交互作用分析体会总结

交互作用分析体会总结

日前总结了一个交互作用分析的思路，包括：

1. Boruta等筛选变量；
2. 批量展示多个变量的交互作用。 使用iml包，用树形模型（随机森林等）构建方程，批量展示多个变量的交互作用力度；这里需要指出的是模型一定要是树形模型，因为树形模型算法中天然包含了变量间的交互作用；
3. 鉴定 排名靠前的交互变量。使用多种方法，包括带有交互作用项的回归方程的P值，计算方程间的AIC是否有提升，模型效能（AUC）是否有改善。

通过以上步骤鉴定出的交互作用，可以作为独立危险因素研究中危险因素的属性，或者线性模型构建中构造性能更优的预测线性预测模型。

体会

在尝试使用以上的步骤构建了三类常见医学模型的交互作用分析（线性模型、二分类和COX）之后，这里和大家分享一些体会。
首先，二分类结局变量可能不适合进行交互作用分析，至少是多分类，因为二分类过于粗略，不能反映交互作用的变化，这是AI给的答案。实践中我用同一份数据用二分类和cox分别进行交互作用分析，也确实是cox可以分析出微弱的交互作用，而二分类结局数据不，所以这个判断应该是成立的。
其次，在第二步展示交互作用时，需要用树形模型，这在之前时犯了错误的，因为计算交互作用力度的iml包或者SHAP包都是“模型解释”的包，所以，如果原来的方程中没有交互作用的计算，就无从进行展示，所以要么用树形模型，要么用带有交互作用项的线性模型。

最后，在批量展示交互作用的技术方面，我们有iml包和shap包可供选择，iml包支持线性方程和分类方程，而shap全部都支持，但是iml中使用的算法时计算H-statistics，其区间多数情况下位于0～1之间，0代表没有交互作用，1代表变量对结局的贡献全部时交互作用的贡献，也可以大于1，据说暂时不能解释。位于0～1之间的特性可以帮助我们量化交互作用的大小。

最后

交互作用分析的内容不多，往往占的比重也不大，单独作为研究的主要内容并不适合，还是要和其他的研究进行整合。也不好说全对，供大家参考。

三种交互作用分析的项目可以在和鲸社区搜索“交互作用”获得。