多因素回归常用于比较2组及以上之间的结局，它既适用于随机设计，也适用于非随机设计，更常用于观察性研究。

在随机试验中，虽然在治疗分配方面没有系统性的偏倚，但协变量调整在某些方面仍然是有用的。如果随机化是分层的，通常建议在分析中要对分层变量进行调整。除了分层变量外，调整其他对于预后具有强烈作用的协变量，将会增加检验真实治疗效果的统计学把握度。如果进行了协变量调整，作者应该详细说明模型纳入的变量，为什么选择它们，以及它们如何在回归模型中参数化。

在观察性研究中，调整组间差异是评估结局的关键。虽然比较有效性的研究经常被单独提及，但它的基本方法仍然依赖于有效的混杂因素分析，而且容易受到与其他观察性研究相似的偏倚影响。

11.1 强调重点

• 稿件应包括一份清晰的书面分析计划，解释如何提出研究假设或目的，以及试验如何执行的细节。
• 稿件应包括关于研究终点的说明、定义和确切的信息。应该给出终点事件的数量和频率。在时间-事件终点的情况下，还应该给出平均或中位随访时间。竞争风险问题也应该被考虑和处理。
• 预建模分析应着重于探讨偏倚和混杂的来源，以及用于确定和控制偏倚和混杂的方法。
• 作者应该指定所使用的模型，如Logistic模型，线性模型，混合模型，以及建模的方法。
• 预先识别用于调整的协变量是一种较好的方法，通常不鼓励基于单因素分析来识别选择的协变量。应该指定如何在模型中对这些数据进行编码和处理。
• 关于在描述性表格中，是否应该对治疗组和对照组基线特征比较进行显著性检验，存在一些争议。需要注意的是，随机对照试验中表1关于治疗组之间差异性比较的P值，与观察性或非随机研究具有本质上的不同。在随机试验中，我们知道参与者来自相同的总体，并被随机分配到不同的组中，所以P值是计算某件事偶然发生的概率，而它已经被定义为是偶然发生的。在观察性研究中，一组患者与另一组患者的基线分布可能完全不同，所以P值是在检验来自不同的基线人群时是否仍然具有推断意义。然而，流行病学中观察性研究报告建议不要对描述性基线特征表格进行显著性检验，不应使用单变量分析来选择要考虑调整的协变量。