代码+视频--NHANES数据(复杂调查数据)亚组交互函数1.6尝鲜版（P for interaction）发布---用于一键生成交互效应表

在SCI文章中，交互效应表格（通常是表五）能为文章锦上添花，增加文章的信服力，增加结果的可信程度，还能进行数据挖掘。什么是亚组，通常就是特殊类型人群，比如男女，种族等，就是说你的数据放入特殊人群中结果还可靠吗？如果在各个特殊人群中，你的结果很稳定，说明你的结论很可靠。如果亚组的结论和你的数据数据结论相反，你可以拿来做个新论题。还可以比较不同亚组之间有无区别，比如做了心脏支架和没做支架的区别，可以发现很多新思路，易于数据挖掘

在既往文章《NHANES数据(复杂调查数据)亚组交互函数1.4尝鲜版（P for interaction）发布—用于一键生成交互效应表》中，咱们发布了svy.scitb5函数，反响还不错，基本没啥大问题，有个小问题是下载到的NHANES数据需要整理一下，不能直接拿来分析，比如像这种带连接符的数据

不单是svy.scitb5识别不出来，survey包也是识别不出来，如果你不整理直接做的话，首先survey包就会报错，下面这个报错已经有很多粉丝私信问我了
Error in svyglm.survey.design(formula(fml), family = “quasibinomial”, :
all variables must be in design= argument

所以有些人看到这个报错会有点蒙，明明变量已经在调查函数里面了，为什么还是显示all variables must be in design= argument，这是因为survey包的调查函数识别不出来你这个变量，所以做不出来，所以咱们不要偷懒，把它改成数字就轻松搞定了。

言归正传，继续介绍，请看视频

附代码

library(survey)
bc<-read.csv("E:/r/test/subtext.csv",sep=',',header=TRUE)
bc <- na.omit(bc)
str(bc)
# SEQN：序列号，RIAGENDR, # 性别， RIDAGEYR, # 年龄，RIDRETH1, # 种族，DMDMARTL, # 婚姻状况，
# WTINT2YR,WTMEC2YR, # 权重，SDMVPSU, # psu，SDMVSTRA，# strata，LBDGLUSI, #血糖mmol表示，
# LBDINSI, #胰岛素( pmmol/L)，PHAFSTHR #餐后血糖，LBXGH #糖化血红蛋白，SPXNFEV1, 
# #FEV1：第一秒用力呼气量，SPXNFVC #FVC：用力肺活量，ml（估计肺容量），LBDGLTSI #餐后2小时血糖，
# factor.FVC是我把肺活量分为了2分类，方便用于测试。

bc$DMDMARTL<-ifelse(bc$DMDMARTL==1,1,0)
bc$RIAGENDR<-as.factor(bc$RIAGENDR)
bc$RIDRETH1<-as.factor(bc$RIDRETH1)
bc$DMDMARTL<-as.factor(bc$DMDMARTL)
bc$factor.FVC<-as.factor(bc$factor.FVC)
####
bcSvy2<- svydesign(ids = ~ SDMVPSU, strata = ~ SDMVSTRA, weights = ~ WTMEC2YR,
                   nest=TRUE,data = bc)

cov1<-c("DMDMARTL","RIDRETH1","RIDAGEYR","LBXGH")	
Interaction<-c("DMDMARTL","RIDRETH1")

source("E:/r/test/1.6svyscitb5.R")

out<-svy.scitb5(data=bc,x="RIAGENDR",y="factor.FVC",Interaction=Interaction,cov = cov1,family="svyglm",
                svydstr=bcSvy2)  #x分类,Y分类

out1<-svy.scitb5(data=bc,x="RIAGENDR",y="factor.FVC",Interaction=Interaction,cov = cov1,family="svyglm",
                svydstr=bcSvy2,dec=5,pdec = 5,p.intervaue = 5)  #x分类,Y分类
plotforest(out)

out<-svy.scitb5(data=bc,x="LBDINSI",y="SPXNFVC",Interaction=Interaction,cov = cov1,family="svyglm",
                svydstr=bcSvy2)  #x连续,Y连续

out<-svy.scitb5(data=bc,x="LBXGH",y="SPXNFVC",Interaction=Interaction,cov = cov1,family="svyglm",
                svydstr=bcSvy2)  #x连续,Y连续

out<-svy.scitb5(data=bc,x="LBDINSI",y="factor.FVC",Interaction=Interaction,cov = cov1,family="svyglm"
                ,svydstr=bcSvy2)  #x连续,Y分类
plotforest(out)

out<-svy.scitb5(data=bc,x="LBDINSI",y="factor.FVC",Interaction=Interaction,cov = cov1,family="svyglm",
                svydstr=bcSvy2)  #x连续,Y分类

############  method方法比较
out<-svy.scitb5(data=bc,x="LBDINSI",y="factor.FVC",Interaction=Interaction,cov = cov1,family="svyglm",method="Wald",
                svydstr=bcSvy2)  #x连续,Y分类

out<-svy.scitb5(data=bc,x="LBDINSI",y="factor.FVC",Interaction=Interaction,cov = cov1,family="svyglm",method="LRT",
                svydstr=bcSvy2)  #x连续,Y分类

##########
out<-svy.scitb5(data=bc,x="RIAGENDR",y="factor.FVC",Interaction=Interaction,cov = cov1,family="svyglm",
                svydstr=bcSvy2,dec = 5,pdec = 3)  #x分类,Y分类

out<-svy.scitb5(data=bc,x="RIAGENDR",y="factor.FVC",Interaction=Interaction,cov = cov1,family="svyglm",pvalue = F,
                svydstr=bcSvy2,dec = 5,pdec = 3)  #x分类,Y分类
out<-svy.scitb5(data=bc,x="LBDINSI",y="factor.FVC",Interaction=Interaction,cov = cov1,family="svyglm",pvalue = F
                ,svydstr=bcSvy2)  #x连续,Y分类

out<-svy.scitb5(data=bc,x="RIAGENDR",y="factor.FVC",Interaction=Interaction,cov = cov1,family="svyglm",pvalue = F,
                svydstr=bcSvy2,dec = 5,pdec = 5,p.intervaue = 5)  #x分类,Y分类
plotforest(out)

需要获取svy.scitb5函数1.6版本版本的可以看这里

NHANES数据(复杂调查数据)亚组交互函数1.6尝鲜版（P for interaction）发布—用于一键生成交互效应表