1. 回归分析输出与交互作用从 summary 到可交付结果R 语言做回归分析最让人头疼的不是拟合本身而是拟合完之后那一堆输出怎么读、怎么整理、怎么验证。summary()打印出来的系数表只是冰山一角真正要交付给合作者或写进论文的是 OR/RR/HR 加 95% 置信区间、P 值以及交互作用项在相乘尺度和相加尺度上的完整结论。这篇内容面向用 R 做统计建模的数据分析者把lm/glm/coxph的拟合、交互项写法、anova与emmeans对比、诊断图代码串成一条可复制的流程同时演示怎么通过 TaoToken 统一 Key 调用模型来辅助解读输出最后附上验证动作和结果核对清单。先说清楚这篇能帮你解决什么。第一summary()输出里 Estimate、Std. Error、z value、Pr(|z|) 各列到底对应什么交互项系数怎么翻译成人话。第二相乘交互作用和相加交互作用的区别RERI、AP、S 三个指标怎么算、怎么判读。第三模型诊断图怎么看哪些图异常说明模型设定有问题。第四怎么用统一的 API 通道让模型帮你检查输出解读是否合理避免自己看走眼。适合已经会写glm(y ~ x, family binomial)但输出整理和交互作用判读还不太有把握的人。我试过把一整套回归流程拆成「拟合 → 整理 → 交互 → 诊断 → 复核」五步每一步都有对应的代码和检查点。下面按这个顺序展开你可以直接复制到 RStudio 里跑。2. TaoToken 前置统一 Key 与 API 通道准备在开始写回归代码之前先把模型辅助解读的通道准备好。TaoToken 提供统一的 API 入口一个 Key 可以走多个模型省得每个模型单独申请、单独记 Key。官网地址是 https://taotoken.net/?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_content API 根地址是 https://taotoken.net/api 注意 API 地址后面不加 UTM 参数。你需要做三件事拿到 Key、确认 Base URL、选定 Model ID。这三件套在后面的配置里会反复出现缺一个都调不通。第一步打开控制台创建 API Key。控制台入口在 https://taotoken.net/console?utm_sourcetaotoken_aicg_blog_endutm_contentconsoleutm_campaignrewrite 登录后在 API Keys 页面新建一个 Key复制保存。Key 一般以固定前缀开头形如sk-...只显示一次丢了只能重建。第二步确认 Base URL。所有请求都发到https://taotoken.net/api后面接各家模型的标准路径。比如对话补全走/v1/chat/completions模型列表走/v1/models。这个 Base URL 是统一的不需要为不同模型换地址。第三步选定 Model ID。模型对话页面在 https://taotoken.net/models?utm_sourcetaotoken_aicg_blog_endutm_contentmodelsutm_campaignrewrite 里面列出了当前可用的模型标识。做回归输出解读这种文本理解任务选一个上下文够长、中文表达顺的模型即可。把 Model ID 记下来比如claude-sonnet-4-5这类标识配置时原样填入。如果你打算长期做编码和 Agent 类任务可以看下 Coding Planhttps://taotoken.net/coding-plan?utm_sourcetaotoken_aicg_blog_endutm_contentcoding-planutm_campaignrewrite 。接入文档在 https://taotoken.net/doc?utm_sourcetaotoken_aicg_blog_endutm_contentdocutm_campaignrewrite 里面有各语言 SDK 的调用示例。API Keys 管理页在 https://taotoken.net/api-keys?utm_sourcetaotoken_aicg_blog_endutm_contentapi-keysutm_campaignrewrite 。准备好这三件套之后先做一次最小连通性验证。用 curl 发一个最简单的请求确认 Key 和 Base URL 没问题curl https://taotoken.net/api/v1/chat/completions \ -H Content-Type: application/json \ -H Authorization: Bearer $TAOTOKEN_API_KEY \ -d { model: claude-sonnet-4-5, messages: [ {role: user, content: 用一句话解释逻辑回归中交互项系数的含义} ] }把$TAOTOKEN_API_KEY换成你自己的 Keymodel换成你选定的 Model ID。返回 JSON 里choices[0].message.content就是模型回复。如果返回 401说明 Key 不对或没带上如果返回 model not found说明 Model ID 写错了。这一步通了后面在 R 里调用就顺了。在 R 里调用可以用httr2包比 base R 的url()干净很多。先装包install.packages(c(httr2, jsonlite))然后封装一个函数把回归输出发给模型解读library(httr2) library(jsonlite) ask_model - function(prompt, model claude-sonnet-4-5) { key - Sys.getenv(TAOTOKEN_API_KEY) req - request(https://taotoken.net/api/v1/chat/completions) | req_headers( Content-Type application/json, Authorization paste(Bearer, key) ) | req_body_json(list( model model, messages list(list(role user, content prompt)) )) resp - req_perform(req) body - resp_body_json(resp) body$choices[[1]]$message$content }把 Key 写进环境变量别硬编码在脚本里。在.Renviron里加一行TAOTOKEN_API_KEYsk-你的key重启 R 会话生效。这样脚本可以分享给别人Key 不会泄露。3. 可复制配置lm/glm 拟合、交互项与结果整理这一节是核心把拟合、交互项写法、结果整理、诊断图全部串起来。先造一份模拟数据保证你能直接跑set.seed(42) n - 400 adl1 - data.frame( outcome rbinom(n, 1, 0.4), x1 factor(sample(c(0, 1, 2), n, replace TRUE)), x2 factor(sample(c(low, high), n, replace TRUE)), age round(rnorm(n, 55, 10)), gender factor(sample(c(M, F), n, replace TRUE)) )3.1 glm 拟合与 summary 输出解读先拟合一个 logistic 回归带一个交互项fit1 - glm(outcome ~ x1 * x2 age gender, data adl1, family binomial()) summary(fit1)summary()输出里Coefficients表的每一行是一个系数。(Intercept)是参照组的对数几率。x11、x12是 x1 相对参照水平0的系数。x2high是 x2 相对low的系数。x11:x2high和x12:x2high就是交互项系数表示 x1 和 x2 同时存在时比两者单独效应之和多出来的部分在对数几率尺度上。Estimate是对数几率取exp()得到 OR。Std. Error是标准误z value是 Estimate 除以 Std. ErrorPr(|z|)是 Wald 检验的 P 值。交互项 P 值小于 0.05说明相乘尺度上存在交互作用。3.2 用 broom 把结果整理成 data.framesummary()打印好看但不好导出。用broom::tidy()转成数据框install.packages(c(broom, dplyr)) library(broom) library(dplyr) tidy(fit1) glance(fit1)tidy()输出 term、estimate、std.error、statistic、p.value 五列。glance()输出模型整体指标比如 AIC、BIC、deviance、df.residual。要 OR 和 95% CI自己算res - tidy(fit1, conf.int TRUE, exponentiate TRUE) | mutate( or_ci sprintf(%.2f (%.2f~%.2f), estimate, conf.low, conf.high), p_fmt format.pval(p.value, digits 3, eps 0.001) ) | select(term, or_ci, p_fmt) resexponentiate TRUE直接把 estimate 转成 ORconf.int TRUE给出置信区间。这样一行代码就得到可交付的表格。3.3 交互项的两种写法与 anova 对比交互项有两种写法含义不同。x1 * x2展开为x1 x2 x1:x2包含主效应和交互项。x1:x2只包含交互项不包含主效应。做模型比较时用anova()fit_main - glm(outcome ~ x1 x2 age gender, data adl1, family binomial()) fit_inter - glm(outcome ~ x1 * x2 age gender, data adl1, family binomial()) anova(fit_main, fit_inter, test Chisq)anova()输出两个模型的偏差Deviance之差和对应的卡方检验 P 值。P 值小于 0.05说明加入交互项显著改善了模型拟合交互作用有统计学意义。注意anova()对 glm 做的是偏差分析不是方差分析test Chisq指定卡方检验。3.4 emmeans 做交互作用的边际均值对比anova()告诉你交互项整体显著但具体哪个水平组合有差异要用emmeansinstall.packages(emmeans) library(emmeans) emm - emmeans(fit_inter, ~ x1 | x2, type response) emm pairs(emm)emmeans(fit_inter, ~ x1 | x2)表示在 x2 的每个水平内比较 x1 的各水平。type response把结果转回概率尺度。pairs()给出两两对比的估计值、标准误和 P 值。这样你能说清楚「在 x2high 时x11 比 x10 的 OR 是多少」而不是只报一个交互项系数。3.5 相加交互作用RERI、AP、S 计算相乘交互作用看回归系数相加交互作用要看 RERI、AP、S 三个指标。用epiR包install.packages(epiR) library(epiR) a1 - epi.interaction(model fit_inter, coef c(2, 3, 4), type RERI, param dummy, conf.level 0.95) a2 - epi.interaction(model fit_inter, coef c(2, 3, 4), type APAB, param dummy, conf.level 0.95) a3 - epi.interaction(model fit_inter, coef c(2, 3, 4), type S, param dummy, conf.level 0.95) rbind(a1, a2, a3)coef c(2, 3, 4)指定交互项涉及的两个主效应和交互项在系数向量中的位置。param dummy表示自变量是哑变量编码。判读规则RERI 和 AP 的 95% CI 不包含 0S 的 95% CI 不包含 1说明相加交互作用有统计学意义。RERI 反映归因交互作用引起的相对危险度AP 反映总效应中归因于交互作用的比例S 反映共同存在时的效应与独立效应之和的比值。注意 AP 和 S 是比值形式计算置信区间时要先取对数再取幂。epiR已经帮你处理了这一步直接看输出即可。如果变量是多分类epiR的epi.interaction可能用不了需要手动构造对比矩阵或改用其他方法。3.6 模型诊断图代码拟合完必须看诊断图否则系数再漂亮也可能不可信par(mfrow c(2, 2)) plot(fit_inter) par(mfrow c(1, 1))四张图分别是Residuals vs Fitted 看线性假设和同方差性Normal Q-Q 看残差正态性Scale-Location 看方差齐性Residuals vs Leverage 看影响点。logistic 回归的残差图判读和线性回归略有不同重点看有没有明显的弯曲趋势和离群点。如果 Q-Q 图两端偏离严重说明模型设定可能有问题考虑加二次项或换链接函数。还可以用car包做 VIF 检查多重共线性install.packages(car) library(car) vif(fit_inter)VIF 大于 5 或 10 说明共线性严重交互项和主效应之间容易共线这时候交互项系数会不稳定。3.7 用 TaoToken 辅助解读 summary 输出把summary(fit_inter)的输出转成文本发给模型让它帮你检查解读sink(summary_output.txt) summary(fit_inter) sink() txt - paste(readLines(summary_output.txt), collapse \n) prompt - paste0( 以下是一个 logistic 回归的 summary 输出请帮我\n, 1. 指出哪些是主效应、哪些是交互项\n, 2. 解释交互项系数的方向\n, 3. 提醒我判读时容易犯的错误。\n\n, txt ) cat(ask_model(prompt))模型会返回一段解读你可以对照自己的理解核对。注意模型只是辅助最终判读要以统计原理和领域知识为准。如果模型说的和你的理解不一致先查统计教材别直接信模型。4. 验证请求与成功结果核对配置和代码都跑通之后要做几项验证确认结果可信。第一项验证 API 通道。在 R 里跑ask_model(回复 OK)如果返回包含 OK 的文本说明 Key、Base URL、Model ID 三件套都对。如果报错对照第 5 节的排查表。第二项验证回归结果可复现。把set.seed(42)固定重新跑一遍拟合和tidy()结果应该完全一致。如果每次跑出来不一样检查有没有漏掉随机种子。第三项验证交互项判读。用anova(fit_main, fit_inter, test Chisq)的 P 值和summary(fit_inter)里交互项 P 值对照。两者应该方向一致如果anova显著但交互项系数不显著可能是多分类变量的多个交互项中只有部分显著需要看emmeans的两两对比。第四项验证相加交互作用。epi.interaction返回的 RERI、AP、S 三个指标检查置信区间是否包含 0 或 1。如果 RERI 的 CI 包含 0 但点估计不为 0说明可能存在相互抵消的相加交互作用不能简单下结论说不存在。第五项验证诊断图。plot(fit_inter)四张图都看一遍确认没有明显的模式或离群点。如果有记录下异常点的行号回到数据里检查。成功结果的核对清单检查项预期结果不通过时怎么办API 连通性返回含 OK 的文本查 Key、Base URL、Model ID拟合可复现两次 tidy 结果一致检查随机种子交互项显著anova P 0.05看 emmeans 两两对比RERI/AP CI不包含 0检查变量编码方向S CI不包含 1检查参照组设置诊断图无明显模式检查离群点、加二次项VIF小于 5考虑中心化或删变量5. 本篇常见报错排查这一节列出实际跑的时候最容易撞上的报错对照着改。401 Unauthorized。API 返回 401说明 Key 没带上或不对。检查Authorization头是不是Bearer sk-...格式中间有空格。检查环境变量TAOTOKEN_API_KEY有没有生效在 R 里跑Sys.getenv(TAOTOKEN_API_KEY)看返回是不是空字符串。如果是空说明.Renviron没写对或没重启 R。local proxy failed。这个报错通常出现在网络层说明请求没发出去。检查 Base URL 是不是https://taotoken.net/api有没有多写或少写/v1。注意 API 地址不加 UTM 参数加了可能导致路径解析异常。如果公司网络有代理设置检查httr2有没有走系统代理。Error incontrasts-contrasts can be applied only to factors with 2 or more levels。这个报错说明某个因子变量只有一个水平。检查table(adl1$x1)如果某个水平计数为 0删掉或合并。交互项涉及的两个变量都要有至少两个水平。epi.interaction报错 coef 越界。coef参数指定的是系数在coef(fit)向量里的位置不是变量名。先跑names(coef(fit_inter))看顺序再填对应数字。如果交互项有多个位置要对应准确。emmeans报错 no variable named。检查公式里的变量名和emmeans里写的是否一致。emmeans(fit_inter, ~ x1 | x2)里的 x1、x2 必须是模型里出现过的变量名大小写敏感。reading choices 报错。解析 API 返回时body$choices为空说明返回结构不是预期的对话补全格式。打印resp_body_string(resp)看原始返回可能是模型名写错返回了错误信息或者请求体格式不对。检查messages是不是 list of list每个元素有role和content。OAuth 相关报错。如果你用的是需要 OAuth 的客户端检查 token 有没有过期。TaoToken 的 API Key 方式不需要 OAuth直接用 Bearer 头即可。如果客户端强制走 OAuth换成 API Key 模式。模型返回内容被截断。summary()输出较长时模型可能因为 max_tokens 限制截断。在请求体里加max_tokens参数比如max_tokens 2000。或者把 summary 输出拆成系数表和模型指标两部分分别发。vif报错 there are aliased coefficients。说明模型里有完全共线的变量通常是交互项和主效应完全重叠。检查是不是同时写了x1 * x2和x1:x2导致重复。只保留一种写法。6. 语义一致 CTA把回归流程接到统一通道回归分析本身在本地 R 里跑但输出解读、代码检查、报错排查这些环节用统一 API 通道会省很多事。TaoToken 的 Base URL 是 https://taotoken.net/api 一个 Key 走多个模型不用为每个模型单独配置。如果你主要做模型辅助解读和验证去 API Keys 页面拿 Keyhttps://taotoken.net/api-keys?utm_sourcetaotoken_aicg_blog_endutm_contentapi-keysutm_campaignrewrite 。接入文档里有 R 和 Python 的调用示例https://taotoken.net/doc?utm_sourcetaotoken_aicg_blog_endutm_contentdocutm_campaignrewrite 。想先试试模型对话效果去模型对话页面https://taotoken.net/models?utm_sourcetaotoken_aicg_blog_endutm_contentmodelsutm_campaignrewrite 。长期做编码和 Agent 类任务的话Coding Plan 更划算https://taotoken.net/coding-plan?utm_sourcetaotoken_aicg_blog_endutm_contentcoding-planutm_campaignrewrite 。控制台在 https://taotoken.net/console?utm_sourcetaotoken_aicg_blog_endutm_contentconsoleutm_campaignrewrite 。最后给一个实用技巧把ask_model函数和回归流程封装成一个 R script每次拟合完自动把 summary 发给模型检查返回的解读存到日志文件。这样你既保留了本地计算的确定性又多了个「第二双眼睛」帮你核对输出。跑回归最怕的就是系数看反、参照组搞错、交互项方向理解错让模型帮你过一遍能挡掉不少低级错误。 
长河君 · 2026/10/18 22:27:29 · 阅读 1.2k R学习 / 回归分析的输出及交互作用的计算：用TaoToken统一Key跑通模型诊断与交互项验证
1. 回归分析输出与交互作用从 summary 到可交付结果R 语言做回归分析最让人头疼的不是拟合本身而是拟合完之后那一堆输出怎么读、怎么整理、怎么验证。summary()打印出来的系数表只是冰山一角真正要交付给合作者或写进论文的是 OR/RR/HR 加 95% 置信区间、P 值以及交互作用项在相乘尺度和相加尺度上的完整结论。这篇内容面向用 R 做统计建模的数据分析者把lm/glm/coxph的拟合、交互项写法、anova与emmeans对比、诊断图代码串成一条可复制的流程同时演示怎么通过 TaoToken 统一 Key 调用模型来辅助解读输出最后附上验证动作和结果核对清单。先说清楚这篇能帮你解决什么。第一summary()输出里 Estimate、Std. Error、z value、Pr(|z|) 各列到底对应什么交互项系数怎么翻译成人话。第二相乘交互作用和相加交互作用的区别RERI、AP、S 三个指标怎么算、怎么判读。第三模型诊断图怎么看哪些图异常说明模型设定有问题。第四怎么用统一的 API 通道让模型帮你检查输出解读是否合理避免自己看走眼。适合已经会写glm(y ~ x, family binomial)但输出整理和交互作用判读还不太有把握的人。我试过把一整套回归流程拆成「拟合 → 整理 → 交互 → 诊断 → 复核」五步每一步都有对应的代码和检查点。下面按这个顺序展开你可以直接复制到 RStudio 里跑。2. TaoToken 前置统一 Key 与 API 通道准备在开始写回归代码之前先把模型辅助解读的通道准备好。TaoToken 提供统一的 API 入口一个 Key 可以走多个模型省得每个模型单独申请、单独记 Key。官网地址是 https://taotoken.net/?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_content API 根地址是 https://taotoken.net/api 注意 API 地址后面不加 UTM 参数。你需要做三件事拿到 Key、确认 Base URL、选定 Model ID。这三件套在后面的配置里会反复出现缺一个都调不通。第一步打开控制台创建 API Key。控制台入口在 https://taotoken.net/console?utm_sourcetaotoken_aicg_blog_endutm_contentconsoleutm_campaignrewrite 登录后在 API Keys 页面新建一个 Key复制保存。Key 一般以固定前缀开头形如sk-...只显示一次丢了只能重建。第二步确认 Base URL。所有请求都发到https://taotoken.net/api后面接各家模型的标准路径。比如对话补全走/v1/chat/completions模型列表走/v1/models。这个 Base URL 是统一的不需要为不同模型换地址。第三步选定 Model ID。模型对话页面在 https://taotoken.net/models?utm_sourcetaotoken_aicg_blog_endutm_contentmodelsutm_campaignrewrite 里面列出了当前可用的模型标识。做回归输出解读这种文本理解任务选一个上下文够长、中文表达顺的模型即可。把 Model ID 记下来比如claude-sonnet-4-5这类标识配置时原样填入。如果你打算长期做编码和 Agent 类任务可以看下 Coding Planhttps://taotoken.net/coding-plan?utm_sourcetaotoken_aicg_blog_endutm_contentcoding-planutm_campaignrewrite 。接入文档在 https://taotoken.net/doc?utm_sourcetaotoken_aicg_blog_endutm_contentdocutm_campaignrewrite 里面有各语言 SDK 的调用示例。API Keys 管理页在 https://taotoken.net/api-keys?utm_sourcetaotoken_aicg_blog_endutm_contentapi-keysutm_campaignrewrite 。准备好这三件套之后先做一次最小连通性验证。用 curl 发一个最简单的请求确认 Key 和 Base URL 没问题curl https://taotoken.net/api/v1/chat/completions \ -H Content-Type: application/json \ -H Authorization: Bearer $TAOTOKEN_API_KEY \ -d { model: claude-sonnet-4-5, messages: [ {role: user, content: 用一句话解释逻辑回归中交互项系数的含义} ] }把$TAOTOKEN_API_KEY换成你自己的 Keymodel换成你选定的 Model ID。返回 JSON 里choices[0].message.content就是模型回复。如果返回 401说明 Key 不对或没带上如果返回 model not found说明 Model ID 写错了。这一步通了后面在 R 里调用就顺了。在 R 里调用可以用httr2包比 base R 的url()干净很多。先装包install.packages(c(httr2, jsonlite))然后封装一个函数把回归输出发给模型解读library(httr2) library(jsonlite) ask_model - function(prompt, model claude-sonnet-4-5) { key - Sys.getenv(TAOTOKEN_API_KEY) req - request(https://taotoken.net/api/v1/chat/completions) | req_headers( Content-Type application/json, Authorization paste(Bearer, key) ) | req_body_json(list( model model, messages list(list(role user, content prompt)) )) resp - req_perform(req) body - resp_body_json(resp) body$choices[[1]]$message$content }把 Key 写进环境变量别硬编码在脚本里。在.Renviron里加一行TAOTOKEN_API_KEYsk-你的key重启 R 会话生效。这样脚本可以分享给别人Key 不会泄露。3. 可复制配置lm/glm 拟合、交互项与结果整理这一节是核心把拟合、交互项写法、结果整理、诊断图全部串起来。先造一份模拟数据保证你能直接跑set.seed(42) n - 400 adl1 - data.frame( outcome rbinom(n, 1, 0.4), x1 factor(sample(c(0, 1, 2), n, replace TRUE)), x2 factor(sample(c(low, high), n, replace TRUE)), age round(rnorm(n, 55, 10)), gender factor(sample(c(M, F), n, replace TRUE)) )3.1 glm 拟合与 summary 输出解读先拟合一个 logistic 回归带一个交互项fit1 - glm(outcome ~ x1 * x2 age gender, data adl1, family binomial()) summary(fit1)summary()输出里Coefficients表的每一行是一个系数。(Intercept)是参照组的对数几率。x11、x12是 x1 相对参照水平0的系数。x2high是 x2 相对low的系数。x11:x2high和x12:x2high就是交互项系数表示 x1 和 x2 同时存在时比两者单独效应之和多出来的部分在对数几率尺度上。Estimate是对数几率取exp()得到 OR。Std. Error是标准误z value是 Estimate 除以 Std. ErrorPr(|z|)是 Wald 检验的 P 值。交互项 P 值小于 0.05说明相乘尺度上存在交互作用。3.2 用 broom 把结果整理成 data.framesummary()打印好看但不好导出。用broom::tidy()转成数据框install.packages(c(broom, dplyr)) library(broom) library(dplyr) tidy(fit1) glance(fit1)tidy()输出 term、estimate、std.error、statistic、p.value 五列。glance()输出模型整体指标比如 AIC、BIC、deviance、df.residual。要 OR 和 95% CI自己算res - tidy(fit1, conf.int TRUE, exponentiate TRUE) | mutate( or_ci sprintf(%.2f (%.2f~%.2f), estimate, conf.low, conf.high), p_fmt format.pval(p.value, digits 3, eps 0.001) ) | select(term, or_ci, p_fmt) resexponentiate TRUE直接把 estimate 转成 ORconf.int TRUE给出置信区间。这样一行代码就得到可交付的表格。3.3 交互项的两种写法与 anova 对比交互项有两种写法含义不同。x1 * x2展开为x1 x2 x1:x2包含主效应和交互项。x1:x2只包含交互项不包含主效应。做模型比较时用anova()fit_main - glm(outcome ~ x1 x2 age gender, data adl1, family binomial()) fit_inter - glm(outcome ~ x1 * x2 age gender, data adl1, family binomial()) anova(fit_main, fit_inter, test Chisq)anova()输出两个模型的偏差Deviance之差和对应的卡方检验 P 值。P 值小于 0.05说明加入交互项显著改善了模型拟合交互作用有统计学意义。注意anova()对 glm 做的是偏差分析不是方差分析test Chisq指定卡方检验。3.4 emmeans 做交互作用的边际均值对比anova()告诉你交互项整体显著但具体哪个水平组合有差异要用emmeansinstall.packages(emmeans) library(emmeans) emm - emmeans(fit_inter, ~ x1 | x2, type response) emm pairs(emm)emmeans(fit_inter, ~ x1 | x2)表示在 x2 的每个水平内比较 x1 的各水平。type response把结果转回概率尺度。pairs()给出两两对比的估计值、标准误和 P 值。这样你能说清楚「在 x2high 时x11 比 x10 的 OR 是多少」而不是只报一个交互项系数。3.5 相加交互作用RERI、AP、S 计算相乘交互作用看回归系数相加交互作用要看 RERI、AP、S 三个指标。用epiR包install.packages(epiR) library(epiR) a1 - epi.interaction(model fit_inter, coef c(2, 3, 4), type RERI, param dummy, conf.level 0.95) a2 - epi.interaction(model fit_inter, coef c(2, 3, 4), type APAB, param dummy, conf.level 0.95) a3 - epi.interaction(model fit_inter, coef c(2, 3, 4), type S, param dummy, conf.level 0.95) rbind(a1, a2, a3)coef c(2, 3, 4)指定交互项涉及的两个主效应和交互项在系数向量中的位置。param dummy表示自变量是哑变量编码。判读规则RERI 和 AP 的 95% CI 不包含 0S 的 95% CI 不包含 1说明相加交互作用有统计学意义。RERI 反映归因交互作用引起的相对危险度AP 反映总效应中归因于交互作用的比例S 反映共同存在时的效应与独立效应之和的比值。注意 AP 和 S 是比值形式计算置信区间时要先取对数再取幂。epiR已经帮你处理了这一步直接看输出即可。如果变量是多分类epiR的epi.interaction可能用不了需要手动构造对比矩阵或改用其他方法。3.6 模型诊断图代码拟合完必须看诊断图否则系数再漂亮也可能不可信par(mfrow c(2, 2)) plot(fit_inter) par(mfrow c(1, 1))四张图分别是Residuals vs Fitted 看线性假设和同方差性Normal Q-Q 看残差正态性Scale-Location 看方差齐性Residuals vs Leverage 看影响点。logistic 回归的残差图判读和线性回归略有不同重点看有没有明显的弯曲趋势和离群点。如果 Q-Q 图两端偏离严重说明模型设定可能有问题考虑加二次项或换链接函数。还可以用car包做 VIF 检查多重共线性install.packages(car) library(car) vif(fit_inter)VIF 大于 5 或 10 说明共线性严重交互项和主效应之间容易共线这时候交互项系数会不稳定。3.7 用 TaoToken 辅助解读 summary 输出把summary(fit_inter)的输出转成文本发给模型让它帮你检查解读sink(summary_output.txt) summary(fit_inter) sink() txt - paste(readLines(summary_output.txt), collapse \n) prompt - paste0( 以下是一个 logistic 回归的 summary 输出请帮我\n, 1. 指出哪些是主效应、哪些是交互项\n, 2. 解释交互项系数的方向\n, 3. 提醒我判读时容易犯的错误。\n\n, txt ) cat(ask_model(prompt))模型会返回一段解读你可以对照自己的理解核对。注意模型只是辅助最终判读要以统计原理和领域知识为准。如果模型说的和你的理解不一致先查统计教材别直接信模型。4. 验证请求与成功结果核对配置和代码都跑通之后要做几项验证确认结果可信。第一项验证 API 通道。在 R 里跑ask_model(回复 OK)如果返回包含 OK 的文本说明 Key、Base URL、Model ID 三件套都对。如果报错对照第 5 节的排查表。第二项验证回归结果可复现。把set.seed(42)固定重新跑一遍拟合和tidy()结果应该完全一致。如果每次跑出来不一样检查有没有漏掉随机种子。第三项验证交互项判读。用anova(fit_main, fit_inter, test Chisq)的 P 值和summary(fit_inter)里交互项 P 值对照。两者应该方向一致如果anova显著但交互项系数不显著可能是多分类变量的多个交互项中只有部分显著需要看emmeans的两两对比。第四项验证相加交互作用。epi.interaction返回的 RERI、AP、S 三个指标检查置信区间是否包含 0 或 1。如果 RERI 的 CI 包含 0 但点估计不为 0说明可能存在相互抵消的相加交互作用不能简单下结论说不存在。第五项验证诊断图。plot(fit_inter)四张图都看一遍确认没有明显的模式或离群点。如果有记录下异常点的行号回到数据里检查。成功结果的核对清单检查项预期结果不通过时怎么办API 连通性返回含 OK 的文本查 Key、Base URL、Model ID拟合可复现两次 tidy 结果一致检查随机种子交互项显著anova P 0.05看 emmeans 两两对比RERI/AP CI不包含 0检查变量编码方向S CI不包含 1检查参照组设置诊断图无明显模式检查离群点、加二次项VIF小于 5考虑中心化或删变量5. 本篇常见报错排查这一节列出实际跑的时候最容易撞上的报错对照着改。401 Unauthorized。API 返回 401说明 Key 没带上或不对。检查Authorization头是不是Bearer sk-...格式中间有空格。检查环境变量TAOTOKEN_API_KEY有没有生效在 R 里跑Sys.getenv(TAOTOKEN_API_KEY)看返回是不是空字符串。如果是空说明.Renviron没写对或没重启 R。local proxy failed。这个报错通常出现在网络层说明请求没发出去。检查 Base URL 是不是https://taotoken.net/api有没有多写或少写/v1。注意 API 地址不加 UTM 参数加了可能导致路径解析异常。如果公司网络有代理设置检查httr2有没有走系统代理。Error incontrasts-contrasts can be applied only to factors with 2 or more levels。这个报错说明某个因子变量只有一个水平。检查table(adl1$x1)如果某个水平计数为 0删掉或合并。交互项涉及的两个变量都要有至少两个水平。epi.interaction报错 coef 越界。coef参数指定的是系数在coef(fit)向量里的位置不是变量名。先跑names(coef(fit_inter))看顺序再填对应数字。如果交互项有多个位置要对应准确。emmeans报错 no variable named。检查公式里的变量名和emmeans里写的是否一致。emmeans(fit_inter, ~ x1 | x2)里的 x1、x2 必须是模型里出现过的变量名大小写敏感。reading choices 报错。解析 API 返回时body$choices为空说明返回结构不是预期的对话补全格式。打印resp_body_string(resp)看原始返回可能是模型名写错返回了错误信息或者请求体格式不对。检查messages是不是 list of list每个元素有role和content。OAuth 相关报错。如果你用的是需要 OAuth 的客户端检查 token 有没有过期。TaoToken 的 API Key 方式不需要 OAuth直接用 Bearer 头即可。如果客户端强制走 OAuth换成 API Key 模式。模型返回内容被截断。summary()输出较长时模型可能因为 max_tokens 限制截断。在请求体里加max_tokens参数比如max_tokens 2000。或者把 summary 输出拆成系数表和模型指标两部分分别发。vif报错 there are aliased coefficients。说明模型里有完全共线的变量通常是交互项和主效应完全重叠。检查是不是同时写了x1 * x2和x1:x2导致重复。只保留一种写法。6. 语义一致 CTA把回归流程接到统一通道回归分析本身在本地 R 里跑但输出解读、代码检查、报错排查这些环节用统一 API 通道会省很多事。TaoToken 的 Base URL 是 https://taotoken.net/api 一个 Key 走多个模型不用为每个模型单独配置。如果你主要做模型辅助解读和验证去 API Keys 页面拿 Keyhttps://taotoken.net/api-keys?utm_sourcetaotoken_aicg_blog_endutm_contentapi-keysutm_campaignrewrite 。接入文档里有 R 和 Python 的调用示例https://taotoken.net/doc?utm_sourcetaotoken_aicg_blog_endutm_contentdocutm_campaignrewrite 。想先试试模型对话效果去模型对话页面https://taotoken.net/models?utm_sourcetaotoken_aicg_blog_endutm_contentmodelsutm_campaignrewrite 。长期做编码和 Agent 类任务的话Coding Plan 更划算https://taotoken.net/coding-plan?utm_sourcetaotoken_aicg_blog_endutm_contentcoding-planutm_campaignrewrite 。控制台在 https://taotoken.net/console?utm_sourcetaotoken_aicg_blog_endutm_contentconsoleutm_campaignrewrite 。最后给一个实用技巧把ask_model函数和回归流程封装成一个 R script每次拟合完自动把 summary 发给模型检查返回的解读存到日志文件。这样你既保留了本地计算的确定性又多了个「第二双眼睛」帮你核对输出。跑回归最怕的就是系数看反、参照组搞错、交互项方向理解错让模型帮你过一遍能挡掉不少低级错误。