上一期我们计算了优势比，对变量"saltegg",同样可以计算其优势比
cc(case,saltegg)
计算的合计有效记录是1089，略高于"case"和"eclair.eat" 交叉列表的合计907.优势比虽然不一样大但有统计学意义。 与分析"eclair" 的优势比类似，图中右边的箱子远大于左边的箱子，表明暴露的比例较大。
乳酪馅和咸蛋的优势比都具有统计学意义，并且有较大比例的参与者食用。检查一下这两个变量间的关系。
cc(saltegg,eclair.eat,graph=FALSE)
上述结果表明可能只有一个真正的病因，另一个只不过是混袭因素，即那些吃咸蛋的参与者也倾向于吃乳酪馅。以下的分层分析给出了混杂的详情。
mhor(case,saltegg,eclair.eat)
如图，上述关于疾病和咸蛋间的关系是按吃乳酪馅的水平分层进行的，它是建立在case,saltegg和eclair.eat三个变量均为有效值得记录基础上的。
分析结果包括两个主要部分，第一部分是由第三个变量定义的每层的暴露优势比，本例为Mantel-Haenszel方法计算的"eclair.cat"的优势比和χ2统计量。第二部分建议这些层的优势比是否可以合并。
我们先把重点放在第一部分，然后再来看第二部分。
两层的优势比都接近1且没有统计学意义，两条线的斜率都比较平稳。Mantel-Haenszcl (M H)优势比是两个优势比的加权平均值，也接近1。
两层的各层优势比和M-H优势比都与1没有统计学意义，但粗优势比有统计学意义。粗优势比与真实的或者调整后的优势比之间的偏差称为混杂。
混杂的原理可以用上图进行解释。位于图形中靠上的线表示吃了乳酪馅的观察对象的子集或层，而下方的线代表的是未吃的。
上方的线远离下方的线，意味着吃乳酪馅人群的危险远远高于未吃者，两条线之间的距离是16到32的优势重叠部分。需要注意的是，本例中吃乳酪馅和咸蛋的对象分布是不均衡的。
在右边(即吃咸蛋者)，吃乳酪馅者(上方的箱子)远远多于没有吃的人(下方的箱子)，因此右边的中心有向上方箱子的位置靠拢的趋势。
相反，在左边，即没有吃咸蛋的人群中，没有吃乳酪馅的人数(由下方的箱子大小表示)多于吃了的人数，所以左边的中心趋于更接近下方的箱子。即把两层数据合并后，吃咸蛋人群中患病的优势(加权平均)更接近上方的箱子。
左边也是如此，患病的加权平均优势更接近上方的箱子。右边较高的平均优势导致用优势比大于1，该粗优势比使我们错误地认为咸蛋是另一个病因，而事实上它仅是因乳酪馅的混杂干扰。
只有遇到以下两种情况时，混杂的水平才值得关注。首先，分层因素必须是独立的危险因素，其次在分层因素和所关心的暴露因素间的联系必须有统计学意义。
现在，我们来检查吃咸蛋是否会对患病和吃乳酪馅之间的关系产生混杂。
mhor(case,eclair.eat,saltegg)
以saltegg分层，两层的"elair.eat"的优势比(19.3和24.8)和M-H优势比(24.3)都非常接近粗优势比(23.68).
上图显示，各层的两条线非常接近，表明saltegg 不是独立的危险因素。在暴露组和非暴露组，患病的优势都接近加权平均优势，没有受观察对象数量的影像。因此不是独立危险因素的变量，不会对另一个暴露变量产生混杂干预。