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。

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。

单因素回归分析与我们常用的传统的单因素分析方法，如t检验、方差分析和卡方检验等方法，它们之间在一定程度上其实是等价的。

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。

倾向性评分匹配可以有效降低混杂偏倚，并且在整个研究设计阶段，得到类似随机对照研究的效果，本文做了一下相关合集，方便大家收藏查看。

如果有大量的混杂因素需要同时进行调整的话，此时该怎么办呢？今天我们来为大家介绍一种控制混杂因素的常用方法——倾向性分析（Propensity Analysis）（倾向性评分匹配法、倾向性评分分层法、倾向性评分校正法、倾向性评分加权法）

本篇文章介绍如何利用SPSS软件，通过安装倾向性评分功能的拓展插件，实现1: n的倾向性评分匹配操作。小咖在安装和使用期间也遇到了各种各样的问题，一并总结出来分享给大家，让大家少走弯路，可以轻松搞定。