泊松回归分析 | Lattice LLM 数据分析平台

泊松回归适用于分析「发生了多少次」的计数类数据。当你需要研究多个因素（如投放渠道、时长、特征）如何共同影响不良事件数、入院人次或产品缺陷数时，使用此方法可以量化每个因素对事件发生率的净贡献，并自动处理观测窗口的差异。

理解计数回归的逻辑

泊松回归通过对数连接函数，将输入变量与事件发生的对数率联系起来。在分析时，它不仅能告诉你变量是否具有统计学意义，还能直接以「发生率比」（Rate Ratio, RR）的形式展示结果。例如，RR 为 1.25 意味着自变量每增加一个单位，事件发生的比率将增加 25%。

Lattice 的泊松回归工具会自动进行模型拟合与诊断，无需手动编写复杂的代码。系统会输出 McFadden 伪 R² 来衡量模型的解释力，并计算 95% 置信区间以确保结论的可信度。

处理观测窗口与比例模型

在实际运营或科研中，不同样本的观测时长往往不同（例如，对比不同店面的月度投诉，有的店开了 10 天，有的店开了 30 天）。

通过在该工具中设置「曝光量」（exposure），泊松回归会将计数转化为「发生率」进行建模。模型会自动取对数并将结果作为偏移量（offset）处理，从而确保分析结果反映的是单位时间或单位规模下的真实效应，避免因统计时长不同而导致的偏误。

过度离散检验与模型健壮性

泊松模型的一个常见风险是「过度离散」，即实际观测到的数据波动大于泊松分布的理论预测。如果忽略这一点，模型给出的标准误（SE）会过小，导致 p 值虚高，从而出现「假阳性」结论。

Lattice 会自动执行 Pearson 卡方检验来计算离散比率。当该比率超过 2.0 时，系统会判定为严重离散，并明确建议降级使用负二项回归。这种自动化的诊断流程，确保了你在面对不同质量的数据时，始终能获取最稳健的统计解读。