預測模型是基於變數之間的相關關係，透過一個或幾個變數預測另一個變數的分析方法。我們可以根據自變數（預測變數或解釋變數）預測因變數（應答變數或結局變數）。比如，透過久坐時長預測受試者的血液膽固醇濃度，或者根據受試者的年齡、性別、BMI等變數資訊預測高血壓病發病情況。此外，預測模型還可以幫助我們判斷各自變數的重要性，即自變數對因變數的解釋能力。舉例來說，預測模型可以用來分析學歷對收入的解釋程度。示例如下：

根據因變數型別選擇檢驗方法

1 連續變數

確定因變數是連續變數後，我們需要判斷自變數的數量，示例如下：

1.1 只有一個自變數

簡單線性迴歸。該檢驗可以基於一個連續型自變數對相應的連續型因變數進行預測，也可以評價自變數對因變數的解釋力度。

1.2 包含多個自變數

多重線性迴歸。該檢驗可以透過多個自變數對相應的連續型因變數進行預測，也可以評價自變數對因變數的解釋力度。

2 計數變數

泊松迴歸。該檢驗適用於分析因變數是計數變數的多因素預測模型。

注：計數變數是一個非負整數。比如，0、5、16、27是計數變數，但是2.7、5.8、18.2不是，因為它們不是整數；-2、-7、-15也不是，因為它們小於0。

計數變數不屬於我們常用的變數分類，常被視為連續變數納入分析。當計數變數比較大，多數數值超過40時，我們可以將其作為連續變數。但是當計數變數比較小，如多數數值小於10時，我們建議保留其計數變數屬性，避免統計偏倚。計數變數示例如下：

菌群數量，培養基暴露24小時後可觀察到的菌群數量

死亡人數，佇列中每年因吸菸死於肺癌的人數

癲癇發作次數，受試者在一週內的癲癇發作次數

就診人數，某私人診所每天上午9:00-9:30的就診人數

3 有序分類變數

有序多分類logistic迴歸。該檢驗適用於分析因變數是有序分類變數的多因素預測模型。比如，透過年齡和收入兩個變數對生活滿意度（非常不滿意、不滿意、一般、滿意、非常滿意）進行預測分析。

4 二分類變數

二分類logistic迴歸。該檢驗適用於分析因變數是二分類變數的多因素預測模型。

5 無序分類變數

無序多分類logistic迴歸。該檢驗適用於分析因變數是無序分類變數的多因素預測模型。