De foregående sider har gennemgået hvordan man tester lineære normale modeller, hvor man undersøger om en kontinuert udfalds-variabel kan forudsiges (eller afhænger) af en enkelt prediktor, som kan være enten kontinuert eller kategorial.
Indenfor epidemiologisk forskning har man imidlertid ofte behov for at teste om udfaldet afhænger af mere end en prediktor, med henblik på at kunne teste flere forskellige forklaringer på eventuelle ændringer i udfaldet. Et eksempel kunne være, at man ønsker at undersøge hvorvidt vægttab i forbindelse med en slankekur påvirker deltagernes B-vitamin-status. Udfaldsvariablen vil være ændringen i koncentrationen af B-vitamin, mens prediktoren i første omgang er ændringen i BMI. Men selv hvis der observeres en sammenhæng mellem disse to parametre, er det jo ikke sikkert at det er en årsagssammenhæng. Det kunne være at ændringen i B-vitamin-status skyldes at man har indtaget mere eller mindre B-vitamin i forbindelse med kuren. Det vil derfor være relevant, også at tilføje ændringen i indtaget af B-vitamin som prediktor i modellen.
De følgende sider gennemgår et par eksempler med henholdsvis 2 binære prediktorer, og en binær samt en numerisk prediktor. Som tidligere nævnt er det muligt at kombinere numeriske prediktorer med kategoriale prediktorer (med mere end 2 kategorier). Men det komplicerer fortolkningen af resultaterne markant, hvorfor det typisk vil være en fordel at tilrettelægge sine forsøg, så de kun inkluderer binære og numeriske prediktorer.
I eksemplet på side 4.5 blev der konstateret en sammenhæng mellem en række forsøgspersoners BMI og hvorvidt de bruger sukker i kaffen eller ej. Konkret blev det konstateret at personer som bruger sukker i kaffen, har et BMI der er ca. 1,5 kg/m2 lavere end personer som ikke anvender sukker (i gennemsnit). Formålet med at lave en sådan undersøgelse er naturligvis, at man kan vurdere om der er en årsagssammenhæng mellem brugen af sukker og BMI.
Som nævnt i forbindelse med eksemplet, så er problemet at man aldrig kan sikre sig at det faktisk er indtaget af sukker der er årsag til den observerede effekt. Der kan i stedet være tale om såkaldt “confounding”. I dette eksempel kunne der være tale om at dem der bruger sukker i kaffen i gennemsnit ryger mere end dem der ikke bruger sukker, og at det i stedet er rygningen der påvirker BMI. I så fald vil rygning være en confunder i det oprindelige forsøg. Ved hjælp af multipel regression (et andet ord for lineære modeller med flere/multiple prediktorer) er det muligt at undersøge om rygning er en confounder i forhold til BMI. Bemærk dog at uanset hvor mange potentielle confoundere man undersøger, kan man aldrig garantere at man ikke har overset nogle. Bestemmelse af årsagssammenhænge er derfor et kompliceret spørgsmål, som sjældent kan løses uden klinisk indsigt i det relevante område. Men statistikken kan være en hjælp til at komme lidt nærmere “sandheden”.
På den følgende side gennemgås hvorledes det kan undersøges om rygning er en confounder i forhold til undersøgelsen af sukkers effekt på BMI.