Poisson泊松回归结果解读：计数数据的建模分析.docxVIP

Poisson回归结果解读

一、方法概述

Poisson回归是广义线性模型的重要分支之一，适用于因变量为计数数据（非负整数）的统计分析场景。该方法假设因变量服从Poisson分布，即事件的平均发生率等于其方差（等离散性假定）。Poisson回归通过建立对数链接函数，将因变量的期望值与自变量之间的非线性关系转化为线性模型进行参数估计，广泛应用于医学、流行病学、保险精算等领域中事件发生次数的影响因素分析。

在实际研究中，当研究者需要探究多个因素对某事件发生次数的影响方向和影响程度时，Poisson回归能够提供回归系数、优势比（OR值）等关键指标，帮助量化各自变量对因变量的独立效应。本研究使用SPSSAU软件进行Poisson回归分析，对模型整体有效性、各自变量的显著性及其影响方向进行系统评估，并通过过离散检验验证模型假设的合理性。

在SPSSAU【实验/医学研究】模块选择【Poisson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

为评估Poisson回归模型的整体拟合效果，首先对模型进行似然比检验。该检验的原假设为：是否放入自变量（x1、x2、x3、x4）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844.735，较仅截距模型的1187.028大幅下降，似然比卡方值为342.293（df=4），对应的p值为0.0