1、功能介绍
单因素分析：是指在一个时间点上，研究不同水平的某因素对一个独立变量的影响程度的分析。即实验处理仅为一个方向，如研究不同药物对病例状态恢复的影响等。
多因素分析：是对一个独立变量是否受一个或多个因素或变量影响而进行的分析。
一般情况下，进行建模之前使用单因素或者多因素分析，可以初步探究因变量与自变量之间的关系，再做下一步计算。但是，我们在做分析时有可能遇到这种情况，例如：某个变量单因素分析显著，但是多因素分析又不显著影响，这时候该怎么办呢？别担心，下面这个表格带你分析这几种案例。
对于一个因素，做完单因素和多因素分析后有四种情况，当单因素和多因素分析结果相同时，很好判断是否纳入到接下来的模型。 但是出现B、D这种相互矛盾的情况该怎么处理？对于这两种情况，都有相应的解释:
1.1 B情况
单因素结果表明有显著影响但是多因素表明没有影响：一般是由于混杂因素对这种因素的作用进行了掩盖，在多因素分析中，这种混杂因素的作用被减弱，因素的影响又变得显著，比如研究教育程度和是否应届生对工资的影响。
解决办法：对这些变量进行PSM倾向性匹配处理，或者扩大样本量都是比较好的解决办法。比如你想研究施加某种干预对结局指标是否有改善，数据来自回顾性的既有资料的收集，由于是观察性研究，大概率存在混杂因素在组间不均衡的问题（如基线不平)，这个时候你就可以考虑倾向性得分分析了
1.2 D情况
单因素结果表明不显著影响但是多因素表明有影响：一般是出现了共线性，也就是因素A和因素B有相同的变化趋势，但真正影响因变量的只有B，A是一种虚假的相关关系。
解决方法：一般可以进行相关性和共线性分析来解决这一种难题。满足相关性和共线性要求，对传统统计模型的建立十分重要，在建模之前进行这些检验，让变量更符合输入的形式，都可以提升模型的拟合效果。
2、平台操作
作为模型建立的预处理部分，单/多因素分析，都可以在我们平台轻松地实现，纳入调整变量即可得到多因素结果，具体演示如下
在分析栏选择因变量，自变量，即可得到分析结果，通过OR值、p值和森林图来判断自变量对因变量是否有显著影响。
3、案例分析
这是 Lipids in Health and Disease （IF=3.876）杂志上发表的一篇文章《High lipoprotein(a) concentrations are associated with lower type 2 diabetes risk in the Chinese Han population: a large retrospective cohort study》。这是一项大型回顾性队列研究，研究的是中国汉族人群中高脂蛋白浓度与较低的2型糖尿病风险相关性。
作者将Lp(A)水平按照四分位数进行分组：四分位数1(Q1)：0~8.90 mg/dl；四分位数2(Q2)：8.90~16.74 mg/dl；四分位数3(Q3)：16.74~28.72 mg/dl；四分位数4(Q4)：>28.72 mg/dl。
多因素Logistic回归模型用于确定Lp(A)浓度是否与T2DM的发病独立相关。
未调整模型：Lp(A)四分位2-4的OR值和95%CI分别为1.020(0.951，1.094)，0.993(0.925，1.065)和0.924(0.861，0.992)。
调整模型1：调整超敏C反应蛋白和收缩压后，结果与未调整组相似[Q4，0.925(0.862，0.993)，P=0.031]。
调整模型2：对模型1中包含的因素加上肌酐、同型半胱氨酸、甘油三酯、低密度脂蛋白胆固醇和高密度脂蛋白胆固醇进行调整后，与模型1相似的结果如下：在Q4组中，Lp(A)与T2 DM风险显著相关[0.919(0.854，0.990)，P=0.026]。