上节课程我们主要讲解了“回归模型的比较和变量筛选”，包括：anova()比较嵌套模型，AIC()比较非嵌套模型；逐步回归，全子集回归，Lasso回归等内容。小伙伴们都掌握了吗？本节课程我们来学习如何展示非线性关系，内容包括：多项式回归；分段

在医学研究中，我们经常构建回归模型来分析自变量和因变量之间的关系。事实上，大多数的回归模型有一个重要的假设就是自变量和因变量呈线性关联，这个条件实际很难满足。常见的解决方法是将连续变量分类，但类别数目和节点位置的选择往往带有主观性，并且分类

在统计分析中，根据变量的不同类型可以建立不同的预测模型，如果因变量是连续型变量，最常见的是建立线性回归模型。但是，建立线性回归模型有很多前提条件......

效应量大小通常以标准均值差（SMD）的形式进行报告，使用Cohen’ d，Hedge’ G，Glass’ Δ。SMD为两组之间均值（或比例或等级）的差异除以标准差。

对于分类变量，可根据行和列的个数，分为2*2的四格表和R*C的列联表，对于2*2的四格表，有独立样本和配对样本两种设计。

要判断类风湿关节炎躯体感觉症状数量与疼痛等级之间是否有线性变化的趋势，可以使用Mantel-Haenszel卡方检验。进行Mantel-Haenszel卡方检验，需要满足以下两个假设

P for trend代表的是什么意义呢，它有什么作用呢？我们在实际的分析中怎样才能求得P for trend的结果呢？

I类错误，也称为假阳性错误，就是说实际上总体并无差异，原假设H0是成立的，但是通过假设检验P≤α，在设定α的检验水准下，拒绝了H0，认为有差异，出现了假阳性的现象。前面提到的检验水准α，就是预先设定允许犯I类错误概率的最大值，此时犯I类错误

一般情况下，在论文方法（Method）的最后一部分，要求作者对统计分析方法进行详细的描述。通常包括几个内容：数据分析所使用的软件及其版本、数据结果的呈现和描述形式、数据分析时所用到的统计检验方法等

在Meta分析中，森林图可以说是必不可少，它用一种非常形象的图形方式，简单直观的展示了Meta分析的统计汇总结果，受到了研究者的欢迎。那么，除了在Meta分析中，森林图还能用在什么地方呢？