先单后多，最令人沮丧的，莫过于单因素P<0.05，而多因素大多数没有统计学意义，甚至一个都没有。这可怎么办！！怎么回事！！不仅如此，有些时候单因素>0.05，多因素可以出现统计学差异的惊喜局面哦。

这种情况的原因是什么？大概原因包括：

（1）多因素回归自变量个数太多，样本量不够，建模失败

（2）存在着混杂变量

（3）存在着中介变量

（4）存在着交互效应

（5）排除中介变量后，存在着其它多重共线性

主要的原因是存在着混杂变量和中介变量。

如何处理？

当然，最重要的是，在多因素回归分析之前，厘清好各变量的因果关系。对！借助DAG的方法能够形成相应的因果网络。

但是，DAG构建并不是那么容易，更多的时候，我们需要借助统计方法，来绘制DAG的连接线。

我推荐的方法是，“两因素建模法”和“去因素建模法”来探索自变量为什么先单后多结果不一致。

两种方法原理相似，他们的关系如同逐步回归法中的“向前逐步”和“向后逐步”方法。也非常容易理解。

本文，关注两个变量，吸烟与早产次数

首先是单因素回归分析的结果：

在所有结果中，随访次数，没有统计学意义，因此多因素排除在外，剩下的全部纳入多因素回归分析（P<0.2）。结果如下：

结果发现，单因素分析中，种族是没有统计学差异，多因素P<0.05!  早产次数，应激性单因素有统计学意义，多因素P>0.05! 此外，吸烟、高血压的效应值（exp（B）即OR值）都在增大，这是为何？

我现在采用“两因素”分析法，一探究竟！

1.为什么种族单因素没有统计学差异，而多因素有？

我建立多个回归模型，每个回归模型因变量是“低出生体重”，自变量是“种族”和一个其他自变量，因此称为2因素回归分析。

然后， 我发现，种族+吸烟的两因素回归模型结果诡异！

吸烟在场，种族的效应具有统计学意义了！

什么原因？因为吸烟对种族而言，是一个中介变量！这个中介变量。这个示意图的效果如下：

▷上述系数是大致说明，不是确切值

种族总的效应是2.3，通过吸烟的是-0.7，而不通过吸烟的是3.0，因此，当两因素在的时候，通过吸烟的作用被阻拦，则效应值则变成了3.0，更为他突出了。

2. 为什么高血压的效应值大大增加了呢？

我同样利用两因素法建立多个回归模型，每个回归模型因变量是“低出生体重”，自变量是“种族”和一个其他自变量

结果发现，孕妇体重影响甚大：

单因素高血压OR=3.365，两因素变为5.998！

那么产妇体重是什么变量？在这里显然，不是中介变量了，而是混杂变量。

高血压总的效应是3.65，而来自于产妇体重的影响则夹杂在其中，为-2.34（高血压与产妇体重负相关），因此，单因素回归分析的OR值比多因素回归分析的结果要低。

我针对早产次数“单因素有统计学意义，多因素P>0.05”的矛盾进行分析吧

我先采用两因素进行分析，探讨影响早产次数的干扰因素。你们觉得谁影响了早产次数呢？答案是应激性和吸烟！

现在采用“去因素法”建模。“去因素法”指的是，在全因子模型中，剔除被怀疑的因素，在本例，需要剔除应激性与吸烟！

可以看出，应激性和吸烟同时在场，则早产次数没有统计学意义，而应激性和吸烟不在场，早产次数则有统计学意义了，和单因素分析结果一致！

那么应激性与吸烟是中介变量还是混杂呢？ 先思考下！文末有答案。

第一，两因素法和去因素法是一种探索性的方法，可以帮助诸位粗略地发现结果异常严重的现象，特别是关键变量单因素、多因素的矛盾。不妨结合两种策略来试试！

第二，两因素法和去因素法主要窥探中介与混杂的影响，但是究竟属于中介还是混杂，需要根据理论知识来判定。

第三，老话，在一个模型中，中介变量与混杂都不是我关注的重点，但中介变量不应纳入模型，混杂应该纳入模型；也可以采用多层次多模型法来窥探两个变量的影响

第四，对于能考虑中介与混杂变量的场景，两因素法和去因素法可能收效甚微！

第五，对于单因素和多因素回归分析结果矛盾时，千万不要觉得沮丧。这反而是你们大展身手的时候！想办法去解释矛盾之处，是一篇论文的亮点！

第六，从理论上分析，应激性与吸烟应该是中介变量！

文章来源： 医学论文与统计分析