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=',',header=TRUE)
# 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$education<-ifelse(bc$education=="0-5yrs",0,ifelse(bc$education=="6-11yrs",1,2))
bc$spontaneous<-as.factor(bc$spontaneous)
bc$case<-as.factor(bc$case)
bc$induced<-as.factor(bc$induced)
bc$education<-as.factor(bc$education)f1<- glm(case ~ age + parity +spontaneous+age:spontaneous,family = binomial(link = logit), data = bc)
summary(f1)
#plogis(exp(newdata3$fit-(1.96*newdata3$se.fit)))
attach(bc)
newdata2<-data.frame(age,spontaneous,parity=mean(parity))
newdata3<-data.frame(newdata2,predict(f1,newdata = newdata2,type = "link",se =T))newdata4<-within(newdata3,{pre<-plogis(fit)ll<-plogis(fit-(1.96*se.fit))ul<-plogis(fit+(1.96*se.fit))
})plogis((newdata3$fit-(1.96*newdata3$se.fit)))ggplot(newdata4,aes(x=age,y=pre))+geom_ribbon(aes(ymin=ll,ymax=ul,fill=spontaneous),alpha=0.2)+geom_line(aes(col=spontaneous),linewidth=1)
