Si l'effet de X pour Y, il compte des informations, peut souvent utiliser la régression de Poisson. Cependant, la régression de Poisson nécessite que les données répondent au même niveau (la valeur moyenne et la variance sont égales à). Si les données ont une certaine capacité de mise au point, il est susceptible d'avoir un phénomène discret, ce qui signifie que la valeur moyenne des données est clairement non autorisée. À ce stade, l'utilisation de deux régres négatives est plus scientifique.

Par exemple, le nombre de maladies infectieuses étudiées et le nombre de maladies infectieuses comporte clairement un certain nombre de concentrations d'espace; Et le nombre de brevets, il est susceptible d'avoir un certain sentiment de compétitivité entre les entreprises, de faire des données avec des phénomènes de concentration, tels que ces données. Ne répondez pas aux principes indépendants de la distribution de Poisson. Ce type de données est généralement supérieur à la valeur moyenne, appartenant à des données discrètes. Ces données provoqueront l'erreur standard de l'estimation du paramètre modèle lors de la régression de Poisson
, donc siLes informations de comptage ne sont pas lorsque Poisson est distribué, en particulier lorsque des données discrètes, l'utilisation d'une analyse de régression à deux négatifs est plus appropriée.

Il existe actuellement une étude sur l'impact du nombre de brevets et le soutien gouvernemental aux entreprises en tant que ville de première classe, pour le nombre de brevets d'entreprise. Collision. Au total, 10 villes ont été collectées, comme suit:
X1 Si une ville de première classe: n ° 1 montrée sous forme de ville de première classe, numérique 0 signifie que la ville des villes n'est pas la première Prise en charge du gouvernement X2: Représentation numérique plus grande de la prise en charge des demandes de brevet Y Numéro de brevet: Nombre Indique une certaine invention de degrés pour une ville d'enquêter sur toutes les entreprises Poids: la quantité indique le nombre d'entreprises dans une ville

Deuxièmement, la théorie

] Il existe de nombreuses méthodes de test pour vérifier trop. TrioLe moyen de prendre un jugement complet dans le système SPSSAU, comme dans

, si l'analyse des descriptions, la valeur moyenne est trouvée. Il y a une grande différence avec la valeur de la variance, la deuxième régression négative est raisonnable. Si la valeur moyenne est nettement égale à la valeur de la variance, il convient d'utiliser la régression de Poisson.
Le phénomène trop fixe peut être vérifié par un test O (SPSSAU fourni par défaut)

Vérification du phénomène discret peut être vérifié pour les valeurs alpha et la sortie par défaut lorsque la régression négative négative si la La valeur alpha est significativement inférieure à 0 (la valeur P correspondante est inférieure à 0,05), il sera raisonnable d'utiliser deux régression négative.

Mardi, opération
Connectez-vous à SPSSAU, sélectionnez "Expérience / Recherche médicale" - "Rendements négatifs II".
Le nombre de brevets dans cet exemple est basé sur le "Nombre de poids d'entreprise", de sorte que l'option "Base optable" doit être placée dans "Karma de poids commercial", comme indiquéMarketing ci-dessous:

1. L'expérience est trop séparée

avant la régression moyenne, la valeur moyenne du brevet moyen est 56 500, la variance est de 2480 944, la moyenne n'est pas égale et a un phénomène discret. Et lorsque Poisson retourne SPSSAU, le test O est fourni, la valeur O est significativement supérieure à 1,96 (p = 0,000 & lt; 0,05), rejetée, V.V. Plus approprié.

2. Deux modèles de régression négative à deux négatifs comme test apparemment

Sortie totale de SPSSAU, respectivement, «Deux modèles de régression négative en tant que vérification de la mise à la fois», «Deux résumés Analyse de régression négative des résumés des résultats. "Le modèle de régression à deux négatifs a la possibilité de vérifier" est un test pour l'ensemble du modèle. Si la valeur de l'échantillon P est plus petite 0,05, cela signifie mieux se transformer, c'est un modèle significatif. "Les résultats Les deux analyses de régression négatives sont résumées "est le résultat spécifique des résultats de régression.

Vérifiez le taux de capacités tissulairesIl est utilisé pour analyser l'efficacité du modèle global.

Premièrement: première analyse, si la valeur est inférieure à 0,05, un modèle valide; Si le modèle n'est pas valide;

Lundi: La valeur AIC et les valeurs BIC peuvent être utilisées plus que la comparaison du modèle d'analyse secondaire; Plus de deux valeurs, latériellement que possible, si elle est analysée plusieurs fois, comparez les modifications des deux valeurs, le processus d'optimisation de la structure du modèle;

Premièrement, le modèle est une analyse sexuelle efficace, l'hypothèse initiale du test du modèle est la suivante: la qualité du modèle est à la fois la qualité du modèle lorsque l'argument (X1 est une première classe de la ville, le soutien du gouvernement X2); La valeur de test est de 0,000 sous 0,05 et rejetant donc la version originale à laquelle on pense que le nombre de positions auto-transformées est valide lorsque le modèle est construit et ce modèle est construit.

3. Les résultats de deux analyses de régression négatives
Du tableau ci-dessus, il est connu que X1 est la ville de première classe, soutenant le gouvernement x2 a un total de 2 articles. MontantLe brevet Y est négatif comme une variable, peut être vu à partir de la table ci-dessus, la formule modèle est la suivante: log (y) = - 10 316 + 0,213 * x1 Si une ville de première classe + 0.680 * x2 Soutien au soutien du gouvernement + Nombre d'entreprises Poids). Le code modèle pseudo r (McFadden R est 0.196, montrant que le modèle de recherche peut résoudre la cause de 19,6% des brevets. Une analyse spécifique peut être vue:
Bien que le coefficient de régression X1 soit de 0,213, il n'y a pas de sens ( Z = 0,462, p = 0,644 & gt; 0,05), ce qui signifie que x1 est une ville de première classe n'affectera pas le montant des brevets égaux de y, ce qui signifie que le type urbain n'a pas de relation significative avec le nombre de brevets. Le remboursement du soutien gouvernemental x2 est de 0,680 et l'importance de 0,01 (Z = 6 490, p = 0,000 & lt; 0,01) signifie que le soutien du gouvernement X2 aura un impact positif important sur le nombre de brevets médicaux ainsi que le la valeur des avantages (ou, exp (b)) est 1.973, signifie que le soutien du gouvernement X2 est augmenté par une unité, augmentant le nombre de brevets est de 1 973 fois.