以logistic_step.sav數(shù)據(jù)集(下載鏈接，提取碼：gmqb)為例，其中變量解釋如下：

以low為因變量，smoke和ht為自變量；研究smoke和ht對(duì)low作用的交互作用。

方法一 使用SPSS聯(lián)合EXCEL計(jì)算相加效應(yīng)指標(biāo)

1. 先使用SPSS對(duì)low~smoke+ht+smoke:low進(jìn)行l(wèi)ogistics回歸。

結(jié)果如下：

可以得到：①smoke*ht的相乘交互作用無(wú)統(tǒng)計(jì)學(xué)差異（p = 0.605）;②smoke、ht和smoke:ht對(duì)應(yīng)的回歸系數(shù)(Regr. coefficients)分別為0.758、1.488和-0.640。從而可知β10=0.758，β01=1.488，β11=0.758+1.488+(-0.640)=1.606。

2. 編輯和運(yùn)行SPSS語(yǔ)句

?????? 鍵入如下語(yǔ)句(下載鏈接，提取碼：x1nk)，并運(yùn)行。

?????? 得到協(xié)方差矩陣：

3. 使用Andersson等編制的EXCEL計(jì)算工具(下載鏈接，提取碼：oz5y)。

將β10=0.758，β01=1.488，β11=1.606和協(xié)方差矩陣中紅框中數(shù)字填入EXCEL表格中相應(yīng)位置。如下，

可自動(dòng)計(jì)算出ORsmoke、ORht、ORsmoke&ht及RERI、AP和S參數(shù)的點(diǎn)估計(jì)值及其可信區(qū)間。如下，

方法二 使用R函數(shù)計(jì)算相加效應(yīng)指標(biāo)

語(yǔ)法如下：

library(haven) #加載haven包#

mydata <-?read_sav('logistic_step.sav') #使用read_sav函數(shù)讀入文件#

View(mydata)

fit <-?glm(low~smoke*ht, family = binomial(), data = mydata) #使用glm函數(shù)構(gòu)建logistics回歸模型

summary(fit) #得到smoke、ht和smoke:ht對(duì)應(yīng)的回歸系數(shù)(Regr. coefficients)，結(jié)果與SPSS計(jì)算的一致#

#讀入additive_interactions函數(shù)(下載鏈接，提取碼：d1xu)

additive_interactions(fit) #結(jié)果如下