以下内容由CHATGPT及阿里嘎多学长共同生成、有用望采纳：
在统计学中，交互作用是指两个或多个预测变量对响应变量的联合影响，超出了它们各自独立效应的总和。在R语言中，epi.interaction函数用于评估预测变量之间的交互作用，并计算相关的统计指标。
param参数在epi.interaction函数中用于指定交互作用的类型。param = "dummy"和param = "product"分别代表不同的交互作用计算方法：
-
param = "dummy"：这种方法计算的是相加交互作用（Additive Interaction），也称为AP指标。它衡量的是两个预测变量的交互作用是否超出了它们各自独立效应的简单相加。在这种情况下，交互作用是通过比较两个变量的组合效应与它们各自效应的和来评估的。 -
param = "product"：这种方法计算的是乘法交互作用（Multiplicative Interaction），也称为RERI指标（Relative Excess Risk due to Interaction）。它衡量的是两个预测变量的交互作用是否超出了它们各自效应的乘积。在这种情况下，交互作用是通过比较两个变量的组合效应与它们各自效应的乘积来评估的。
这两种方法之所以会得到不同的结果，是因为它们基于不同的假设和计算方式。相加交互作用关注的是变量效应的线性叠加，而乘法交互作用关注的是变量效应的非线性（指数级）交互。
关于代码实现，你已经提供了基本的代码示例。这里是一个更完整的示例，展示如何使用epi.interaction函数：
library(epiR)
# 假设Icox是一个Cox比例风险模型
# Icox <- coxph(Surv(time, status) ~ x1 + x2 + x1:x2, data = your_data)
# 计算AP指标及其95%CI
ap_result <- epi.interaction(model = Icox, coef = c(1,2,3), param = "dummy", conf.level = 0.95)
print(ap_result)
# 计算RERI指标及其95%CI
reri_result <- epi.interaction(model = Icox, coef = c(1,2,3), param = "product", conf.level = 0.95)
print(reri_result)
请注意，你需要替换your_data为你的数据集名称，并且确保Icox是你的Cox模型。
关于参考资料，以下是一些有用的链接：
epiR包的主页：epiRepi.interaction函数的帮助文档：epi.interaction- 一篇关于交互作用分析的综述文章：Interactions: Detection, Estimation, and Testing
希望这些信息能帮助你理解param参数的不同设置及其对分析结果的影响。如果你有进一步的问题或需要更详细的解释，请随时提问。
