在之前的21期文章中，我們手把手講解了如何在JMP中進行數據清洗、開展基礎統計分析。本文以及后面的幾篇文章中，我們將分別對線性回歸的實現過程逐一展開介紹。
在進行線性回歸多因素分析前，往往需要先進行單因素分析。但是，目前常用的大多數軟件操作單因素分析比較繁瑣，需要不斷替換自變量來重復操作，才能進行多個自變量的單因素分析。然而，在JMP軟件中可以一次性實現全部自變量的單因素分析。今天的文章將從如何實現這一過程說起。
為了幫助更多的臨床醫師學習如何運用JMP高效地開展數據分析，提高日常工作和發表論文的效率，2020年8月起，JMP資深用戶、JMP特約專欄作者、資深統計學家馮國雙博士及其團隊將在JMP數據分析平臺為大家分享一系列統計及數據分析、JMP實戰操作、JMP分析報表解讀等干貨內容，每期一個經典話題，幫助大家掌握一個新技能。值得注意的是，這些話題并非僅針對臨床醫師，對所有運用JMP軟件開展數據分析的小伙伴都適用。本文為此系列文章的第22期。
01 為什么要做線性回歸？
相比前面介紹的僅含一個組別變量的單因素分析，多因素分析在實際中更為常見，因為絕大多數的結局都不止受一個因素影響。如比較兩種不同藥物治療糖尿病的療效，即使兩組間療效有差異，也未必能歸因到藥物因素，因為像BMI、血壓、飲食等諸多因素也會同時影響到藥物治療的效果，如果這些因素在兩組間不均衡，就會影響到藥物的評價效果。因此實際中我們經常要用到多因素分析。我們通常說的“校正”年齡、性別等因素的影響，或吸煙是肺癌的“獨立預后因素”，這些其實都是在說多因素分析。
線性回歸常用于定量結局的多因素分析，主要用于描述1個或多個自變量與定量結局的線性關系。當我們想針對某定量結局進行危險因素探索，通常首先會考慮線性回歸，如果線性回歸不合適，再考慮其它替代方法。
02 線性回歸的單因素分析
所謂單因素分析，也就是每次做回歸都先放入1個自變量，觀察每一自變量與因變量的關系。
目前很多統計軟件做單因素分析時，只能放入一個自變量，然后做出結果；如果要看另一個自變量的效應，則需要返回重新在放入。如果有20個自變量，需要來來回回反復做20次相同的工作。這一過程非常繁瑣，也沒什么技術含量。而JMP軟件則提供了一次性實現所以自變量的單因素分析的工具。
以圖1的數據為例，探索軀體健康評分的可能影響因素。
圖1 示例數據（部分展示）
在JMP中依次點擊“分析”菜單→“以X擬合Y”（圖2），在彈出的對話框中將軀體健康評分導入“Y，響應”，將全部自變量導入“X，因子”（圖3）。
圖2“以X擬合Y”的操作示意圖第一步
圖3“以X擬合Y”的操作示意圖第二步
默認輸出結果如圖4所示（僅展示了3個自變量，其余省略）， 頁面上僅呈現每個自變量與因變量的散點圖。
圖4 “以X擬合Y”的輸出結果
如果要查看各個自變量的單因素分析的檢驗結果，則需在JMP中進行后續的一些操作。需要注意的是，連續變量和分類變量的操作步驟不同。
對于連續變量，以年齡為例，點擊結果界面中“二元擬合”左側的紅色向下箭頭→選擇“擬合線”（圖5）。
圖5 連續變量的單因素分析操作示意圖
輸出結果如圖6所示分類變量和連續變量怎么做散點圖，從圖中可以看出，年齡與軀體健康評分呈負向線性關系。從統計學檢驗結果來看分類變量和連續變量怎么做散點圖，年齡與軀體健康評分線性的關系在0.05的檢驗水準上具有統計學意義（P=0.0275）。
圖6 連續變量的單因素分析結果
對于分類變量，以飲酒為例，點擊“……單因子分析”左側的紅色向下箭頭→選擇“均值/方差分析/合并的t”（圖7）。
圖7 分類變量的單因素分析操作示意圖
輸出結果如圖8所示，結果中同時給出了t檢驗和單因素方差分析的結果，兩者結果一致。結果顯示飲酒與軀體健康評分的關系不具有統計學意義（P=0.8871）。
圖8 分類變量的單因素結果
大家看到這里，可能會想到，如果自變量很多的情況下，每個自變量都要操作“擬合線”或“均值/方差分析/合并的t”，過程會很繁瑣。JMP中有一種快捷方式用于解決此問題，能夠非常快速地顯示出全部自變量的統計檢驗結果。
對于連續變量，先按ctrl鍵，然后點擊任意一項自變量其“二元擬合”左側的紅色向下箭頭→選擇“擬合線”，可實現所有連續變量的單因素分析結果的輸出。
對于分類變量，同樣是先按ctrl鍵，然后點擊任意一項分類變量左側的紅色向下箭頭，選擇“均值/方差分析/合并的t”，可實現所有分類變量的單因素分析結果的輸出。
以上就是今天分享的基于JMP一次性實現全部自變量的單因素分析。在下期文章中，我們將介紹如何在JMP中開展線性回歸的多因素分析。如果想要在JMP中親自動手實踐的話，可點擊這里下載最新的JMP 16免費試用。