dat <- data.frame(alc, smk, can)
    
    #因子化前后,回归分析结果一致
    dat$smk <- factor(dat$smk)
    dat$alc <- factor(dat$alc)
    dat$can <- factor(dat$can)
    summary(dat)
    

    (2) 相乘交互作用及二元Logist回归:

    # 1) 相乘交互作用及二元Logist回归:
    fit <- glm(can ~ alc + smk + alc:smk, family = binomial(link = "logit"), data = dat)
    summary(fit)$coefficients
    coef <- summary(fit)$coefficients[,1]
    se <- summary(fit)$coefficients[,2]
    Results <- cbind(exp(coef),exp(coef-1.96*se),exp(coef+1.96*se))
    exp(confint(fit)) #另外一种形式显示可信区间
    P <- summary(fit)$coefficients[4,4]
    dimnames(Results)[[2]] <- c("OR", "lower","upper")
    Results
    
    #                   OR      lower      upper
    #(Intercept) 0.1500000 0.04457283  0.5047918
    #alc1        3.3333333 0.70058649 15.8597280
    #smk1        2.9629630 0.68002749 12.9099922
    #alc1:smk1   0.9149096 0.15435605  5.4229143
    

    从结果可知,饮酒与吸烟的乘法交互效应为0.91<1,交互P值为0.92,不显著。

    (3) 相加交互作用及二元Logist回归:

    # 2) 相加交互作用及二元Logist回归:
    ## Table 2 of Hosmer and Lemeshow (1992):
    dat.glm01 <- glm(can ~ alc + smk + alc:smk, family = binomial, data = dat)
    summary(dat.glm01) #P interaction= 0.92197
    
    ## What is the measure of effect modification on the additive scale?
    ## RERI
    epi.interaction(model = dat.glm01, param = "product", coef = c(2,3,4), type = "RERI", conf.level = 0.95)
    ## Measure of interaction on the additive scale: RERI 3.73 
    ## (95% CI -1.84 -- 9.32), page 453 of Hosmer and Lemeshow (1992).
    
    #AP 和 S
    epi.interaction(model = dat.glm01, param = "product", coef = c(2,3,4), type = "APAB", conf.level = 0.95)
    #        est       lower     upper
    #1 0.4138765 -0.07306308 0.9008162
    epi.interaction(model = dat.glm01, param = "product", coef = c(2,3,4), type = "S", conf.level = 0.95)
    #     est     lower    upper
    #1 1.870482 0.6460433 5.415585
    

    结果表明,加法交互的3个指标RERI、AP和S均不显著,推测可能不存在生物学交互作用。

    (4) 哑变量实现交互作用:

    # 3) 哑变量实现交互作用
    ## Rothman defines an alternative coding scheme to be employed for parameterising an interaction term. Using this approach, instead of using two risk factors and one product term to represent the interaction (as above) the risk factors are combined into one variable with (in this case)
    ## four levels:
    ## a.neg b.neg: 0 0 0
    ## a.pos b.neg: 1 0 0
    ## a.neg b.pos: 0 1 0
    ## a.pos b.pos: 0 0 1
    
    dat$d <- rep(NA, times = nrow(dat))
    dat$d[dat$alc == 0 & dat$smk == 0] <- 0
    dat$d[dat$alc == 1 & dat$smk == 0] <- 1
    dat$d[dat$alc == 0 & dat$smk == 1] <- 2
    dat$d[dat$alc == 1 & dat$smk == 1] <- 3
    dat$d <- factor(dat$d)
    
    ## Table 3 of Hosmer and Lemeshow (1992):
    dat.glm02 <- glm(can ~ d, family = binomial, data = dat)
    summary(dat.glm02)
    
    # 1> 乘法交互尺度上的效应修饰作用
    ## What is the measure of effect modification on the multiplicative scale?
    ## See VanderWeele and Knol (2014) page 36 and Knol and Vanderweele (2012) for details.
    beta1 <- as.numeric(dat.glm02$coefficients[2])
    beta2 <- as.numeric(dat.glm02$coefficients[3])
    beta3 <- as.numeric(dat.glm02$coefficients[4])
    exp(beta3) / (exp(beta1) * exp(beta2))
    ## Measure of interaction on the multiplicative scale: 0.92.
    
    # 2> 加法交互
    ## What is the measure of effect modification on the additive scale?
    # coef: a vector listing the positions of the coefficients of the interaction terms in the model. 
    epi.interaction(model = dat.glm02, param = "dummy", coef = c(2,3,4), type = "RERI", conf.level = 0.95) #超额相对危险度
    ## Measure of interaction on the additive scale: RERI 3.73 
    ## (95% CI -1.84 -- 9.32), page 455 of Hosmer and Lemeshow (1992).
    
    ## 计算AP、S指标
    epi.interaction(model = dat.glm02, param = "dummy", coef = c(2,3,4), type = "APAB", conf.level = 0.95) #归因比
    epi.interaction(model = dat.glm02, param = "dummy", coef = c(2,3,4), type = "S", conf.level = 0.95) #协同指数
    # Skrondal (2003) advocates for use of the synergy index as a summary measure of additive interaction, showing that when regression models adjust for the effect of confounding variables (as in the majority of cases) RERI and AP may be biased, while S remains unbiased.
    

    (5) 结果可视化

    # 4) 可视化
    # 1> 加法交互效应
    ORalc <- 3.3333333
    ORsmk <- 2.9629630
    RERI <- 3.739848
    bar_d <- matrix(c(1, 1, 1, 1,
                      ORalc-1, 0, ORalc-1, 0,
                      ORsmk-1 ,ORsmk-1, 0, 0,
                      RERI, 0, 0, 0),
                    c(4,4), byrow = T,
                    dimnames = list(c('U','alc','smk1','alc1 & smk1'),c("OR_A1B1","OR_A1B0","OR_A0B1","OR_A0B0")))
    
    plot <- barplot(bar_d, legend=rownames(bar_d))
    
    

    该图直观地显示了相加交互作用的大小:
    在这里插入图片描述

    # 2> 加法交互是否显著
    library(visreg)
    plot(visreg(fit,xvar = "alc",by="smk",plot=F),xlab="alc",ylab="predict",overlay = T,partial = F,rug=F)
    legend("topleft", c("Smoke: No","Smoke: Yes"), lty=c(1,1), col=c("red","blue"), lwd=c(1,1),bty="n")
    

    上述分析显示,RERI、AP的可信区间包含0,S的可信区间包含1,说明加性交互作用不显著。图示如下:
    在这里插入图片描述

    4. 实例分析

    (1) 问题描述及数据:
    以2004-2014年广东省先天性心脏病(先心)监测网数据库病例对照资料为例[10, 11],分析孕母是否被动吸烟(自报围孕期家庭、工作任一环境中接触吸烟平均时长>15 min/d且持续1周以上)与家庭人均月收入有无相乘和相加交互作用(表 1),并比对采用Andersson分析方法的结果。
    在这里插入图片描述
    (2) 结果解释:
    INTM 95%CI>1有相乘交互作用,A暴露(如,孕期被动吸烟)与B暴露(如,家庭人均月收入低)有正向相乘交互作用;Delta法、Wald法、PL法估计 ICR 95%CI>0、AP 95%CI>0,S 95%CI>1,A暴露与B暴露有协同相加交互作用,即同时暴露于A、B者,其结局(如,胎儿患先心)的发生风险显著增加。ICR和S的意义相同,AP表示全部病例中可归因于两因素交互作用的病例所占比例,如,AP=0.324(95%CI:0.153~0.519),说明全部先心病例中归因于被动吸烟与家庭人均月收入低的相加交互作用所引起的病例占32.4%

    (3) 总结:
    统计学交互作用的线性模型一般为加法模型,乘积项表示有无相加交互作用;而广义线性属于乘法模型,乘积项表示有无相乘交互作用。生物学交互作用是多风险因素在发病的生物机制上的定性概念,两因素皆为病因前提下生物学机制的相互联系,包括协同和拮抗,生物学交互不同于统计模型中乘积项的分析。故相乘交互项OR值95%CI<1为负相乘,OR值95%CI>1为正相乘,相加交互项ICR值95%CI>0为协同作用,<0为拮抗作用。有时相乘与相加交互方向相悖,此时更宜运用生物学交互。在置信区间估计方法的选择上,Andersson等使用Delta法估计,结果不够稳健易造成假阴性结果。在风险比不对称时,应采用PL法,因Wald法的结果不稳定。

    参考阅读:
    [1] 聂志强, 欧艳秋, 庄建, 曲艳吉, 麦劲壮, 陈寄梅, 刘小清. 实现logistic与Cox回归相乘相加交互作用的临床实践宏程序. 中华流行病学杂志, 2016, 37(5): 737-740.
    [2] 交互作用: 相加交互,相乘交互
    [3] epiR: Tools for the Analysis of Epidemiological Data. R package version 2.0.19.
    [4] https://max.book118.com/html/2016/1031/60871118.shtm
    [5] https://max.book118.com/html/2017/0216/92080186.shtm

    展开全文
  • 情绪与环境交互作用下颜色和声音交叉模态对应的干预作用
  • 网络游戏-交互式双向通信装置与网络交互作用的方法和结构.zip
  • 基于关系相似性的蛋白质交互作用识别
  • 方差分析中的多因子交互作用

    千次阅读 2019-06-06 19:40:26
    多因子方差分析的因子交互作用可以这样理解,比如经常吃的消炎药头孢,通常会认为服用三片要比服用一片效果好,但经过实际验证测试发现,男女之间用药效果并不相同。对于男性而言,吃三片的效果好些,而对女性而言,...

           多因子方差分析的因子交互作用可以这样理解,比如经常吃的消炎药头孢,通常会认为服用三片要比服用一片效果好,但经过实际验证测试发现,男女之间用药效果并不相同。对于男性而言,吃三片的效果好些,而对女性而言,吃一片效果要更好。这种情况下,头炮剂量和性别之间便产生了了交互作用

           多因子方差分析中,当交互作用存在时,单纯去研究某个因素的作用已没有意义,需要分别探讨这个变量在另一个因素不同水平上的作用模式。

     

                                                                    有无交互项对方差分析构成的影响

           多因子方差分析可以理解为下图的形式,即模型中,工资是由基准值、受教育程度、性别、受教育程度与性别的交互作用 以及未解释的变量 等几部分构成,这其中便涉及到了多因子交互作用的问题。

            在双因素方差分析模型中,如果模型没有交互项的概念,则模型可以简化理解为:工资=教育程度+性别;如果模型带有交互项的概念,则模型可以简化理解为工资=教育程度+性别+教育程度*性别

                                                                                     是否设置交互项

           多因子方差分析中,是否需要设置交互项呢?

           在控制实验中,方差分析是否含有交互项是很明确的,如果两个因素对实验结果的影响是相互独立的,那么只需考虑主效应,使用交互的方差分析;如果两因素对实验结果的影响非独立,那么就应该使用交互项的方差分析。换个角度说,或者如果模型中只有研究变量和控制变量,此时不需要交互项,如果模型中除了研究变量和控制变量,还有调节变量,那么就需要交互项随机区组设计中,除了主要研究的变量以外,其他因素都是控制变量,只会起到降低方差分量的作用。

           在回顾性实验研究中,由于事前无法对变量进行有效的控制,而且各因素对结果的影响程度也缺乏理论体系的支撑,即变量间的交互行为没有理论判断依据,这时可以只通过检验交互项是否显著来决定模型中是否纳入交互项。

           其实,除非有理论认为交互项没有意义,否则一般都可以通过统计检验交互项的显著性去判断并决定要不要纳入交互项。

     

                                                                        方差分析中解释变量的类型

           方差分析中解释变量有研究变量、控制变量、 调节变量以及中介变量 等几种类型:

    • 研究变量:只在解释类模型中出现,是模型中最为关键的变量,例如营销场景中的销售量这个变量即为研究变量;
    • 控制变量除了研究变量外,任何对Y有影响的变量均为控制变量,这里的控制变量对于研究变量没有调节作用,控制变量只起到承担方差分量的作用。例如教育程度和年龄对收入都有影响,年龄和教育程度可能是相关的,但是年龄的变化对教育程度、对收入不存在影响;
    • 调节变量:举个例子来说明,例如公司福利费的投入对员工忠诚度的改善情况受到员工工资收入高低的影响,那么员工工资收入就是调节变量;
    • 中介变量:如果某个变量通过另一个变量来影响Y,那么另一个变量承担的角色就是中介变量。例如餐厅服务水平的提升能带来客户的满意度,客户的满意度能带来就餐的忠诚度,那么客户满意度就是中介变量。

     

                                                                             因子交互作用的等级

            假如有四个因子,则交互作用可以分为三个等级,一般说的交互作用指的是两两交互,其实两两交互已经不太好解释了,更高层级的交互作用更加难以解释,所以实际场景中多级交互作用基本不会见到。一般因子的交互状态为:无交互作用、正向交互作用以及反向交互作用几种类型。

    我的公众号:Data Analyst

    个人网站:https://www.datanalyst.net/

    展开全文
  • 硫酸盐还原菌EPS与重金属交互作用,李青,李明明,本实验研究了硫酸盐还原菌(SRB)胞外聚合物(Extracellular Polymeric Substances,简称EPS)与重金属间的交互作用。经成分分析发现EPS主要由�
  • 通过脉冲算法减少交互作用的分布式共识跟踪
  • 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...
  • 交互作用我们在前面已经说过,就不具体说了。在SCI论文中可以起到画龙点睛,并能进一步挖掘数据之间的亚组关系,进行数据挖掘也非常实用,交互项的可视化能把交互数据之间的关系明白的展示出来,在实际论文中绝对是...
  • 进行了27组试验,检测了试件的1d和28d的抗压强度,采用了极差分析、方差分析、影响率分析、试验水平分析和多重比较T法的分析方法,研究了影响水泥胶砂试件强度的显著因素和外加剂之间的交互作用.结果表明,影响1d抗压...
  • 基于情景纬度交互作用的捐献行为决策研究,王世龙,刘自玲,为探索情景与捐献行为之间的交互作用机理,通过情景问卷采集了捐献行为数据并进行了卡方检验统计分析。研究发现,在捐献行为决策
  • 交互作用模式下技术创新投资策略分析,夏晖,曾勇,本文假设创新价格受到外部环境的不确定影响,采用实物期权方法将技术创新提供方和采纳方的投资策略放在一个交互模式下进行研究,
  • 重庆市税收与经济交互作用的实证分析,张扬兵,崔春林,本文基于1996年-2017年重庆市GDP和两税数据,采用平稳性检验、协整检验和OLS回归对重庆市税收与经济之间的交互作用进行了实证分析。结
  • 多元统计分析 中,交互作用是指某因素作用随其他因素水平的不同而不同,两因素同时存在是的作用不等于两因素单独作用之和(相加交互作用)或之积(相乘交互作用)。通俗来讲就是,当两个或多个因素同时作用于一个结局时...
  • 美食该如何制作?食品安全以什么为标准?...这么一份多糖类交互作用在新型软糖研制中...该文档为多糖类交互作用在新型软糖研制中的应用,是一份很不错的参考资料,具有较高参考价值,感兴趣的可以下载看看
  • 集料化学成分对沥青-集料交互作用的影响,张久鹏,杜慧,为研究集料化学成分对沥青胶浆流变行为及沥青-集料交互作用的影响,采用二氧化硅、氧化镁、氧化钙、氧化铁和氧化铝粉末与克拉玛�
  • 交互作用对微藻生长与油脂组分的影响,黄夏敏,王永忠,为了研究环境因素的交互作用对小球藻生长代谢的影响,本实验研究了不同二氧化碳浓度、光照强度、气体流速对小球藻生物质产量、油
  • 什么是多模态交互

    千次阅读 2021-02-21 09:16:57
    什么是多模态交互? “模态”(Modality)是德国理学家赫尔姆霍茨提出的一种生物学概念,即生物凭借感知器官与经验来接收信息的通道,如人类有视觉、听觉、触觉、味觉和嗅觉模态。多模态是指将多种感官进行融合,而...
  • 什么是交互式?

    千次阅读 2019-09-26 01:15:21
    交互性(interactive)是一个比较广泛的概念,运用不同的领域其含义是不同的。交互性主要运用于计算机及多媒体领域,下面我们就主要解释一下计算机人机交互及相关的几个概念: 1.人机交互(Human-Computer ...
  • 对复杂疾病病因研究中基因-基因(环境)交互作用的3种分析方法进行了比较,剖析了它 们的适用条件和优缺点. 结果表明: 叉生分析简单易行,但只适用于分析单个遗传和单个环境因 素的交互作用; Logistic回归易解释交互作用...
  • VR沉浸感和交互作用原理

    千次阅读 2018-06-27 14:22:44
    VR沉浸感和交互作用产生的原理:在之前,我们观看一个虚拟的创造内容是通过平面显示器的,52VR上次发布过一篇文章《一张图让你认识VR》,在其中,你会看到很多10年前的虚拟现实装备,他们基本是平面显示器,或者将...
  •  这是一次内部分享,新部门的同学们希望我聊聊我过去从事的交互设计,做个了面对入门者等级的PPT,和各位简单聊了聊。发到微博上,也敦促自己对... 要谈什么是交互设计,先要了解这几个概念。  网页设计年代,
  • 前几天的文章,我们聚焦在回归分析,今天来看看在回归分析中常常要研究的一类难点问题——交互作用的探究。 交互(interaction),字面上不太好理解,但是从数学表达上却很简单。 如果想要研究两个自变量如X1和X2...
  • 1.中介效应 中介效应模式:A对C的作用通过B发生,即A-B-C。其中A-C如果作用为零,则B为完全中介;若A-C作用不为零,则B为部分中介。 形象比喻:中介效应为“媒婆”,A-C...上图为i型交互作用模式:A-C有关系,B-...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 599,118
精华内容 239,647
关键字:

交互作用是什么