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，本篇文章将实例演示在Stata软件中实现泊松回归分析的操作步骤。

关键词：Stata; 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(beat)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(tea)、是否吸烟(smoke)。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(tea)”，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(smoke)”，赋值为“0”和“1”(0为不吸烟，1为吸烟)，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：

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：观察变量的发生相互独立。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。

*绘制箱式图*

graph box beat

异常值通过箱线图和专业知识进行判断，图2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。

*描述性分析*

summarize beat, detail

图3描述性分析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，提示数据满足等离散性。

*拟合线性回归模型后计算容忍度及方差膨胀因子*

本例中，图4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，如果“1/VIF(容忍度)”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。

*描述性分析*

tab tea

tab smoke

sum beat

*拟合具有回归系数的poisson回归模型*

poisson beat i.tea i.smoke

*拟合具有IRR效应量的poisson回归模型*

poisson beat i.tea i.smoke, irr

*生成模型拟合指标*

estat ic

图5和图6、图7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8中似然比χ2值为32.88，P