1) 计算均值和样本方差。应该是分布的，其中是样本的大小并且过程是真正的泊松 - 因为它们是独立的估计相同的方差。$\frac{\bar{X}}{S^2}$$\mathrm{F}(1,n-1)$$n$

请注意，此测试忽略了协变量 - 因此可能不是在这种情况下检查过度分散的最佳方法。

另请注意，该检验可能对零膨胀假设较弱。

3）R中的负二项式：glm.nb从MASS包中使用，或使用负二项式链接使用包中的zeroinfl函数。pscl

4）zip（零膨胀泊松）是一个混合模型。您有一个二元结果，根据该结果，受试者属于 A 组（其中 0 是确定的）或 B 组（其中计数是泊松分布或负二项分布）。观察到的 0 是由于 A 组的受试者 + B 组的受试者恰好幸运。模型的两个方面都可以依赖于协变量：组成员关系建模为逻辑逻辑（对数几率在协变量中是线性的），泊松部分以通常的方式建模：对数均值在协变量中是线性的。因此，您需要逻辑的通常假设（对于某些 0 部分）和泊松的通常假设。换句话说，zip 模型不能解决您的过度分散问题——它只能解决一大堆零的问题。

5）不确定数据集是什么，找不到参考。zeroinfl 需要泊松部分和二进制（确定为 0 或不是）部分的模型。确定的 0 部分排在第二位。所以ma是说人是否是某个0取决于“人” - 假设主题不是某个0，count是camper和child的函数。换句话说，对于那些不需要 0 计数的受试者，log(mean) 是 camper 和 child 的线性函数。

mb 只是根据 camper 和 child 的计数的一般线性模型 - 两者都假定为固定效应。链接函数是泊松。

1. 图书馆（粘贴）

stat.desc(dep_var) - 然后看看均值和方差是否相等。从这里您还可以计算向量中零的百分比。