rcs亚组分析以及相应交互作用如何计算？
小编起初也没在意，在rcssci包设计之初考虑过亚组问题，当时觉得再加上背景双色直方条看起来会很花里胡哨，简单来说可以基于分层数据集分别跑一次代码rcssci。随着若干小伙伴分享的文献，小编发现rms包中group分组与分层数据集结果居然是不一样的！另外交互作用，即使是统一用的是相乘交互作用，但是构图、计算、表达仍然有各种套路。小编于是深入研究了一下，结果并不是这么容易啊，一研究就耗时2周。心得总结如下，觉得好小伙伴们记得点赞和转发哦。
小伙伴在群里面以及推送了一些公众号文章给小编， rms包自带了group参数，天桥老师的ggrcs包原理也是直接引用了rms的group参数。起初，小编也是直接跑rms代码直接添加group参数，但是用着用着就发现不对劲，用ggrcs跑还是不对劲。 原因在于：group参数的分组rcs曲线，是以group0组中位数为参照点产生的相对效应量曲线。 翻阅高分文献，rcs亚组图均不呈现为此图形。仔细看文献的统计方法描述部分，大多详细记录了分层/分亚组分析，也就是小编默认的subset分数据集后操作。下列是几篇高分文献，可嵌套rcssci的ols、logistic、cox、人年发病率模块。 文献中绝大部分并未详细描写究竟是a*b 还是 a*rcs(b)的交互，记录清楚的都是ab。也就是在glm模型中直接计算主效应+ 相乘交互项a*b，判断是否存在相乘交互。 而在harrel大神的《Regression Modeling Strategies》书中案例是a*rcs(b)。小编计算过后发现二者统计p值相距甚远。小编理解为a*rcs(b)交互会产生rcs经过knot转化平滑曲线后的线性相乘交互、非线性相乘交互2种。但是，解释起来会比直接a*b难。由于a*rcs(b)并未推广，且与ab主流交互项存在矛盾，故小编依然遵从文献主流的a*b进行后续分析。 正确的rcs亚组曲线，当变量多的时候可以先计算a*b相乘交互项，有意义的再后续分亚组逐步绘制，当然也可以直接全部跑一边亚组然后一起呈现。注意：千万别再直接用rms包或ggrcs包的group参数跑rcs亚组图！上图的案例已经详细测试了差异。要是不会将2条曲线绘在一幅图，可以用subset函数提取亚组数据集后，在使用rcssci包函数分别绘制。 以rcs_cox.group函数为例，可以与rcs_cox.prob等类似，一键输出分亚组曲线，亚组overall、nonlinear、interaction P值。是不是很nice？ 亚组rcs曲线，请用subset提取数据集后手绘，或者rcssci包一键出图。 rcs交互目前全是相乘交互，暂无相加。一、rcs亚组
二、rcs交互作用
三、正确rcs亚组曲线流程
四、rcs亚组曲线rcssci包展示
小结
