当我们想要评估某种干预措施的疗效时，最为理想的研究方案是，除了干预措施以外，其他所有可能会影响结局的因素，包括已知的和未知的因素，在两组研究对象之间均保持一致。

随机化是解决这一问题最理想的方法，但在观察性研究中暴露/处理因素往往是病人自行或被动选择的，从而导致暴露/处理组和非暴露/对照组人群之间的预后因素分布不均衡，使得真实的效应值被低估或高估，引起偏倚。这种现象我们称之为混杂（Confounding），其中引起混杂效应的因素被称为混杂因素（Confounder）。

为了控制混杂因素对研究结果的干扰，减少偏倚，我们需要对混杂因素进行一定的调整，使其在暴露/处理组和非暴露/对照组中分布均衡，才能更准确地探讨暴露/处理因素与研究结局之间的关联性，保证观察性研究结果的真实可靠。

本专题就详细介绍观察性研究控制混杂因素的4种方法。以下小标题都可以直接点击查看详细教程。

1. 分层分析(Stratified Analysis)

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。

2. 多因素调整分析(Multivariable risk adjustment)

分层分析仅仅适用于混杂因素较少，且多为分类变量的情况。当我们的研究中存在较多的混杂因素，且混杂因素较为复杂时，可以尝试多因素调整分析法。在多因素调整分析方法中，根据因变量的类型不同，我们最常应用到的三种回归模型即：多重线性回归、logistic回归及Cox回归。

3. 倾向性评分分析(Propensity Score Analysis，PSA)