精华内容
下载资源
问答
  • 交互作用图包括什么
    千次阅读
    2021-08-01 00:20:10

    【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【交互作用】01. 加法交互 & 乘法交互 (R包 epiR) 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 epiR R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。

    ORA0B0表示A、B都不存在时发病的OR值,分析时作为参照组;ORA1B0表示仅A存在、B不存在时发病的OR值;ORA0B1表示A不存在、仅B存在时发病的OR值;ORA1B1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 = ORA1B1 - ORA0B1 - ORA1B0 + 1;
    ② 归因比:AP = RERI / ORA1B1
    ③ 交互作用指数:SI = (ORA1B1 - 1) / [(ORA0B1 - 1) + (ORA1B0 - 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ORA1B1、ORA0B1和ORA1B0,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);
    ORA1B0 = exp(β1),
    ORA0B1 = exp(β2),
    ORA1B1 = 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;
    ORA1B0 = exp(β1),
    ORA0B1 = exp(β2),
    ORA1B1 = 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。

    2. interactionR R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

    • delta method (Hosmer and Lemeshow (1992), [doi:10.1097/00001648-199209000-00012]),
    • variance recovery method (Zou (2008), [doi:10.1093/aje/kwn104]),
    • percentile bootstrapping (Assmann et al. (1996), [doi:10.1097/00001648-199605000-00012]).

    R包的安装

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

    参数介绍

    • model: 包含交互项的回归模型。可以是logistic glm(formula, family = binomial(link = "logit"), data)、条件logistic clogit() 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)。
    • ci.type: 加法交互作用的置信区间估计方法 (“delta” 或 “mover”) ,默认为delta方法。
    • ci.level: 置信区间水平。
    • em: TRUE, for effect modification assessment. FALSE, for interaction.
    • recode: If TRUE, recodes the exposures - if at least one of the exposures is protective - such that the stratum with the lowest risk becomes the new reference category when the two exposures are considered jointly (See Knol et al (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)
    
    ## fit the interaction model
    model.glm <- glm(oc ~ alc*smk, family = binomial(link = "logit"), data = OCdata)
    summary(model.glm)
    
    ## 1) analysis----
    table_object = interactionR(model.glm, exposure_names = c("alc", "smk"), ci.type = "mover", ci.level = 0.95, em = F, recode = F)
    table_object$dframe 
    # Measures Estimates       CI.ll      CI.ul
    # 1                        OR00 1.0000000          NA         NA
    # 2                        OR01 2.9629630   0.6800459 12.9096430
    # 3                        OR10 3.3333333   0.7006066 15.8592734
    # 4                        OR11 9.0361446   2.6413389 30.9130753
    # 5  OR(smk on outcome [alc==0] 2.9629630   0.6800459 12.9096430
    # 6  OR(smk on outcome [alc==1] 2.7108434   0.9969750  7.3709689
    # 7  OR(alc on outcome [smk==0] 3.3333333   0.7006066 15.8592734
    # 8  OR(alc on outcome [smk==1] 3.0496988   1.2948765  7.1826638
    # 9        Multiplicative scale 0.9149096   0.1543611  5.4227369
    # 10                       RERI 3.7398483 -11.4297248 21.8721579
    # 11                         AP 0.4138765  -0.3775073  0.8113231
    # 12                         SI 1.8704819   0.6460433  5.4155854
    
    # 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(Multiplicative scale)=exp(-0.08893)(alc:smk)=exp(2.2012)/exp(1.0862)/exp(1.2040)
    # P interaction= 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) output word----
    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。
    
    ## CI estimating methods: 
    CI1 <- interactionR_mover(model.glm, exposure_names = c("alc", "smk"), ci.level = 0.95, em = F, recode = F);CI1$dframe
    CI2 <- interactionR_delta(model.glm, exposure_names = c("alc", "smk"), ci.level = 0.95, em = F, recode = F);CI2$dframe 
    CI3 <- interactionR_boot(model.glm, ci.level = 0.95, em = F, recode = F, seed = 12345, s = 1000);CI3$dframe 
    # interactionR_boot() #A fitted model object of class glm. Requires that the two binary exposure variables are listed first in the call formula.
    

    输出到Word中的表格如下:
    在这里插入图片描述

    参考阅读:
    [1] 许敏锐,强德仁,周义红,石素逸,秦晶,陶源.应用R软件进行logistic回归模型的交互作用分析[J].中国卫生统计,2017,34(04):670-672+675.
    [2] Babatunde Alli (2021). interactionR: Full Reporting of Interaction Analyses. R package version 0.1.2. https://CRAN.R-project.org/package=interactionR.

    更多相关内容
  • 6-交互作用图

    千次阅读 2016-12-18 20:08:18
    6-交互作用图6.0 交互作用图 包括顺序和通信,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 顺序和通信以不同的方式表达了类似的信息。顺序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
  • 用于识别基因组学数据的层次交互作用的分层向前和向后逐步(HierFabs)算法 HierFabs使用坐标下降的步长是固定的,步长包括正向和反向步骤。 在每一步中,一阶泰勒展开均用于反映增量的主要部分。 安装 #install R...
  • 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作用正交实验, 分别采用L8(27)正交表分析气压、离焦量与切速以及三者间两两交互作用对切割质量的影响, ...
  • 交互作用】01. 加法交互 & 乘法交互(R包 epiR)

    万次阅读 多人点赞 2021-07-22 01:03:28
    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)

    此处公式有误,之前一直懒得去核实,现在做个修改。感谢x小x小姐姐提供的文献参考,如有需要,请自行下载原文。—— Revised: 2022-04-01
    Knol MJ, VanderWeele TJ, Groenwold RH, Klungel OH, Rovers MM, Grobbee DE. Estimating measures of interaction on an additive scale for preventive exposures. Eur J Epidemiol. 2011 Jun;26(6):433-8.
    在这里插入图片描述

    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
  • 在UML建模中,交互图包括两种— 序列、协作 正文 六、序列 &amp;amp;amp;amp;amp;nbsp; &amp;amp;amp;amp;amp;nbsp; 序列又称顺序、时序,是对对象之间传送消息的时间顺序的
    前言
        上一篇博文小编为大家分享了UML建模中行为图里面的状态图和活动图,今天继续为大家分享行为图中的内容— 交互图 。在UML建模中,交互图包括两种— 序列图、协作图
    正文
    六、序列图
        序列图又称顺序图、时序图,是对对象之间传送消息的时间顺序的可视化表示。描述对象之间的交互顺序,着重体现对象间消息传递的时间顺序,强调对象之间消息的发送顺序,同时也显示对象之间的交互过程。
        序列图的主要用途是把用例表达的需求,进一步转化为更加正式、层次明确的精细表达。用例常常被细化为一个或者更多的序列图。
    绘制序列图
    序列图包含的元素:参与者/角色、对象、消息、生命线、激活、约束、注释、组合
        序列图将交互关系表示为一个二维图。纵向是时间轴,时间沿竖线向下延伸。横向代表了在协作中各个独立对象的类元角色。类元角色用生命线表示。当对象存在时,角色用一条虚线表示,当对象是处于激活状态的过程中,生命线是一个双道线。
    生命线: 生命线是一条垂直的虚线,表示时序图中的对象在一段时间内的存在。每个对象的底部中心位置都有生命线。生命线就是这个对象的时间线,这个时间取决于交互持续的时间。 生命线名称可带下划线。当使用下划线时,意味着序列图中的生命线代表一个类的特定实例。
    对象: 和对象图中的对象所用的符号一样,都是使用矩形将对象名称包起来,并且对象名称下面有下划线。将对象置于时序图的顶部意味着在交互开始的时候对象就存在了,如果对象的位置 不在顶部,表示对象是在交互的过程中被创建的。
    消息: 消息就是交互过程中交换信息的类,给对象之间的通信进行建模。消息是两个对象之间的单路通信。消息可以在对象之间传递参数。消息用从一个对象的生命线到另一个对象生命线的箭头表示。箭头以时间顺序在图中从上到下排列。消息可分为简单消息、同步消息(需要等待)、异步消息(异步发送消息,不需要等待)

    同步

    在这里插入图片描述

    激活: 时序图可以描述对象的激活和去激活。激活代表时序图中的对象执行一项操作的时期,激活表示对象被占用了,它正在完成某个任务。去激活是对象处于空闲状态,在等待消息。对象的激活状态表示,可以将对象的生命线拓宽成为矩形。在生命线中出现的矩形条被称为激活条或者是控制期。对象就是在激活条的顶部被激活的;在完成自己的工作后被去激活,这通常发生在一个消息箭头离开对象生命线的时候。
    注释: 过程执行完毕后,给予状态变化的提示。

    在这里插入图片描述


    约束: 判断是否满足条件,给予反馈信息。

    在这里插入图片描述


    组合: 组合片段用来解决交互执行的条件以及方式。它允许在序列图中直接表示逻辑组件,用于通过指定条件或子进程的应用领域,为任何生命线的任何部分定义特殊条件和子进程。常用的组合片段有抉择、选项、循环、并行。
    以机房收费系统中【注册】为例举例说明:

    在这里插入图片描述


    七、协作图
        协作图又称为合作图,是交互图中的一种,它用来描述相互合作对象之间的关系,更侧重于说明发送和接受消息的对象的组织结构。
        UML协作图用于显示对象之间如何进行交互以执行特定用例或用例中特定部分的行为。设计人员使用协作图和序列图确定并阐明对象的角色,这些对象执行用例的特定事件流。它们是主要的信息来源,用于确定类的职责和接口。
        与序列图不同,协作图显示了对象之间的关系。序列图和协作图表述的是相似的信息,但表述形式不同,协作图显示对象之间的关系,它更有利于理解给定对象的所有影响,也更适合于过程设计。协作图的格式决定了它们更适合在分析活动中使用。协作图非常适合描述少量对象之间的简单交互。随着对象和消息数量的增多,使用协作图理解起来会越来越困难;协作图很难显示补充的说明性信息,例如时间、判定点或其他非结构化的信息,而这些信息在序列图中可以添加到注释中。
        序列图常用来表示设计的方案;协作图用于软件设计过程中的详细设计。序列图和协作图可以相互转化。

    绘制协作图
    协作图包含的元素:角色、对象、链、消息。

    协作图和时序图的互换: 协作图和时序图都是表示对象间的交互作用,只是它们侧重点不同。时序图描述了交互过程中的时间顺序,但没有明确表达对象间的关系;协作图描述了对象间的关系,但时间顺序必须从序列号获得。协作图和时序图都是来自UML元模型的相同信息,因此它们语义是等价的,它们可以从一种形式的图转换成另一种形式的图,而不丢失任何信息。转换的快捷键为F5.
    以机房收费系统中【注册】为例举例说明:

    在这里插入图片描述


    结语
        初步了解它们后,接下来就需要不断实践啦。实践出真知!
    *感谢您的阅读,希望对您能有所帮助*
    展开全文
  • UML-交互图包含哪些

    千次阅读 2019-06-19 11:48:00
    猫比狗精明,但你无法让8只猫在雪地里拉雪橇---杰夫.瓦尔德斯 本章是重点。 1、总览 ...4、什么时候画顺序或通信? 通信一般在墙上画的或者需要打印纸张宽度不够时。其他都画顺序。 ...
  • UML 交互图(序列和协作

    千次阅读 热门讨论 2019-11-21 19:49:44
    交互图 用来描述对象之间的交互关系, 包括: · 序列:描述对象之间的交互关系,强调顺序 · 协作:描述对象之间的合作关系。 · 序列和协作可以相互转化。----只需打开协作,然后选择 Browse → ...
  • R语言logistic回归交互项(交互作用)的可视化分析2

    千次阅读 热门讨论 2021-06-11 10:58:24
    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), 但是使用visreg包后我们对图形的细节掌控力不够,今天我们使用重新绘制手动图形,这在SCI论文中非常实用,几乎可以...
  • 1.交互图用来描述系统中的对象是如何进行相互作用的。即一组对象是如何进行消息传递的。 2.交互主要用于描述协作的动态行为方面 3.当对交互建模时,通常既包括对象(每个对象都扮演某一特定的角色),又包含消息...
  • 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...
  • uml 交互图
  • 【UML】——交互图

    千次阅读 2018-09-05 20:58:55
    交互图用来描述系统中的对象是如何进行相互作用的,即一组对象是如何进行消息传递的 交互图主要用于描述协作的动态行为方面 2、两种方式描述 强调消息的时间顺序 强调发送和接受消息的对象的结构组织 3、...
  • UML交互图

    2020-12-20 01:00:39
    UML 交互图描述的是对象之间的动态合作关系以及合作过程中的行为次序。UML 交互图常常用来描述一个用例的行为,显示该用例中所涉及的对象以及这些对象之间的...UML 交互图作用:UML 交互图主要包括对象和消息两类元...
  • 这是一个用于运行特征选择过滤器的独立包:给定(通常很大)数量的噪声和... 包括用于概率表离散化、构建和边缘化、条件熵、互信息和交互信息的辅助函数,并且可以单独使用。 有关示例,请参阅 demo_feature_select.m。
  • 交互图用来描述系统中的对象是如何进行相互作用的。即一组对象是如何进行消息传递的 干什么的? 主要用于描述协作的动态行为方面 当交互建模时,通常既包括对象(每个对象都扮演某一特定的角色),有包括消息...
  • R语言logistic回归交互项(交互作用)的可视化分析

    千次阅读 热门讨论 2021-03-20 12:38:15
    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...
  • UML交互图(顺序交互图

    万次阅读 多人点赞 2017-11-04 11:01:11
    交互图有顺序和协作两种形式。 时序中描述对象按照时间顺序的消息交换。协作着重描述系统成分如何协同工作。 时序和协作从不同角度表达了系统中的交互和系统行为,它们之间可以相互转化。 时
  • UML之交互图(时序和协作

    千次阅读 热门讨论 2019-07-10 15:52:20
    1.交互图: 概念:用来描述对象之间、对象与参与者之间的动态协作关系,以及协作过程中行为次序的图形文档。 作用:通常用来描述一个用例的行为,实现一个用例,完成对系统行为的建模 类型:时序和协作 2...
  • UML五类十交互图

    千次阅读 热门讨论 2018-11-22 19:58:37
    交互图有两种:分别是时序和协作 一、时序 时序: 显示对象之间的关系, 强调对象之间消息的时间顺序, 显示对象之间的交互;   序列作用: 1.确认和丰富一个使用语境的逻辑表达:语境就是系统潜在的...
  • UML-----交互图(顺序和合作

    千次阅读 热门讨论 2021-01-01 10:52:48
    交互图是用来描述系统中的对象是如何进行相互作用的。也就是一组对象是如何进行信息传递的。主要描述协作的动态行为方面。 交互包括两个方面:1.强调消息的时间顺序。2.强调发送和接收信息的对象的结构组织 所以...
  • 相加交互作用2.1 简介2.2 相加交互作用计算2.3 结果输出到Excel总结 前言 一直困惑怎么高效的输出R做回归分析得到的结果,这篇参考了网上各位大神的博客,主要结合我自己的需求进行再次归纳整理。其次就是交互作用...
  • 首先人机交互设计与评价,我们需要区分: 人机交互(HCI)和交互设计(Interaction Design)的概念人机交互(HCI): 人机交互是一个学术领域人机交互设计与评价,是计算机与心理学的交叉学科,也可以被视为计算机的一个...
  • 中介效应、调节效应与交互作用咋回事?

    万次阅读 多人点赞 2019-12-26 17:11:34
    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...上为i型交互作用模式:A-C有关系,B-...
  • 然后,扩展分段使其包含与人体交互的非人体目标,通过时空梯度方向直方(HOG)和光流场方向直方(HOF)描述符来表示关键段的静态和动态特征,并通过K-均值算法构建成码书,同时采用局部约束线性编码(LLC)技术...
  • UML——交互图(顺序与协作

    千次阅读 2020-05-28 15:10:06
    交互图用来描述系统中的对象是如何进行相互作用的。即一组对象是如何进行消息传递的。 交互图主要用来描述协作的动态行为方面 交互图有顺序和协作两种形式 ——顺序:强调消息的时间顺序 ——协作:强调...
  • 交互式图像分割论文合集

    千次阅读 2022-01-04 21:44:58
    文章目录2020Interactive Image Segmentation with First Click ...在交互式图像分割任务中,用户首先点击一个点对目标物体的主体进行分割,然后在错误标记的区域迭代提供更多的点,以实现精确的分割。现有的方法不加区
  • 作者:Yu Gao, Xintong Han, Xun Wang, Weilin ...在这篇文章中,我们提出一个通道交互网络(CIN),它对图像内部和图像之间的通道交互进行了建模。对于单个图像,提出了一个自通道交互(SCI)模块来探索图像中的通.
  • 交互图包括两种   时序 描述了对象之间传递消息的时间顺序,用来表示用例中行为顺序,是强调时间顺序的交互图 基本元素  对象 代表时序中的对象在交互中所扮演的角色 使用矩形将对象名称包含起来...
  • 存在于整个交互作用中的对象 在交互作用中创建的对象 在交互作用中销毁的对象 在加护作用中创建并销毁的对象 3.3 链接 表示方式:用直线表示。 一般情况下,一个链接就是一个关联实例。 消息...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 512,664
精华内容 205,065
热门标签
关键字:

交互作用图包括什么