Poisson分布和回归课件.pptVIP

Poisson回归 何平平 北大医学部流行病与卫生统计学系 Tel一、Poisson分布的定义及特点 以放射性脉冲计数为例。将一段规定时间内平均放射的脉冲数记为?，把这段时间等分为n份， 则每小段时间内平均放射的脉冲数为? /n。假定： ? n足够大，以致在每一小段时间内有或无脉冲，出现2个及以上脉冲的机会可以忽略（大量、有或无）。 每小段时间内出现脉冲的概率都是? /n （重复、小概率）。 不同时间段内脉冲出现与否是独立的（独立）。 在这n小段时间内出现的脉冲总数X服从二项分布B（n，? /n），概率函数为 当n趋于?时，P(X=x)的极限为 上式中，常令 ? /n =?。 令罕见事件发生数为X，若X的发生概率P(X) 则称X服从参数为μ的Poisson 分布，记为X~P( μ)。其中X为单位时间(或面积、容积等)某罕见事件发生数，μ是Poisson 分布的总体均数。 Poisson 分布常用于描述单位时间、单位面积或空间中罕见事件发生数的分布规律。观察单位与发生事件一般不对应。 Poisson分布的定义 罕见事件发生数 ? 放射性物质单位时间内的放射次数 ? 单位体积内粉尘的计数 ? 显微镜下细胞或微生物计数 ? 单位面积内细菌计数 ?发病率很低的疾病（不具传染性、无永久免疫、无遗传性）在人群中的发病数。 Poisson分布的特点 事件的发生是完全随机； ? 事件发生与否是独立的； ? 事件发生的概率P不变； ? Poisson分布的总体均数为μ； ? Poisson分布的均数和方差相等， μ＝σ2。 Poisson 分布、正态分布及二项分布的关系 当μ较小时， Poisson分布呈偏态分布，随着μ增大，迅速接近正态分布，当μ≥20时，可以认为近似正态分布。 Poisson分布是二项分布的特例，某现象的发生率 π很小，而样本例数n很大时，则二项分布接近于 Poisson分布。 μ ＝ n π （应用： Poisson替代二项 分布） 例1：某车间在生产工艺改革前后各测1次粉尘浓度，每次测1升空气，分别测得39和25颗粉尘。请据此推断改革前后粉尘浓度是否相同？ P0.05，认为该车间改革前后粉尘浓度相同。 1.当观察单位相同时两样本比较 二、Poisson分布的Z检验 例2：某车间在生产工艺改革前测3次粉尘浓度，每次测1升空气，分别测得38，29和36颗粉尘；改革后测2次，分别由25和18颗粉尘。请据此推断改革前后粉尘浓度是否相同？ P0.05，认为该车间改革前后粉尘浓度不同。 2.当观察单位不同时两样本比较 三、Poisson回归 1.基本原理 用于分析服从Poisson分布的罕见事件发生数（或率）与一组解释变量之间的关系，常用对数线性模型进行分析 。 令有k个解释变量X1，X2，…，Xk， 其中Log(n)称为偏移量（Offset）。 2. 假设检验 （1）模型检验（拟合优度检验）：当P0.05，说明可以接受拟合的模型。 似然比检验（the likelihood ratio test） Pearson卡方检验 评价模型拟和的好坏：大多数单元格的标准化残差或调整残差的 绝对值小于2。 （2）自变量检验： 检验回归系数是否为零。 RR的意义。 假定X1为二分类变量（取值为0和1），则固定其他变量时，RR=EXP（?1） 例3： 变量说明：E：是否吸烟，1=吸烟；2=不吸烟；N：肺癌发生数，PT：人年。 先按照变量N进行加权，再统计分析 RR：1.611（1.140，2.278） 例4：某车间在生产工艺改革前后各测1次粉尘浓度，每次测1升空气，分别测得39和25颗粉尘。请据此推断改革前后粉尘浓度是否相同（见数据文件data2.sav）？ 变量说明：E：改革前后，1=改革前；2=改革后；N：粉尘数 ，PT：空气升数。 例5：某车间在生产工艺改革前测3次粉尘浓度，每次测1升空气，分别测得38，29和36颗粉尘；改革后测2次，分别由25和18颗粉尘。请据此推断改革前后粉尘浓度是否相同（见数据文件data3.sav）？ 变量说明：E：改革前后，1=改革前；2=改革后；N：粉尘数 ，PT：空气升数。 例6：采用职业人群回顾性队列研究方法对所有1966年8月18日到1991年12月31日在湖北某厂工作5年以上者的生存情况作了调查。符合进入队列的条件者9572人，观察人年114488，其中有159人死亡，按年龄与是否暴露这两个因素分组的资料见下表，问年龄与暴露因素对死亡率有无影响？ 变量说明：E：是否暴露，2=非暴露；1=暴露；age：年龄，5=40，4=40-49，3=50-59，2=60-69，1==70；N：死亡数 ，PT：人年。 先按照变量N进行加权，再进行Poisson回归 结论：暴露组相对于非暴露