提到森林图，相信大家一定不会感到陌生，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，今天我们的话题

生活方式干预预防糖尿病，远期效果到底如何？且看中国人自己的经典研究。

2021年2月4日，影响因子排名第一(IF=292.278)的期刊《CA：A Cancer Journal for Clinicians》发布了《Global cancer statistics 2020》，使用国际癌症研究机构（IARC）

研究对象被随机分为甲、乙两组。甲组先用试验药物，乙组先用对照药物。一个疗程结束后，间隔一段时间（目的是消除治疗药物的滞留影响），然后甲组用对照药物，乙组用试验药物，最后分析比较疗效和安全性。

提到不同变量的效应大小，大家一定会联想到在多因素回归模型中所得到的回归系数。例如，我们假设自变量分别为身高和体重，根据回归系数很容易就知道每增加1cm的身高或每增加1kg的体重，引起的对因变量Y的影响大小，但是两者相比之下，到底谁的作用大谁

研究者想根据一些变量（age、weight、heart_rate和gender）预测另一个变量（VO2 max）。针对这种情况，可以使用多重线性回归分析，但需要先满足8项假设。

在面对众多自变量需要进行分析时，到底如何来确定谁是可疑因素，哪些因素需要被纳入到嫌疑人的范围内，从而进入到多因素回归分析呢？今天就跟着小咖一起，教大家如何筛选多因素回归分析的候选变量。

当自变量之间的关系较为复杂，对于变量的取舍不易把握时，我们还可以利用逐步回归的方法进行变量筛选，以解决自变量多重共线性的问题。逐步回归法从共线性的自变量中筛选出对因变量影响较为显著的若干个变量，把对因变量贡献不大的自变量排除在模型之外。

统计学设计、分析与表达的完整性与准确性会影响读者对临床研究结果真实性的判断。合理的统计设计、正确的统计分析与解读、规范的统计报告不仅是保证研究质量和数据真实性的前提，更是提高研究透明度和可重复性的重要保障。

分层分析是一种常用的控制混杂因素的方法，它是将数据资料按照某个需要控制的混杂因素进行分层，然后再估计暴露/处理因素与研究结局之间的关联性。