负二项回归结果解读：离散参数alpha与发生率比IRR.docxVIP

负二项回归分析结果解读

一、方法概述

负二项回归（NegativeBinomialRegression）是处理计数型因变量（过离散数据）的广义线性回归方法。当因变量的方差显著大于均值（即存在过离散现象）时，Poisson回归的等离散假设不再成立，此时负二项回归通过引入额外的离散参数，能够更准确地估计自变量对计数型因变量的影响。本研究使用SPSSAU软件进行负二项回归分析，探讨政府扶持力度、研发合作程度、创新平台数量和研发人员规模对月发明专利数的影响。

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、模型有效性检验

表1报告了负二项回归模型的似然比检验结果。原假设为是否放入自变量两种情况时模型质量均一致。最终模型的-2倍对数似然值为890.993，较仅截距模型的998.486显著下降，似然比卡方值为107.493（df=4，p=0.0000.001），拒绝原假设，说明纳入的4个自变量整体具有统计学意义。AIC值为900.993，可用于后续模型比较。

三、过离散检验

表2报告了过离散检验结果。因变量月发明专利数的均值为1.707，方差为5.577，方差约为均值的3.27倍，存在明显的过离散现象。O检验统计量为26.774，其绝对值远大于1.96（p=0.0000.001），拒绝等离散原假设，证实数据存在显著的过离散特征，选择负二