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0.000，小于0.01的显著性水平。因此拒绝原假设，表明纳入的自变量x1、x2、x3、x4对模型具有显著贡献，模型构建具有统计学意义。此外，最终模型的AIC值为854.735，BIC值为872.909，这两个指标可用于后续与其他模型的比较，数值越低表明模型拟合效果越优。
三、样本缺失情况
在模型分析之前，需对进入模型的样本情况进行说明，结果如表2所示。
由表2可知，本次分析共有280个有效样本进入模型，无缺失数据被排除，样本利用率为100%，保证了分析结果的完整性和可靠性。
四、Poisson回归分析结果
以x1、x2、x3、x4为自变量，y为因变量进行Poisson回归分析，结果如表3所示。模型的McFadden R方为0.288，表明自变量可以解释因变量y约28.8%的变异。模型公式为：log(u) = log(base_n) - 6.983 + 0.564*x1 + 0.445*x2 - 0.144*x3 - 0.092*x4（其中u代表期望均数）。
备注：因变量=y；McFadden R方=0.288
由表3可知，各自变量对因变量y的影响情况如下：
（1）x1的回归系数为0.564，在0.01水平上显著（z=13.135，p=0.000），OR值为1.757（95% CI：1.616~1.912），表明x1每增加一个单位，y的期望发生次数增加为原来的1.757倍，即x1对y具有显著的正向促进效应。
（2）x2的回归系数为0.445，在0.01水平上显著（z=10.629，p=0.000），OR值为1.561（95% CI：1.438~1.694），表明x2每增加一个单位，y的期望发生次数增加为原来的1.561倍，x2对y同样具有显著的正向影响。
（3）x3的回归系数为-0.144，在0.01水平上显著（z=-3.195，p=0.001），OR值为0.866（95% CI：0.793~0.946），表明x3每增加一个单位，y的期望发生次数降低为原来的0.866倍，x3对y具有显著的负向抑制效应。
（4）x4的回归系数为-0.092，在0.05水平上显著（z=-2.125，p=0.034），OR值为0.912（95% CI：0.838~0.993），表明x4每增加一个单位，y的期望发生次数降低为原来的0.912倍，x4对y具有显著的负向影响，但效应相对较弱。
图1 Poisson回归森林图
由图1森林图可知，x1和x2的OR值及其95%置信区间均位于参考线1的右侧，表明二者对y具有正向促进作用；x3和x4的OR值及其95%置信区间均位于参考线1的左侧，表明二者对y具有负向抑制作用。各变量的置信区间均未跨越参考线1，与回归系数的显著性检验结果一致，进一步验证了上述分析结论的稳健性。
* p<0.05 ** p<0.01 括号里面为z值
五、过离散检验
Poisson回归的前提假设之一是数据满足等离散性，即因变量的均值与方差大致相等。若数据存在过离散现象（方差远大于均值），则Poisson回归的估计结果可能有偏，此时应考虑使用负二项回归等替代方法。过离散O检验结果如表5所示。
由表5可知，因变量y的平均值为1.925，方差为5.525，方差明显大于均值，初步提示数据可能存在过离散现象。O检验的O值为22.087，其绝对值远大于临界值1.96，对应p值为0.000（p<0.01），表明数据存在显著的过离散问题。在此情况下，Poisson回归的标准误估计可能偏低，建议后续可考虑使用负二项回归进行对比分析，以获得更为稳健的统计推断。
图2 Poisson回归模型预测图
由图2可知，该图展示了Poisson回归模型的预测结果，可以直观观察到模型预测值与实际观测值之间的拟合情况，有助于评估模型的实际预测效果。
六、结论
本研究基于280个有效样本，利用SPSSAU软件进行Poisson回归分析，探讨x1、x2、x3、x4对因变量y的影响。模型似然比检验结果表明模型整体有效（chi2=342.293，p<0.001），McFadden R方为0.288，具有一定的解释力。分析结果显示，x1和x2对y产生显著的正向影响（OR值分别为1.757和1.561），x3和x4对y产生显著的负向影响（OR值分别为0.866和0.912）。然而，过离散O检验结果提示数据存在显著的过离散现象（O=22.087，p<0.001），建议后续研究可进一步采用负二项回归进行验证分析，以提高模型估计的稳健性。