转自个人微信公众号【Memo_Cleon】的统计学习笔记：广义线性模型拟合泊松回归。
如果习惯了在对话框中确定结局变量和解释变量，可能会对一般对数线性分析中的泊松回归的对话框有些不适应，因为它不存在因变量的选择问题，在模型中因变量就是单元格的频数/计数，这就需要专用的数据录入格式。如果你对此感到不适应，可以直接使用广义线性模型来拟合泊松回归，泊松回归只是广义线性模型的一种特殊形式而已。
示例依旧采用泊松回归[一般对数线性分析过程]一文中的例子，文中已表明最合适的模型就是饱和模型，因此在采用广义线性模型进行拟合时直接拟合饱和模型，结果和解读跟前面的基本一致，因此不再过多描述，详细解读可以查看【泊松回归[一般对数线性分析过程]】一文，本次笔记重点演示广义线性模型进行拟合泊松回归的操作过程。
数据录入：smoke（0=不吸烟，1=吸烟），agecat（0=35-44岁，1=45-54岁，2=5-64岁，3=65-74岁，5=75-84岁），outcome（0=survival，1=died），count表示每类结果的计数。数据录入格式跟传统格式一致，注意跟[一般对数线性分析]中的数据格式不一样哦。
数据加权：Data>>Weight Case…，将计数变量进行加权。
广义线性模型：Analyze>>Generalized Linear Models>>Generalized Linear Models…
本例在前文的分析中我们已经知道smoke和agecat的交互作用具有统计学意义，需要进一步分析各因素的简单效应，可点击【Paste】进入程序编辑器在原/EMMEANS TABLES=……程序行增加以下两行程序，然后点击运行用于进行简单效应的比较。
/EMMEANS TABLES=smoke*agecat COMPARE=agecat CONTRAST=SIMPLE(1) PADJUST=LSD
/EMMEANS TABLES=agecat*smoke COMPARE=smoke CONTRAST=PAIRWISE PADJUST=LSD
当然我们也可以通过菜单操作，采用拆分文件进行组比较的形式来进行简单效应的比较，我们在一般对数线性分析中Poisson回归中已经演示过，感兴趣可以去查看。
基本信息如下，模型信息、个案处理总结、分类变量与连续变量信息。
拟合优度检验：信息准则可用于比较不同的模型，smaller-is-better，单独一个模型的信息准则意义不大。
全局检验：拟合模型与只含截距、不含任何自变量的模型相比较，The omnibus test is a likelihood-ratio chi-square test of the current model versus the null (in this case, intercept) model. The significance value of less than 0.05 indicates that the current model outperforms the null model. 当前模型P<0.001，表明smoke、agecat及两者的交互作用smoke*agecat的模型比无效模型更有价值。模型效应检验：校正了其他因素以后个因素的主效应检验结果，当两个因素存在交互作用时，主效应的检验已无多大实际意义，应进一步看各因素的单独效应。但交互作用只要存在统计学意义，无论这两个因素有无统计学意义都应纳入模型。Each term in the model is tested for whether it has any effect. Terms with significance values less than 0.05 have some discernible effect. Each of the main-effects terms contributes to the model. 本例smoke和agecat存在交互作用，应进一步看smoke和agecat的单独效应。
参数估计：吸烟与年龄存在交互作用，不同年龄的男医生吸烟和不吸烟对冠心病死亡的影响是不一样的。结果与采用一般对数线性分析中的Poisson分析结果完全一致，详细解读可参见前文。
简单效应的比较：吸烟和不吸烟下，不同年龄的各个水平间的比较，以及不同的年龄组内，吸烟和不吸烟间的比较，具体结果如下不再赘述。The overall test table reports the results of a test of all of the contrasts in the pairwise comparisons table.
转自个人微信公众号【Memo_Cleon】的统计学习笔记：广义线性模型拟合泊松回归。
… E N D …
