泊松回归：对计数数据建模的方法

在分析涉及事件计数的数据时——例如每天的客户投诉数量、每月的住院人数、或每小时的网站点击量——普通线性回归往往会产生误导性的结果。计数数据具有独特特征，需要专门的建模方法。

泊松回归为计数数据提供了一种专门的统计方法。不同于可能预测出负值的线性回归，泊松回归确保预测保持为非负整数。这使其在以事件计数为决策核心的任何领域都尤为有价值。

如果您是回归分析新手，我们的R 语言回归入门课程将提供本教程所需的基础概念。若您已准备好探索更广泛的回归技术家族，R 中的广义线性模型课程将全面讲解包含泊松回归在内的统计框架。

理解计数数据及其挑战

计数数据的特殊性

计数数据表示某事在固定时间或空间内发生的次数。示例包括每份保单每年提交的保险理赔次数，或某个路口每月发生的交通事故数。

计数数据具有一些显著特性，使得普通线性回归并不合适：

• 仅非负整数：计数不可能为负或小数。
• 右偏分布：大多数计数数据集中在较低取值，偶有较高取值，形成典型的右尾。
• 方差随均值增加：平均计数越高，变异性通常也越大。

为何线性回归会失效

考虑基于产品复杂度和客户满意度评分来预测客户投诉数量。线性回归会将其视为连续结果，可能预测出如 -1.5 次或 14.7 次这样的不可能值。

更棘手的是，线性回归假设在所有预测水平上的方差恒定。事实上，在预测投诉数较高的周，变异性很可能比预测数较低的周更大。这种模式称为异方差性，会导致置信区间和假设检验不可靠。

泊松分布作为基础

泊松回归构建于泊松概率分布之上，它天然适用于描述计数数据。泊松分布只有一个参数（lambda），同时表示计数的均值和方差。均值与方差相等的性质（等散性）是我们在实践中需要验证的关键假设。

该分布擅长建模“稀有”事件——并非一定发生少见，而是指各次发生彼此独立，且在相似条件下发生率相对稳定的事件。

何时使用泊松回归

首先，让我们讨论泊松回归表现良好的理想条件。随后，再谈真实世界的应用。

理想情形

当您的数据满足以下条件时，泊松回归效果最佳：

• 事件独立：每次发生不影响其他事件。一次保险理赔不会使另一件更可能或更不可能（不考虑欺诈模式的前提下）。
• 发生率恒定：在相似条件下，事件的平均发生率保持稳定。急诊就诊量可能因星期几不同而变化，但相似月份的每周二应呈现一致模式。
• 明确的时间或空间框架：在清晰定义的时间段或区域内计数。“每月投诉数”优于“有时按天、有时按周计数的投诉”。
• 无明显过多的零：虽然出现一些零是预期的，但如果零远多于泊松分布的预期，可能需要专门的零膨胀模型。

常见应用

在医疗与流行病学中，研究者会在不同地区或时间段内跟踪疾病病例，并按人口规模进行调整。例如，他们可能研究疫苗接种率如何影响每 10 万人的感染数。

在商业与市场营销中，团队会分析客户行为，如购买频率、客服工单或参与度。电商公司常基于营销投入、季节性与促销活动来建模每日订单量。

还有一个泊松回归中常见的示例：制造团队按批量或检验周期监测缺陷率，以便及早发现质量问题并改进流程。

理解模型结构与假设

对数链接函数

泊松回归并非直接建模计数，而是将期望计数的对数表示为预测变量的线性组合。

这种对数变换确保预测保持为正。具体而言，对数链接函数将期望计数变换到对数刻度，确保对均值计数的模型预测严格为正。反变换（取指数）后得到：

这种结构意味着预测变量的变化对期望计数产生乘法效应。

解读乘法效应

在线性回归中，预测变量增加一个单位会给结果加上一个常数；在泊松回归中，预测变量增加一个单位会将期望计数乘以一个常数因子。

例如，若“营销投入”的系数为 0.1，则每增加 1 美元的营销投入，会将期望客户数量乘以 e^0.1 ≈ 1.105，约等于 10.5% 的提升。

尽管看起来更复杂，但这种特性对商业应用往往更直观，因为我们常以百分比变化和相对效应来思考。

需验证的关键假设

与任何模型一样，有些假设需要我们关注：

• 独立性：观测值之间不应相互影响。如果分析按日计数的时间序列，强烈的时间模式可能表明存在依赖性，需要更复杂的建模。
• 等散性：方差应与均值大致相等。计算该比值——远大于 1 的数值提示需要处理过度离散。
• 正确的函数形式：预测变量与对数计数之间应大致线性。非线性关系可能需要多项式项或变换。
• 无严重离群点：极端计数值可能对结果施加过大影响。需调查离群值是数据错误还是确有其事的极端事件。

处理暴露量与偏置项（offset）

理解暴露变量

许多计数数据集涉及不同的暴露水平——时间段、人口规模或观测强度各不相同。例如，比较城市间事故数量需要考虑人口差异，而比较月度销售额则需注意不同月份天数不同。

暴露变量代表使计数可比的“分母”。若未进行适当调整，大城市理所当然会有更多事故，天数更长的月份销售额更高，从而可能掩盖您真正想研究的关系。

实现偏置项

偏置项提供了一种将暴露变量以系数固定为 1 的方式纳入模型。偏置项让您在保持计数数据结构的同时，建模的是比率而非原始计数。

其数学形式为：

重排该等式：

这表明您实际上在建模对数比率，其中比率 = 计数/暴露量。

何时有用

• 人口调整的疾病率：在比较各县的 COVID-19 病例数时，将 log(population) 作为偏置项。这样，系数代表对每人病例率的影响，而非总病例数。
• 时间调整的业务指标：如果分析月度销售且某些月份有不同的促销天数，将 log(promotional_days) 作为偏置项，以研究每个促销日的销售额。
• 面积调整的环境数据：在不同生境斑块中统计物种目击次数时，将 log(area_surveyed) 作为偏置项，以建模物种密度而非原始计数。

偏置项确保当暴露量加倍时，期望计数也加倍（其他条件不变），这正是基于比率现象的自然关系。

解读系数与结果

从系数到发生率比

原始的泊松回归系数表示对数计数的变化，不易直接解读。对系数取指数可将其转化为发生率比（IRR），更直观易懂。

IRR 表示当预测变量增加一个单位时，期望计数的乘法性变化：

• IRR = 1.0：无影响（预测变量不改变发生率）
• IRR = 1.2：发生率增加 20%
• IRR = 0.8：发生率降低 20%
• IRR = 2.0：增加 100%（翻倍）

解读不同类型的预测变量

• 连续型预测变量：若年龄的 IRR 为 1.03，则每增加 1 岁，期望计数乘以 1.03，即增加约 3%。10 岁差异的效应为 1.03^10 ≈ 1.34，约 34% 增加。
• 二元预测变量：若性别（男性 vs 女性）的 IRR 为 1.5，则男性的发生率是女性的 1.5 倍，即高出 50%。
• 类别型预测变量：对于多类别变量，各水平与参考类别进行比较。若“冬季”相对“夏季”的 IRR 为 0.7，则冬季事件比夏季少 30%。

理解置信区间

IRR 的置信区间为您的比率估计提供不确定性范围。IRR 为 1.25，95% 置信区间为 [1.10, 1.42]，表示您有充分把握认为真实效应介于发生率增加 10% 与 42% 之间。

若置信区间包含 1.0，则该效应可能不具统计显著性。例如，IRR 为 1.15 且 CI 为 [0.95, 1.39]，暗示该预测变量可能没有影响。

实用沟通策略

向非技术受众呈现结果时，聚焦于百分比变化而非比率本身。与其说“IRR 为 1.3”，不如说“该因素与事件发生率提高约 30% 相关”。

给出具体示例：“基于我们的模型，营销投入增加 1000 美元，大约与客户获客增加 15% 相关，从平均每月 20 人提升到约 23 人。”

在 R 中实现泊松回归

既然已经理解了结果解读的细节，接下来我们在 R 中实现。

数据准备与探索

在拟合任何模型之前，请认真检查您的计数数据。首先加载必要的库并探索分布：

library(ggplot2)
library(dplyr)

# Example: Website daily visitor counts
data <- data.frame(
  visitors = c(42, 48, 39, 52, 44, 58, 51, 47, 41, 49, 40, 46, 43, 54, 50),
  day_of_week = factor(c("Mon", "Tue", "Wed", "Thu", "Fri", "Sat", "Sun",
                        "Mon", "Tue", "Wed", "Thu", "Fri", "Sat", "Sun", "Mon")),
  marketing_spend = c(200, 150, 180, 250, 220, 400, 350, 300, 160, 190,
                     140, 210, 380, 420, 170),
  temperature = c(22, 25, 19, 24, 26, 28, 30, 27, 21, 23, 18, 25, 29, 31, 20)
)

# Check mean vs variance (should be similar for Poisson)
mean(data$visitors)
var(data$visitors)
var(data$visitors) / mean(data$visitors) # Should be close to 1

# Visualize the distribution
ggplot(data, aes(x = visitors)) +
  geom_histogram(bins = 8, fill = "lightblue", color = "black") +
  labs(title = "Distribution of Daily Visitors",
       x = "Number of Visitors", y = "Frequency")

> mean(data$visitors)
[1] 46.93333
> var(data$visitors)
[1] 30.35238
> var(data$visitors) / mean(data$visitors)
[1] 0.6467127

方差与均值之比为 0.65，与 1 相当接近，说明我们的数据很适合使用泊松回归。尽管不完全相等，但一般 0.5 到 1.5 的比值可接受，提示泊松分布为建模此类计数数据提供了良好基础。

网站每日访客分布。图片作者自制。

该直方图显示访客数大致对称地分布在每日约 47 人附近，范围约为 39 至 58。这种分布模式与可通过泊松回归有效建模的计数数据一致。

拟合模型

glm() 函数配合 family = poisson 可拟合泊松回归模型：

# Basic Poisson regression
model <- glm(visitors ~ day_of_week + marketing_spend + temperature,
             family = poisson, data = data)

# View key model results
summary(model)

# Calculate Incidence Rate Ratios (IRRs)
exp(coefficients(model))

以下为系数表：

Coefficients:
                 Estimate Std. Error z value Pr(>|z|)    
(Intercept)     3.2978122  0.5556601   5.935 2.94e-09 ***
day_of_weekMon  0.0724036  0.1635467   0.443    0.658    
day_of_weekSat  0.0316265  0.2872878   0.110    0.912    
day_of_weekSun  0.0339621  0.2502578   0.136    0.892    
day_of_weekThu  0.1068756  0.1870821   0.571    0.568    
day_of_weekTue  0.0442967  0.1633032   0.271    0.786    
day_of_weekWed  0.0653789  0.1813230   0.361    0.718    
marketing_spend 0.0001593  0.0018211   0.087    0.930    
temperature     0.0186099  0.0317682   0.586    0.558

以下为发生率比（IRR）：

(Intercept)  day_of_weekMon  day_of_weekSat  day_of_weekSun  day_of_weekThu  day_of_weekTue  day_of_weekWed marketing_spend 
27.053386        1.075089        1.032132        1.034545        1.112796        1.045292        1.067563        1.000159 
temperature 
1.018784 

系数显示的是对数尺度上的效应，但 IRR 更直观。例如，星期四（day_of_weekThu）的 IRR 为 1.11，表明相比参考类别星期五，访客多约 11%。营销投入的 IRR 为 1.0002，表示每增加 1 美元，预期访客增加约 0.02%。

请注意，如果我们计算这些 IRR 的置信区间，许多将包含 1.0，表明在这个小样本下效应并不显著。这在小数据集中很常见，也说明样本量的重要性。

用偏置项纳入暴露量

如果数据具有不同的暴露时长，可将其作为偏置项加入：

# Example with exposure data
data$exposure_days <- c(rep(7, 10), rep(6, 5))  # Some weeks had 6 observation days

# Model with offset
model_offset <- glm(visitors ~ day_of_week + marketing_spend + temperature + 
                   offset(log(exposure_days)), 
                   family = poisson, data = data)

summary(model_offset)

Call:
glm(formula = visitors ~ day_of_week + marketing_spend + temperature + 
    offset(log(exposure_days)), family = poisson, data = data)

Coefficients:
                  Estimate Std. Error z value Pr(>|z|)   
(Intercept)      1.734e+00  5.579e-01   3.109  0.00188 **
day_of_weekMon   2.371e-02  1.637e-01   0.145  0.88485   
day_of_weekSat   9.873e-02  2.898e-01   0.341  0.73338   
day_of_weekSun   1.208e-01  2.472e-01   0.489  0.62513   
day_of_weekThu   5.642e-02  1.871e-01   0.302  0.76297   
day_of_weekTue  -6.713e-02  1.634e-01  -0.411  0.68128   
day_of_weekWed  -6.073e-02  1.825e-01  -0.333  0.73934   
marketing_spend -4.231e-05  1.823e-03  -0.023  0.98149   
temperature      8.210e-03  3.179e-02   0.258  0.79623

加入偏置项后，系数会明显变化。截距从 3.30 降至 1.73，其他效应也变小。这是因为我们现在建模的是“每天的比率”，而不是在不同时长上的总计数。

偏置项通过调整不同的暴露时长来确保公平比较。若无此调整，观测天数更多的时段会虚高，从而可能掩盖真正的关系。模型现在回答的是“每日访客率是多少？”而非“总访客数是多少？”

进行预测

为新情景生成预测：

# Create new data for prediction
new_data <- data.frame(
  day_of_week = factor("Fri", levels = levels(data$day_of_week)),
  marketing_spend = 300,
  temperature = 25
)

# Predict expected counts
predicted_counts <- predict(model, newdata = new_data, type = "response")
print(paste("Expected visitors:", round(predicted_counts, 1)))

[1] "Expected visitors: 45.2"

该模型在周五、营销投入 300 美元且气温 25℃ 的情境下预测 45.2 名访客。此预测落在观测数据的合理范围（39–58）内，且接近整体均值 46.9。

与线性回归可能产生不可能的负值不同，泊松回归在四舍五入后自然确保预测为非负整数。type = "response" 参数返回的是原始计数尺度上的预测，而非模型内部使用的对数尺度。

关键的模型诊断

检查过度离散

当方差超过均值时，会出现过度离散，违背泊松的关键假设：

# Calculate dispersion statistic
residual_deviance <- model$deviance
df_residual <- model$df.residual
dispersion <- residual_deviance / df_residual

print(paste("Dispersion statistic:", round(dispersion, 3)))

if (dispersion > 1.5) {
  print("Possible overdispersion detected")
  print("Consider quasi-Poisson or negative binomial models")
}

[1] "Dispersion statistic: 0.849"

离散统计量为 0.849，接近 1，说明模型拟合良好，不存在显著过度离散。值接近 1 表明该数据集满足泊松“均值等于方差”的假设是合理的。

由于该统计量低于 1.5，因此不会出现警告信息，确认标准泊松回归是合适的。若该值远大于 1（通常高于 1.5），则需要考虑准泊松或负二项模型来处理额外变异。

残差分析

检查残差以发现模式或模型违背之处：

# Calculate Pearson residuals
fitted_values <- fitted(model)
pearson_residuals <- residuals(model, type = "pearson")

# Plot residuals vs fitted values
plot(fitted_values, pearson_residuals,
     xlab = "Fitted Values", ylab = "Pearson Residuals",
     main = "Residuals vs Fitted")
abline(h = 0, col = "red", lty = 2)

残差图显示围绕 0 的随机散点。 图片作者自制。

残差图中数据点围绕零线随机分布、无明显模式，表明模型拟合良好。残差大致在 -1 到 +1 之间波动，对该样本量而言合理。

好的残差图应具备：围绕零的随机散布（无曲线模式）、在拟合值范围内方差大致稳定（无喇叭口形状）、且无极端离群点。该图满足这些标准，说明泊松回归假设得到满足，我们的模型结果可靠。

处理过度离散

若检测到过度离散，可考虑调整标准误的准泊松模型：

# Fit quasi-Poisson model
quasi_model <- glm(visitors ~ day_of_week + marketing_spend + temperature, 
                   family = quasipoisson, data = data)

由于我们的模型离散度良好（0.849），此处无需准泊松调整。但当方差超过均值时，此方法能提供更保守的置信区间与 p 值，对于现实世界中常见的过度离散计数数据非常有用。

呈现与解读结果

生成清晰的结果摘要

将模型输出转化为与业务相关的洞见，聚焦于 IRR 的实际含义。若模型显示周末相较工作日的 IRR 为 1.4，可表述为“周末访客约多 40%”。若营销投入的 IRR 为 1.002，可说明“每增加 1 美元营销投入，访客约增加 0.2%”。

对于连续变量，考虑用更有意义的区间来呈现效应。与其讨论气温上升 1 度的影响，不如展示 10 度差异的影响，这对业务规划更具参考价值。

理解模型局限性

泊松回归识别的是相关性，而非因果关系。即使营销投入与访客数量存在强相关，也不能证明营销导致了增长。其他因素可能共同影响二者。呈现结果时请承认这一点。

该模型假设在给定预测变量取值时，发生率保持恒定。若您的业务存在未纳入变量的季节性趋势，或预测变量与结果之间的关系随时间变化，模型对未来时期的外推可能不佳。

常见挑战与解决方案

处理零计数

计数数据常包含零，这在泊松回归中完全合理。然而，若零值远多于泊松分布的预期，可能表明数据生成过程不同。某些观测可能代表事件根本不可能发生的时期或条件，而非可能发生但恰好未发生的时期。

例如，网站访客计数在网站维护停机的日子可能出现零。这些“结构性零”不同于泊松过程中自然出现的“随机零”。

建模策略

从基于领域知识的最重要预测变量入手。逐个添加变量并评估其是否增强了您对数据的理解。更复杂的模型并不总是更好。

关注效应的实际意义，而不仅仅是统计显著性。统计上显著的 1% 变化可能不足以驱动业务行动，而 20% 的变化即便边际上不显著，也可能值得通过更多数据进一步研究。

处理假设违背

当等散性不成立（方差远大于均值）时，准泊松回归提供了简单解决方案。它保持相同的模型结构，但调整标准误以反映额外变异，从而得到更保守的置信区间和 p 值。

对于严重的过度离散，负二项回归会显式建模额外变异，同时估计均值关系与附加变异。

最佳实践与建议

避免常见错误

不要忽视过度离散——这是最常见的泊松假设违背之一，会严重影响结论。始终检查方差与均值之比，并在必要时考虑替代方法。

谨慎外推超出数据范围的结论。若营销投入数据范围为 100 至 1000 美元，请勿自信地预测 5000 美元时的效应。极端值下关系可能不再保持对数线性。

避免将所有类别型预测变量视为等间距。教育水平（高中、部分大学、大学毕业）对结果变量的影响可能并不等距。

文档记录与流程

记录您的建模决策，尤其是对假设违背的处理方式。若发现过度离散并选择了准泊松调整，请记录该决定及其对解读的影响。

结论

泊松回归为多个领域的计数数据分析提供了有效框架。在将这些技术应用于您的数据时，从简单模型出发，并基于统计证据与领域知识逐步增加复杂度。当假设被违背时，诸如准泊松或负二项模型等扩展是很好的替代方案。目标不仅是统计显著性，更是能指导更佳决策的务实洞见。

如果您希望深化回归方面的能力，我们的R 语言中级回归课程涵盖高级诊断技术与建模策略，可与您在此掌握的泊松回归技能形成互补。R 中的广义线性模型也是不错的选择。