R语言基于visreg 包COX回归和连续变量交互效应（交互作用）的可视化分析

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，进行可视化后可以清晰的表明变量之间的关系。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语言和SPSS对logistic回归亚组交互效应（交互作用）进行可视化分析（见下图）


后台有粉丝问能不能进行COX回归交互效应可视化分析和对连续变量进行交互效应可视化分析，都是可以的，下面我们来一一进行演示。
COX回归交互效应可视化分析和logistic回归交互项的可视化分析的步骤基本一样的，继续使用我们的乳腺癌数据（公众号回复：乳腺癌，可以获得数据）我们先导入数据和R包

library(foreign)
library(visreg)
library(survival)
bc <- read.spss("E:/r/test/Breast cancer survival agec.sav",
                use.value.labels=F, to.data.frame=T)

我们先来看看数据：
age表示年龄，pathsize表示病理肿瘤大小（厘米），lnpos表示腋窝淋巴结阳性，histgrad表示病理组织学等级，er表示雌激素受体状态，pr表示孕激素受体状态，status结局事件是否死亡，pathscat表示病理肿瘤大小类别（分组变量），ln_yesno表示是否有淋巴结肿大，time是生存时间，后面的agec是我们自己设定的，不用管它。

接下来删除缺失变量和把分类变量转成因子

bc <- na.omit(bc)
bc$er<-as.factor(bc$er)
bc$pr<-as.factor(bc$pr)
bc$ln_yesno<-as.factor(bc$ln_yesno)
bc$histgrad<-as.factor(bc$histgrad)

建立cox回归方程，我们假设age和histgrad有交互

f1<- coxph(Surv(time, status) ~ age + histgrad+
           pathsize+ er + pr + ln_yesno+age*histgrad, data=bc)
summary(f1)

这里发现age：histgrad的P值大于0.05，两者之间没有交互效应，我们不管他，这里主要是演示怎么做图

visreg(f1, "age", "histgrad", ylab="log(Hazard ratio)")

可以把3张图合并起来

visreg(f1, "age", "histgrad", ylab="log(Hazard ratio)", overlay = T)

还可以进一步修改

plot(visreg(f1,xvar = "age",by="histgrad",plot=F),xlab="age",ylab="log(Hazard ratio)",
     overlay = T,partial = F,rug=F,,line=list(lty=1:6))
legend("bottomright",
       c("histgrad1","histgrad2","histgrad3"),
       lty=c(1,1,1),
       col=c("red","green","blue"),
       lwd=c(2,1,1),
       bty="n")

也可以按箱线图来表示

plot(visreg(f1, "histgrad", by="age",plot=F),xlab="age",ylab="log(Hazard ratio)",
     overlay = T,partial = F,rug=F,,line=list(lty=1:6))
legend("bottomright",
       c("age38","age55","age74"),
       lty=c(1,1,1),
       col=c("red","green","blue"),
       lwd=c(2,1,1),
       bty="n")

从图上中数据的可信区间严重重合也可以看出来两者并没有交互。
下面来演示连续变量的交互可视化分析，使用我们的臭氧数据（公众号回复：臭氧可以获得数据）
我们先导入R包和臭氧数据

library(splines)
be <- read.spss("E:/r/test/ozone.sav",
                use.value.labels=F, to.data.frame=T)

数据中有七个变量，ozon每日臭氧水平为结局变量，Inversion base height（ibh）反转基准高度，Pressure gradient (mm Hg) 压力梯度（mm Hg），Visibility (miles) 能见度（英里），Temperature (degrees F) 温度（华氏度），Day of the year日期，vh我也不知道是什么，反正就是一参数，这里所有的变量都是连续的。
假设我们想知道反转基准高度和温度对臭氧浓度有无存在交互影响

fit <- lm(ozon ~ vh +ns(ibh, df=2)*ns(temp, df=2), data=be)
summary(fit)

visreg2d(fit, "ibh", "temp")

也可以自己更改想要的颜色

visreg2d(fit, "ibh", "temp", color.palette=colorRampPalette(c("black", "white", "purple")))

也可以绘制3D立体图

visreg2d(fit,"ibh", "temp", plot.type="persp")

也可以绘制成这种

plot(visreg(fit,xvar = "ibh",by="temp",plot=F),xlab="age",ylab="log(Probability)",
     overlay = T,partial = F,rug=F,,line=list(lty=1:6))
legend("topright",
       c("temp41","temp62","temp81"),
       lty=c(1,1,1),
       col=c("red","green","blue"),
       lwd=c(2,1,1),
       bty="n")