在前面文章中介绍了泊松回归分析(Poisson Regression Analysis)的假设检验理论，本文将实例演示在SPSS软件中实现泊松回归分析的操作步骤。

关键词：SPSS; 泊松回归; Poisson回归; 等离散

某临床医师对39名有胸闷症状的非器质性心脏病男性患者的24小时早搏数进行了临床研究记录，每个患者的研究因素包括是否喝浓茶、是否吸烟。请利用该资料对24小时早搏数的影响因素进行分析。

创建代表患者编号的变量“ID”；代表患者喝浓茶情况的分类变量“是否喝浓茶”，赋值为“0”和“1”(0为不喝浓茶1为喝浓茶)；代表患者吸烟情况的分类变量“是否吸烟”，赋值为“0”和“1”(0为不吸烟，1为吸烟)，以上变量测量尺度均设为“Nominal(名义)”；创建代表患者24小时早搏数的计数变量“早搏数”，测量尺度设为“Scale(标度)”。部分数据见图1。本文案例可从“附件下载”处下载。

本案例的分析目的是了解有胸闷症状的非器质性心脏病男性患者24小时早搏数的影响因素。了解单位时间、单位面积或单位空间内某事件发生数的影响因素，可以考虑使用Poisson回归分析。但需要满足以下6个条件：

本案例的分析目的是了解有胸闷症状的非器质性心脏病男性患者24小时早搏数的影响因素。了解单位时间、单位面积或单位空间内某事件发生数的影响因素，可以考虑使用Poisson回归分析。但需要满足以下6个条件：

条件1：观察变量为计数变量。本研究中心脏病男性患者的24小时早搏数为计数变量，该条件满足。

条件2：观测值的发生相互独立。本研究中各研究对象的每次早搏事件发生都是独立的，不存在互相干扰的情况，该条件满足。

条件3：至少有1个自变量，可以是分类变量，也可以是连续变量。本研究中有两个分类自变量，分别为是否喝浓茶和是否吸烟，该条件满足。

条件 4：观察变量不存在显著的异常值，该条件需要通过软件分析后判断。

条件5：观察变量服从Poisson分布，即满足等离散性，表现为计数值的平均值(近似)等于方差。该条件可以通过数据特征进行初步判断，本研究的观察变量为心脏病男性患者24小时早搏数(计数资料)，从专业知识可知，早搏发生频数较低，各单位时间内的发生情况相互独立，基本满足Poisson分布的条件。同时还也可以结合软件分析进行判断。

条件6：自变量之间无多重共线性。该条件需要通过软件分析后判断。

① 点击“分析”—“描述统计”—“探索”(图2)。

② 在“探索”对话框中将变量“早搏数”选入“因变量列表”，点击“确定”(图3)。

异常值通过箱线图和专业知识进行判断，图4箱线图提示存在一个异常值。查看数据表可以发现在早搏数的第14位数值为17，依据专业可判定该值可以保留。综上，本案例未发现需要处理的异常值，满足条件4。

① 点击“分析”—“非参数检验”—“旧对话框”—“单样本K-S检验”(图5)。

② 在“单样本K-S检验”对话框中将变量“早搏数”选入“检验变量列表”。下方“检验分布”中已默认勾选了“正态”进行正态性检验，本案例中需要进行Poisson分布检验，所以勾选“泊松”，然后点击“确定”(图6)。

结果分别输出了正态性检验和Poisson分布检验的结果。图7为Poisson分布检验结果，可以发现P=1.000>0.1，服从Poisson分布，满足条件5。此外，通过描述性分析也可发现早搏数的均数为7.31，方差为10.692，均数近似等于方差，也提示数据满足等离散性。

① 点击“分析”—“回归”—“线性”(图8)。

② 将变量“早搏数”选入“因变量”，变量“是否喝浓茶”和“是否吸烟”选入“自变量”(图9)。

③ 点击“统计”，在“统计”页面中勾选“共线性诊断”(图10)，其他保持默认不变，点击“继续”后回到主对话框，点击“确定”。

如果“容差”小于0.1或“VIF(方差膨胀因子)”大于10，则表示存在严重共线性。本例中，图11结果显示容忍度均为1，远大于0.1，方差膨胀因子均为1，远小于10，表明不存在严重多重共线性。

① 选择“分析”—“广义线性模型”—“广义线性模型...”(图12)。

② 在“广义线性模型”对话框中选择“模型类型”，在该页面下的“计数”部分选择“泊松对数线性”(图13)。

③ 在“广义线性模型”对话框中选择“响应”，在该页面下将变量“早搏数”选入右侧“因变量”框中(图14)。

④ 在“广义线性模型”对话框中选择“预测变量”，在该页面下将分类变量“是否喝浓茶”和“是否吸烟”选入右侧“因子”框中(图15)。点击下方的“选项”，在“选项”页面的“因子类别顺序”下选择“降序”，这样在构建模型时就是以“不喝浓茶”和“不吸烟”作为参照。然后点击“继续”回到主对话框。

⑤ 在“广义线性模型”对话框中选择“模型”，把页面中间的构建项类型选为“主效应”，然后将左侧变量“是否喝浓茶”和“是否吸烟”选入右侧“模型”框中(图17)。

⑥ 在“广义线性模型”对话框中选择“估算”，在该页面下的“协方差矩阵”部分选中“稳健估算量”，其他保持默认不变，如图18所示。

⑦ 在“广义线性模型”对话框中选择“统计”，在该页面下的“打印”部分选中“参数估计”下的“包括指数参数估计”，其他保持默认不变，如图19所示，然后点击“确定”。

图20和图21分别是对模型中的分类变量和连续变量的统计描述结果。

图22为拟合优度检验结果，AIC和BIC值用于多次分析时的对比，图中注释提示信息准则是越小越好，这两个值对于单独一个模型的信息准则意义不大。如果多次进行模型分析，可对比两个值的变化情况，综合说明模型构建的优化过程。

图23是Omnibus检验结果，可见似然比χ2值为32.884，P