连续R：qcc.overdispersion.test()函数检验等离散性 / 开普饭

poisson回归时有一个基本条件，要求数据均值和方差一致，即等离散性。如果过离散的话，poisson模型不适合进行。

用stack.dat数据拟合一个poisson回归，只有4个变量，是一个化工厂21天内记录氨气流失的数据，Loss是我们的结局变量，氨气损失量，Air.Flow空气流动量， Water.Temp水温，Acid.Conc.酸浓缩比。

poi.fit <- glm(Loss~.,data=stack.dat,family=poisson(link = "log"))summary(poi.fit)

结果如下：

接着计算IRR值，

exp(coef(poi.fit))

直接看参数估算表，即回归系数、IRR值表格。

首先三个自变量中，air和water是显著的，对因变量氨气流失有预测作用，回归系数均大于0，呈现正相关关系。

这里的EXP（B）理解为IRR，类似于OR值。比如air变量的IRR=1.029，可以通俗理解为是：空气流动每增加一个单位，氨气流失增加3%。

那么这个数据是否满足等离散的条件呢？

library(qcc)qcc.overdispersion.test(stack.dat$Loss,type = "poisson")

来看检验的结果：

p值<0.05，说明过离散，模型不可靠，这个结果就很不友好了，它意味着我们拟合的poisson回归模型未必是最恰当的方式，在这种情况下可以考虑负二项回归，或类poisson回归。

本文完

文/图=数据小兵

连续R：qcc.overdispersion.test()函数检验等离散性