下面使用 Rrms包使用普通最小二乘建模，并在默认节点位置使用 4 个节点的受限三次样条平滑地建模非线性效应。这将为每个治疗组总共 3 个参数生成一个线性分量和 2 个非线性分量。

require(rms)
dd <- datadist(mydata); options(datadist='dd')  # facilitates plotting
f <- ols(B ~ rcs(S, 4) * T, data=mydata)
anova(f)    # tests for interaction (shape differences across T, 3 d.f.)
            # anova includes a test for nonlinear interaction
            # also provides a global test for T, 4 d.f.
plot(Predict(f, S, T))   # shows 2 estimated curves for 2 values of T
ggplot(Predict(f, S, T))  # will be in next release; uses ggplot2

这些图包括 0.95 个逐点置信带。可以选择使用同时置信带。

因为我在其他地方看到了“ols”，所以我忽略了响应变量是分类的。要拟合逻辑回归模型而不是 ols 模型，请替换lrm( )为ols( ). 不需要其他代码更改。您可以使用summary(f, ...)获取 T 或 S 的优势比。默认情况下，S 的优势比将是 S 在 T 的参考（最频繁）水平上的四分位间距效应。

这正是几年前我从 Stata 切换到 R 和 Frank 的 rms 包（当时称为 Design）的原因。

无论如何，这个有点hack-ish的代码至少会让你开始。语法有点过时，可能有更好的方法来编码（有一段时间没有使用Stata），但它就在这里

编辑：在我早上喝咖啡后重新写...

*** use automobile data
sysuse auto 

*** create restricted cubic spline basis functions for mpg, with four knots
mkspline mpgsp = mpg, cubic nknots(4) 

*** create the interactions
gen formpg1=foreign*mpgsp1
gen formpg2=foreign*mpgsp2
gen formpg3=foreign*mpgsp3

*** Regressing price on foreign and mpg allowing for non-linear interactions
xi: reg price i.foreign mpgsp* formpg* 

测试总交互

test formpg1 formpg2 formpg3 

省略任何非线性交互项测试的第一项，例如

test formpg2 formpg3

要获得 的全局 4 df 测试T，在这个例子中是外来的，弗兰克在上面的例子中提到

test _Iforeign_1 formpg1 formpg2 formpg3

只需更改reg为logit逻辑回归即可。要绘制结果，您需要形成线性预测器，例如使用predictnl，我从来没有设法做对。

有关一些想法，请参阅 Patrick Royston 最近在http://www.stata.com/meeting/germany12/abstracts/desug12_royston.pdf上的演讲。

希望这可以帮助。

您是否考虑过使用广义加法模型？ 维基百科链接在这里

基本上模型是

或在您的特定情况下

library(mgcv)
m = gam(B~te(S,T),family=binomial)

这将为您提供两个变量的非参数交互。如果您想从交互效果中分离出主要效果，您可以等效地拟合

m = gam(B~ti(S)+ti(T)+ti(S,T),family=binomial)

plot(m,pages=1, scheme=2)然后，您可以通过（我更喜欢等高线图，我自己）查看估计交互的等高线图，或者您可以使用该vis.gam函数查看预测值。

或者，如果您的治疗T是二元的，您可能适合

m = gam(B~s(S,by=as.factor(T)),family=binomial)

所有这一切的教科书都是与 R 包一起制作的，这里是Simon Wood 的。

您还需要检查?te,?ti等。

您可以通过证明非线性模型更适合来争论非线性效应。例如，您可以实施分段线性模型以考虑 S 影响的变化。根据您的假设，您还可以线性化您的因素。例如，因子的对数变换可能会减少残差。这可以用来论证因子和响应之间的关系不是线性的，因为转换后的变量拟合得更好。我希望这会有所帮助。