3D图形能够从不同的角度解释方程或图形，这样显得更直观，更容易了解变量之间关系，今天我们通过rgl包绘制交互3D图。这样一个简单的3D散点图这样就画好了，我们可以按住鼠标对它进行拖动观察。我们还可以对图形进行进一步的修饰调整点的大小，把点改为立体的。我们先导入R包和数据，数据使用R语言自带的鸢尾花数据来演示。这是R自带的数据，表示的3种鸢尾花的茎叶长宽等数据。rgl包绘制3D图需要分别提,x,y,

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？在既往文章《NHANES数据(复杂调查数据)亚组交互函数2.2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，有个小问题是部分结果只能得到可信区间，算不出来P值，这个其实是survey包的问题，对于协变量过多而你的数

在既往文章《scitb5函数1.6版本（交互效应函数P for interaction）发布----用于一键生成交互效应表》中，我发布了本人编写的scitb5函数1.6版本，反应还不错，没有发现很大的问题，本期发布最新的1.7版本scitb5函数，1.7版本修复了1.6版本的一些小问题，最主要的一个是当结果变量Y是连续变量时，生成的表格应该是β而不是OR，虽然结果没错，但是列名没有改，1.7版本修

生成表，和1.4版本一样data是你的数据，必须是数据框形式，x是你研究的目标变量，y是你的结局变量，Interaction是你的分层变量，这个必须是分类变量并转成因子，cov是你的协变量，在我的设定中cov是要包含Interaction的，这也符合我们的习惯。数据解释如下：low 是否是小于2500g早产低体重儿，age 母亲的年龄，lwt 末次月经体重，race 种族，smoke 孕期抽烟，p

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。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

交互效应分析在SCI中是一个重要的组成，可以表示特殊的人群（也就是亚组）中自变量和因变量的结果关系，可以说是高分SCI必做的项目，在SCI中，这一部分结果很多都是以森林图来展示，这样结果又直观有方便分析，例如：新格兰这篇文章再例如这篇我们今天使用R语言来演示一下这样的森林图怎么做出来需要forestplot包，我们事先要下载好，先把数据录入成如下格式再导入RStudio首先导入R包并把数据导入li

数据解释如下：low 是否是小于2500g早产低体重儿，age 母亲的年龄，lwt 末次月经体重，race 种族，smoke 孕期抽烟，ptl 早产史（计数），ht 有高血压病史，ui 子宫过敏，ftv 早孕时看医生的次数。这样结果OR值和可信区间就生成了，交互效应的P值需要另外计算，我这里就不演示了，有兴趣的看我既往文章，我这里P值是0.7358。今天我们使用R语言来绘制上图这样一个表格，继续使

我解释一下变量名：dyad是ID标识的意思，background：表明来自哪个国家，months：月份，只有10，11，12共3个月，gesture手势的类型，count：手势的计数，这个是 结局变量。既往已经有文章《R语言进行泊松回归》初步的介绍了泊松回归，本期介绍下如何使用tidygam包来优雅的进行泊松回归，tidygam包主要是通过mgcv包来进行分析，通过对tidygam包对mgcv包的

今天咱们来介绍一下一篇5分的潜轨迹文章+随机森林charls文章复现，文章的名字叫Predictive analysis of bullying victimization trajectory in a Chinese early adolescent cohort based on machine learning（基于机器学习的中国青少年早期队列欺凌受害轨迹预测分析）

这是一篇去年的比较新的文章，我查了下大概8.5分，文章大概就是介绍一种指数，叫做：甘油三酯葡萄糖-腰身高比指数（cumulative_TyG_WHtR），研究甘油三酯葡萄糖-腰身高比指数和新发心血管疾病的关系，作者搞了个K值聚类分析来把cumulative_TyG_WHtR指数分类，研究分类后指标和心血管疾病关系，这样类似的指数还有很多，比如TYG，WHtR，TyG_WHtR，目前这是一个发文的方