负二项回归分析结果解读：过度离散计数数据建模.docxVIP

负二项回归结果解读

一、方法概述

负二项回归（NegativeBinomialRegression）是处理计数数据中过离散问题的重要统计方法。在计数数据分析中，Poisson回归要求因变量的均值等于方差（等离散性），但实际数据中往往存在方差大于均值的过离散现象。当Poisson回归的等离散假设不成立时，负二项回归通过引入一个额外的离散参数（形状参数），允许方差大于均值，从而更灵活地拟合实际数据，提供更准确的参数估计和统计推断。

负二项回归在医学研究（如疾病发作次数、住院天数）、流行病学（如感染事件计数）、保险理赔（如索赔次数）以及工业质量控制（如缺陷数）等领域具有广泛应用。本研究使用SPSSAU软件进行负二项回归分析，以x1、x2、x3为自变量，y为因变量，系统评估各因素对计数型因变量的影响，并通过过离散检验验证负二项回归模型的适用性。

在SPSSAU【实验/医学研究】模块选择【负二项回归】，将变量拖拽至右侧对应分析框，操作如下图：

二、模型整体有效性检验

首先对负二项回归模型的整体有效性进行似然比检验。该检验的原假设为：是否放入自变量（x1、x2、x3）两种情况下模型质量均相同。检验结果如表1所示。

由表1可知，最终模型的-2倍对数似然值为894.761，较仅截距模型的978.263下降了83.502。似然比检验的卡方值为83.502（df=3），对应的p值为0.000，小于