在零膨胀泊松情况下，如果$\mathbf{B}=\mathbf{G}$， 然后$\beta$和$\lambda$两者具有相同的长度，即$\mathbf{B}$或者$\mathbf{G}$. 因此，参数的数量是设计矩阵列数的两倍，即包括截距在内的解释变量数量的两倍（以及所需的任何虚拟编码）。

在直接泊松回归中，没有$\mathbf{p}$向量担心，无需估计$\lambda$. 所以参数个数就是长度$\beta$即零膨胀情况下参数数量的一半。

现在，没有什么特别的原因$\mathbf{B}$必须相等$\mathbf{G}$，但通常它是有道理的。但是，可以想象一个数据生成过程，其中发生任何事件的机会是由一个过程创建的$\mathbf{G\lambda}$和一个完全不同的过程$\mathbf{B\beta}$在给定非零事件的情况下，驱动有多少事件。作为一个人为的例子，我根据他们的历史考试成绩选择教室来玩一些不相关的游戏，然后观察他们的进球数。在这种情况下 $\mathbf{B}$可能与$\mathbf{G}$（如果驾驶历史考试成绩与游戏中驾驶表现不同）和$\beta$和$\lambda$可以有不同的长度。$\mathbf{G}$可能有更多的列$\mathbf{B}$或更少。因此，在这种情况下，零膨胀泊松模型将比简单的泊松模型具有更多参数。

在通常的实践中，我认为$\mathbf{G} = \mathbf{B}$大多数时候。