让我们从一些考虑开始：

• 人们通常从简单合理的模型开始，如理论所建议并受数据限制，只有在更简单的模型不够用时才转向更复杂的模型。这就是统计分析如何将简约的科学呼吁付诸实践。

• 拟合趋势是回归分析的一种形式。

• 因为你有计数数据，你自然会首先考虑二项式回归或泊松回归。第一个在任何情况下都是合适的，而后者是相对较低的比率的极好近似值（这是人们希望感染的结果！）并且在软件中广泛可用。（普通最小二乘法(OLS) 是有效的进一步近似值，前提是所有年度感染计数都相当大，比如几十到几百甚至更多，并且感染计数随着时间的推移相当稳定。）

• 当有较长的时间序列数据可用时（通常为 20-30 年以上），您可以考虑使用时间序列分析来帮助解释每年的利率相关性。不过，通常情况下，您会首先用尽似是而非的回归模型来解释随时间的非线性变化，可能会包括二次项、“水平位移”或（更一般地）样条曲线。请注意，所有形式的回归都内置了对斜率随时间变化进行建模的灵活性；它不是某些特定方法的特殊功能。

在任何回归模型中，您都可以包含男性和女性趋势的单独项。这是通过“指标”或“虚拟变量”编码将男性/女性作为协变量引入并将它们作为交互作用来完成的。最近在此站点和此处已对此进行了讨论，您可以在其中找到明确说明的统计模型。

在极端情况下，（a）您考虑两组之间所有回归系数不同的可能性（截距和斜率以及任何其他协变量的系数）和（b）您使用 OLS 近似，此分析减少到周测试。链接是威廉·古尔德（William Gould）的精彩论述，他提供了直言不讳的建议（“我责怪……老师……不必要的行话”）和清晰的例子。不用担心软件是Stata；输出才是最重要的，它是标准的。

好吧，约翰，使用单一趋势模型可能会有风险。如果您的数据有水平偏移，您可能会错误地得出关于随时间持续变化的结论。如果您的数据更能代表 y(t)=y(t-1) + 常数，则您的趋势模型不适用。我可以继续讨论 y(t)=a+b*t 形式的趋势模型是如何不足的，但我不会（在这里！）。现在给出一个巨大的假设，即 y(t)=a+b*t 模型您假设生成具有恒定均值（无处不在）、独立（即没有可证明的自相关结构）、具有恒定方差的同分布误差的高斯分布 那么您可以使用 CHOW TEST http://en.wikipedia.org/wiki/Chow_test来检验两组 a、b 相等或至少没有显着差异的假设。