风锐统计——让数据像风一样自由！（十）——关联研究全自动分析
上次我们为大家分享了如何用风锐统计软件进行回归分析，我们在回顾一下。
了解了常用的回归分析类型及结果解读方法，也学会了使用风锐三种回归分析方法对数据进行分析，相信大家已经了解到了风锐统计软件的简便之处，今天我们将分享另一个强大的功能。
- 软件实操之模块2——数据分析
- 关联研究全自动分析
进入风锐统计——统计分析——18关联研究全自动分析
在本地文件夹中我们可以看到一键生成的所有图表结果：
表格 1研究人群基线特征描述
可见除种族race外，其他变量在不同的血糖分组间均有差异。
表格 2单因素回归分析
单因素回归分析结果，可帮助我们寻找与结局（死亡）相关的因素，比如血糖、年龄高血压是血糖的危险因素（效应值分别是1.12、1.09和15.2，均大于1），其中性别2相对于性别1，死亡风险降低43%（效应值0.57）。
表格 3 多因素回归分析
多因素回归分析展示血糖是死亡的独立危险因素，作为连续变量，血糖每增加1各单位，死亡风险增加9%，将血糖4分组之后，在未调整中，与Q1组相比，Q2-Q4组死亡风险分别增加1.28，1.59和3.63倍（看第7列，调整后的效应值），调整后Q2-4组死亡风险仍高于Q1组，但差异无统计学意义（看效应值置信区间或者调整后P值）。
在全人群中，我们发现血糖与死亡独立相关，那么在不同亚组的人群中，改关联是否稳健呢？风锐统计给了我们第四个表。
表格 4 亚组分析
亚组分析结果显示，在不同性别、种族、年龄、BMI及是否有高血压的人群中，交互作用P值（红框）均大于0.05，也就是说血糖和死亡的关联在各亚组中都是稳健的。
除此之外，我们打开本地文件夹还可以看到软件一键生成的图。
图 1曲线拟合
可见血糖与死亡之间呈线性正相关。
图 2 各变量对结局的风险的森林图
这部分结果用图形的方式展示了每个变量对死亡风险的风险比。具体数值见Table.3.plus。
图 3 亚组分析森林图
森林图其实是亚组分析（表4）的可视化形式，大家在文章中呈现其中一种即可。
图 4 KM曲线
KM曲线揭示不同血糖分组中生存率是有差异的，相对于血糖较低的人群（Q1组），高血糖组的生存率更低（Q2-4组）。
好的，今天就给大家介绍到这了，风锐统计还有非常多的功能有待挖掘，后续我也会持续为大家更新，如果感兴趣，大家也可以自行下载软件实操演练一下。
附上官网下载链接：
临床科学家