摘要：上篇我们介绍了风暴统计平台线性回归的使用。此模块常用在影响因素研究中，即探讨多个X与Y的关联，对所有自变量"一视同仁"。

上篇我们介绍了风暴统计平台线性回归的使用。此模块常用在影响因素研究中，即探讨多个X与Y的关联，对所有自变量"一视同仁"。

Zstats教程（5）：相关与线性回归方法

除此之外，还有焦点因素研究，即重点关注某一个X与Y的关联，将其他变量作为混杂因素纳入分析。为了避免X与Y关联程度收到其他因素干扰，就需要控制混杂。

关于混杂偏倚，有一篇详细的推文介绍，大家感兴趣可以了解一下。

混杂偏倚介绍

风暴统计控制混杂模块同样用到了回归分析，不过研究目的不同，结果的呈现方式有所不同。平台分为了单模型法、多模型法。下面我们进行详细的介绍。

即单模型法，首先选入我们的因变量（必须为连续变量）与焦点暴露因素。

接着是潜在混杂变量筛选设置。

支持根据单因素回归分析筛选变量（推荐）或自定义。在这里选入的变量将会与焦点暴露因素一起开展单因素回归。

然后是多因素回归自变量筛选设置。决定了上一步选入的协变量，P值小于多少会进入多因素回归。

一般为0.05，当进入多因素回归的变量过少时，也可以放宽要求，0.1，0.2也是可以的。当选择"不限制"时，所有协变量都会进入多因素模型。

最后，"点击分析"即可得到我们的回归分析三线表。

结果解读：

在焦点因素研究中，我们仅关注焦点暴露的回归结果。如本例中，在控制年龄、性别、种族、炎症指数、饮酒、心血管病的影响后，焦点暴露维生素D对骨密度的影响不具有统计学差异（P=0.087）。

即多模型法。第一步也是选入我们的因变量（必须为连续型）与焦点暴露。

接着点击"增加回归模型"，模型1就是我们的单因素模型，因此我们直接开始选择模型2的协变量，推荐使用自定义，多个模型逐个调整变量。

这里我们模型2先校正性别、年龄、种族（常见的人口学变量），接着继续点击"增加回归模型"。

前面模型调整的变量会自动顺延至后面的模型。模型3调整其他混杂因素后，如需继续增加模型，可继续点击”增加回归模型“，最多可增至模型5。

完成后"点击分析"，右侧会给出三线表结果，与单模型法不同的是，结果仅提供了焦点暴露的结果，更加简洁明了。

结果解读：

多模型结果中，以最后一个模型的结果为准。如本例中，在控制年龄、性别、种族、炎症指数、饮酒、心血管病的影响后，焦点暴露维生素D对骨密度的影响不具有统计学差异（P=0.087）。

完成全部分析后，可以调整小数位数，默认情况下，P值保留3位小数，其他保留2位小数。

最后下载三线表格，支持excel版与word版！

单模型法与多模型法控制混杂偏倚的主要内容就介绍完毕了，下面对平台提供的R语言线性回归结果复现（主要用于残差与共线性诊断）做一个拓展说明：

1.R语言的原始输出结果

风暴统计是基于R语言搭建的，这里给出了原始的输出结果，像是95%置信区间是没有直接给出的，需要根据Estimate、Std.Ettor自行计算。

2.回归分析残差图

①Residuals vs Fitted（残差图域拟合图）：判断残差是否具有线性关系。一般散点随机分布在虚线上下，认为自变量和因变量之间是线性关系。

②Q-Q Residuals（残差Q-Q 图）：判断残差是否呈正态分布。若符合正态分布，则散点会在比较好的集中在对角线上。

③Scale-Location（位置尺度图）：判断残差是否符合方差齐性原则。若符合方差齐性原则，则黑色散点会随机分布在水平线两侧。

④Residuals vs Leverage（残差与杠杆图)：判断离群点、高杠杆值与强影响点。

3.方差膨胀因子VIF

这里可以用于模型中自变量间共线性的诊断。优先根据修正后的值（GVIF^(1/(2*Df))）决策，尤其是对分类变量。

≥2：需警惕共线性（保守阈值）

≥3.16（即√10）：明确存在共线性

以上就是线性回归控制混杂偏倚模块全部内容的介绍说明了。

来源：统计医研库