同一张 counts 表，泊松标准误 0.0527、负二项 0.1583，听哪一张？

次数已经过散时听负二项。泊松按 Var=μ 算标准误，本例方差 2.56>均值 1.68，0.0527 偏紧，z=10.5 过于好看。负二项用 α=4.4573 把 SE 拉到 0.1583，IRR 仍约 1.77 且 p<0.001，但 CI [1.297, 2.412] 才配得上额外波动。点估计接近时，选更宽、更不愿假阳性的那套。

α=4.4573 已经很大，为什么 Pearson χ²/df 反而只有 0.142？

两步法先把一个偏大的 α 钉进 GLM，Pearson 统计量是「在这个 α 之下」的残差分散度。α 过大时残差会被吃掉，χ²/df 可以掉到 1 以下，看起来像欠散。它不是让你退回泊松的绿灯，只说明辅助回归的 α 可能偏猛。报告时同时写 α 与 χ²/df，不要只摘其中一个。

方差只比均值大约 1.5 倍，还要不要上负二项？

值得对照。1.5 倍已经违反严格等离散；泊松的 z 会膨胀。本例两套 IRR 都在 1.74–1.77，结论方向不变，但区间宽度差一截。论文可以主报负二项，附录放泊松。若 α 估出来接近 0 且两套 SE 几乎一样，再主报泊松。

SPSS GENLIN 负二项的 α 和 4.4573 对不上怎么办？

先确认是不是同一 220 行、同一条解释变量。StatsX 用 Cameron–Trivedi 辅助回归得到 α 再固定进 GLM；SPSS 常见做法是对 α 做联合极大似然或用设定的偏差参数。α 不同，标准误会跟着不同，但 IRR 点估计通常仍接近。核对时优先对系数与 IRR，把 α 当成诊断量而不是必须咬齐的第三位小数。

负二项回归 · StatsX

Q: α=4.4573 已经很大，为什么 Pearson χ²/df 反而只有 0.142？

两步法先把一个偏大的 α 钉进 GLM，Pearson 统计量是「在这个 α 之下」的残差分散度。α 过大时残差会被吃掉，χ²/df 可以掉到 1 以下，看起来像欠散。它不是让你退回泊松的绿灯，只说明辅助回归的 α 可能偏猛。报告时同时写 α 与 χ²/df，不要只摘其中一个。

Q: 方差只比均值大约 1.5 倍，还要不要上负二项？

值得对照。1.5 倍已经违反严格等离散；泊松的 z 会膨胀。本例两套 IRR 都在 1.74–1.77，结论方向不变，但区间宽度差一截。论文可以主报负二项，附录放泊松。若 α 估出来接近 0 且两套 SE 几乎一样，再主报泊松。

Q: SPSS GENLIN 负二项的 α 和 4.4573 对不上怎么办？

先确认是不是同一 220 行、同一条解释变量。StatsX 用 Cameron–Trivedi 辅助回归得到 α 再固定进 GLM；SPSS 常见做法是对 α 做联合极大似然或用设定的偏差参数。α 不同，标准误会跟着不同，但 IRR 点估计通常仍接近。核对时优先对系数与 IRR，把 α 当成诊断量而不是必须咬齐的第三位小数。

这篇能回答什么

负二项回归回答的是：「在次数已经过散的前提下，解释变量升高一单位，平均次数变成几倍，以及这个倍数的区间有多宽」。它沿用对数联结，但把条件方差写成 μ+αμ²。α 越大，同样的均值允许更多额外波动，Wald 区间就越宽，假阳性越少。

适合：网站异常登录、投诉件数、就诊次数——均值可能只有一两次，偶尔暴出极端高峰。教学示例与泊松那页共用 counts 表，好让你并排看标准误如何被拉宽。可选定类分组后各估一套 α。

什么时候不该用

方差已经贴着均值、且你更在意与教科书泊松对照时，先看泊松回归。Y 不是次数，回到线性回归。只检验单列次数是否等于常数，用泊松检验。Y 有小数或超过百万量级会被拒绝。

如何选择方法

同一张次数表，先看样本方差相对均值：大约持平走泊松；明显更大、或泊松的 p 好得不像话，走负二项。α 接近 0 时两套 IRR 会靠拢。

负二项回归：输出系数、加宽后的标准误、IRR、IRR 95% CI，以及 α 与 Pearson χ²/df。
泊松回归：α 不估计，标准误按 Var=μ 计算，往往更窄。
线性回归：忽略次数的非负与均值—方差关系。
泊松检验：不放解释变量的单样本次数检验。

泊松回归 (Poisson)

针对因变量为计数数据（非负整数）的广义线性回归模型，支持按分组变量进行分组建模对比。

线性回归（最小二乘法）

用于确定两种或两种以上变量间相互依赖的定量关系的一种统计分析方法；定类自变量自动虚拟变量编码，亦支持按分组变量进行分组建模对比。

泊松分布检验

检验计数数据是否服从泊松分布（均等分散），作为计数模型的设定检查。

描述性统计

对定量变量进行统计描述，支持按定类或连续维度分组对比；连续分组变量自动分箱为区间，并输出各组合计贡献占比。

输入、输出与限制

输入

因变量必须是非负整数次数。自变量可为定量或定类。分组变量可选。角色与泊松回归相同，差别在估计与表注里的 α。

自变量：最少 1 个，最多 30 个（定量或定类）。
因变量：最少 1 个，最多 1 个（定量，且必须是非负整数）。
分组变量：最少 0 个，最多 2 个（定类）。

输出

结果表列与泊松相同：系数、标准误、z、p、IRR、IRR 95% CI。表注额外给出过度分散参数 α 与分散度 Pearson χ²/df。洞察会在 α>0.05 时强调过散。图为 IRR 看板；单一连续 X 时再给均值曲线。

产品限制

α 不是与 β 同时做的全信息极大似然：先拟合泊松，再用 Cameron–Trivedi 辅助回归估 α，然后把 α 固定进负二项 GLM。
因此 SPSS GENLIN 若对 α 做联合 ML，表注里的 4.4573 可以对不上。
Y 必须是非负整数；有效 N<5 或最大值过大将拒绝。
Pearson χ²/df 在 α 很大时可能远小于 1，不能据此立刻退回泊松。
分组只保留样本量最大的前 12 组。

案例

研究问题。 同一份 counts 表示发生次数的方差（2.56）已经高于均值（1.68）。研究者担心泊松把标准误估太紧，希望在仍使用对数联结的前提下，用 α 把区间拉到与过散相称的宽度。

教学示例同样来自空间运算表「counts」，有效样本量 220。0 次 59 行，最高 8 次仅 1 行。自变量仍是「解释变量」。下载后可复现 α=4.4573，以及解释变量 IRR 1.7683、区间 [1.297, 2.412]。

下载教学示例表（空间与计数）

在 StatsX 中操作

步骤 1 · 仍用 counts 工作表

上传 spatial.xlsx，切到「counts」。单文件不超过 20 MB。建议先跑一遍泊松，记下标准误 0.0527，再来对照。
步骤 2 · 看一眼均值与方差

描述性统计里若方差明显高于均值，或零值成堆，就值得开负二项。本例 2.56 对 1.68，属于轻度到中度过散。
步骤 3 · 选择「负二项回归」

在算法目录搜索「负二项」或「过度离散」，点选负二项回归。入口与泊松并列，不要指望系统自动替你切换。
步骤 4 · 角色与泊松保持一致

自变量勾选解释变量，因变量勾选发生次数，便于两张表并排。本案例不分组。点击运行分析。
步骤 5 · 对照 α、标准误与区间宽度

先看 α=4.4573 是否远大于 0，再看解释变量 SE 是否从泊松的 0.05 量级变成 0.16 量级。IRR 点估计接近时，听更宽的那条区间。

确认次数列为非负整数，并记下大致的零值比例。

如何阅读输出

下表由同一份 counts 教学示例在 StatsX 中运行负二项回归得到。有效 N = 220。表注：McFadden 伪 R²=0.0586，似然比 p<0.001，α=4.4573，Pearson χ²/df=0.142。伪 R² 低于泊松页的 0.1423，因为过散被 α 吸收后，似然尺度上的「拟合优度」不再和等离散模型可比。

负二项回归 (Negative Binomial)结果 (因变量: 发生次数)

变量	回归系数(Coef)	标准误	z值	p值	IRR (发生率比)	IRR 95% CI
常数项	0.4026	0.1543	2.6097	0.009	1.4956	[1.105, 2.024]
解释变量	0.57	0.1583	3.601	<0.001	1.7683	[1.297, 2.412]

左右滑动可查看完整表格

模型: 负二项回归 (Negative Binomial) | 样本量 N=220 | McFadden 伪 R²=0.0586 | 模型似然比 P值=<0.001。过度分散参数 α=4.4573。分散度(Pearson χ²/df)=0.142。

负二项回归发生率比看板 — IRR 看板的区间比泊松页更宽；完整 α 以表注为准。

【计数回归】因变量为『发生次数』，采用『负二项回归 (Negative Binomial)』建模，有效样本量 N=220。【过度分散检验】过度分散参数 α=4.4573，因变量方差显著大于均值，表明数据存在显著过度分散，采用负二项回归可有效纠正标准误并避免假阳性错误。【显著·解释变量】统计显著(p < 0.001, α=0.05)，IRR=1.768 (95% CI [1.297, 2.412])，呈现显著促进效应 (发生率提高 76.8%)。

解释变量系数 0.57，标准误 0.1583，z=3.601，p<0.001，IRR=1.7683，IRR 95% CI 为 [1.297, 2.412]。点估计和泊松的 1.7398 几乎同向同量，但标准误从 0.0527 涨到 0.1583，区间从 [1.569, 1.929] 扩成 [1.297, 2.412]。这就是 α=4.4573 的代价：仍显著，却不再允许你把「z>10」写进摘要。Pearson χ²/df=0.142 远小于 1，说明辅助回归给出的 α 可能偏大、把残差吃过头；不要反过来读成「现在欠散，该退回泊松」。截距 0.4026（p=0.009，IRR=1.4956）对应解释变量为 0 时的平均次数水平。

理论与公式

均值仍走对数联结，与泊松相同：log μ = Xβ。差别在方差。NB2 把额外波动写成均值的二次项：

StatsX 先拟合泊松得到 μ̂，再用 Cameron–Trivedi 无截距辅助回归估计 α：

估得的 α 被裁到至少约 0.001，再作为 NegativeBinomial 族的固定参数送进 GLM。α→0 时方差退回 μ，负二项退化成泊松。本页 α=4.4573 很大，所以区间显著变宽。发生率比仍是 exp(β)，与泊松同一读法。辅助回归不是联合 ML：和 SPSS 若对 α 一起极大似然，数字不必逐位相同，但「过散则加宽标准误」的方向应一致。

注意事项

α 来自两步法，不是和斜率绑在同一个似然里，跨软件对 α 时先问估计方式。
Pearson χ²/df=0.142 不能单独证明「现在应该改回泊松」。
伪 R² 跨泊松 / 负二项不可比，不要写「负二项拟合更差所以放弃」。
洞察文案把 α=4.4573 说成「显著过散」时，请同时报样本方差与均值，避免只扔一个 α。
极端高峰仍可能驱动 α；删掉唯一的 8 次再拟合，α 可能下降。

常见问题

参考文献

Cameron, A. C., & Trivedi, P. K. Regression-based tests for overdispersion in the Poisson model. Journal of Econometrics, 1990.
Hilbe, J. M. Negative Binomial Regression. Cambridge University Press.
Cameron, A. C., & Trivedi, P. K. Regression Analysis of Count Data. Cambridge University Press.