■　因子選びの手順、交互作用項の設定ヒント
　生起因子t、曝露の多い因子を知る記述はできた　mesi　steak は挙げることができたが、生起因子とできるだけ重複する因子を選び出す方がよいと思われた　これは、生起因子に対して抑制、阻止の効果が働いてみえるという経験とも一致する
　Rで記述；重複因子の数をカウントし、因子を決める記述
　交互作用項を設定するための図を考えた

■　生起、抑制因子
　

　　　　図　曝露数；度数　によるcRD 　 因子プロット

・RDの大きな、また曝露の大きな因子は、事例の大部分を説明するだろう
　曝露は小ながら鋭い抑制因子もみえる

■　生起因子と重複する因子を挙げ、IDを数える記述

      tsum<- NULL　　　　　　　　　　　　#　tと重複する因子と重複数計算する記述
   for ( i  in  1:27)   {  　　　　　　　　　　  #  1番目は yである
     va<- d[,i]
  　    sumk<- sum(0< vt *va )　　　　　　  #  vt は固定し、va；総当たり因子　とした
       tsum<- c( tsum,sumk)
   } 
t_sum<- rbind(colnames(d),tsum)　　　　　# カラムに因子名を付けてデータ保存　

・結果をみる　　
　　　　　　　tと重複する因子と そのID 数

　　

■　因子の限定
・mesi potesara steak が tのなかで多い　；重複が多い　
　単純に曝露が大だったmesi steak は、tとも重複が大で、ここでも挙げられた
　poteは、生起性があって選んだのだったが、ここでは重複も大な 因子として挙げられた

・3因子がカバーしなかった t因子ID数
　では、tのうち、これら3因子のいずれも重複しなかった数はどうか
　　　t 曝露 ID　かつ　｛　mが1でないかつpが1でないかつsteが1でない　｝
　　　＝　t 曝露 ID　かつ　｛(1-vm)*(1-vp)*(1-vste) 　｝
　　　sum(　vt　*(1-vm)*(1-vp)*(1-vste) )
    　　[1] 3 　
　t曝露ID 194 のうち、上の方法で残ったのは僅か3つであった　うちy=1は　1つ

■　交互作用項の組み方
　”もっともよいモデル”での交互作用項の組み立て方は、曝露大な因子と生起因子のつながりが多いことだった　関係図；下　実線
　図から、モデルに破線の交互作用がないことに気づく　その項を入れるとモデルが改良される   ：モデル②　
　

　　　　

　　　　図　選んだ因子の、交互作用項関係図　
　　　　　　　　　実線：kowsmsモデル　①
　　　　　　　　　破線：〃 改良モデル　 ②
　①　kowsms<-　lm(formula = y ~ wat + mesi + tam + potesara + steak + wat:mesi:tam +
　steak:tam + mesi:tam + mesi:tam:steak, data = d) 
      切片 -0.01514   Multiple R-squared: 0.12 　　　　
　②　kowsms<-　lm(formula = y ~ wat + mesi + tam + potesara + steak + wat:mesi:tam +
　steak:tam + mesi:tam + mesi:tam:steak  +   mesi:steak   , data = d)
　　切片 -0.01054　                   　　　0.1201   

　なお、wt加えたモデルも考えてよいが、変化は僅か
　切片 -0.01569 　　　　　  MRsq　　0.121

・交互作用項でNaNがでるかどうか、調べるには、
　sum( ( vt )*( vw)*( vm)*( vp)*( vste) )　　　すべてに曝露　17
　sum( ( vt )*( 1-vw) )　・・　　　　　　　tのうち、wに曝露しない・・
のような論理式で知ることができる

■
　lmは直感的に因子効果を調べられる　発散が少ない感触がある
　交互作用のあるモデルは切片が妥当な値となり適合も改善する例がある
　2重、3重交互作用項を曝露の大きい、または係数の大きい因子に適用したモデルが有利だった
　交互作用によるモデルの変化をvectorで計算し可視化して観察できる