合肥网站建设网站制作销售渠道及方式

最近不少人私信我，说有些SCI文章报了两个P值一个是P for overall,一个是P for nonlinear,就像下图这样，问我P for overall怎么计算。

P for overall我也不清楚是什么，有些博主说这个是总效应的P值，但是我没有找到相关出处。但是怎么做出来这个P for overall我是清楚的，有个R包叫plotRCS，这个包是可以生成出P for overall这个结果的，我就以这个包的方法来演示一下怎么做P for overall。

library(plotRCS)
bc<-cancer

这个是plotRCS包自带的癌症的生存数据，age是年龄，sex是性别，race是种族，size是肿瘤大小，status是生存结局。
plotRCS做P for overall是分成两种情况的，就是一个结局变量是连续变量和结局变量是二分类变量的。
咱们先来演示一下二分类变量的。
做限制立方样条（RCS）的步骤都是原来一样的。
逻辑回归：

library(rms)

转成分类变量

bc$sex<-as.factor(bc$sex)
bc$race<-as.factor(bc$race)

为后续程序设定数据环境

dd <- datadist(bc) #为后续程序设定数据环境
options(datadist='dd') #为后续程序设定数据环境

建立模型，我们这里要研究的变量是age年龄，

fit<-lrm(status ~ rcs(age, 4)+sex+race,data=bc)  

计算P for overal和P for nonlinear

out<-anova(fit)
out<-as.data.frame(out)

这样结果就出来来了，也是和作者R包算得一样

接下来来个线性回归，改一下结局变量就行

fit1<-ols(size ~ rcs(age, 4)+sex+race,data=bc)  

计算P for overal和P for nonlinear

out1<-anova(fit1)
out1<-as.data.frame(out1)

其实都差不多哈，就是写包的时候代码稍微有点不同，如果大家确实需要，ggrcs包改版后也可以加进去，这个很简单的。

文章到此结束啦，内容有点短，主要是最近有点头绪了，正在编写Nhanes数据，也就是复查加权数据的亚组交互效应函数（P for interaction），用于一键生成交互效应表，占用了部分时间,这个工程量稍微有点大，主要是分类变量的难写。