在没有看到数据集（不可用）的情况下，它似乎大多是正确的。泊松回归的好处在于，当按照建议使用时，它们可以提供比率。可能值得记住的一件事是，可能存在过度分散，您应该切换到负二项式回归（请参阅 MASS 包）。

泊松回归不关心数据是否聚合，但实际上非聚合数据很脆弱，可能会导致一些意外错误。请注意，您不能surv == 0在任何情况下都拥有。当我测试的估计是相同的：

set.seed(1)
n <- 1500
data <- 
  data.frame(
    dead = sample(0:1, n, replace = TRUE, prob = c(.9, .1)),
    surv = ceiling(exp(runif(100))*365),
    gender = sample(c("Male", "Female"), n, replace = TRUE),
    diagnosis = sample(0:1, n, replace = TRUE),
    age = sample(60:80, n, replace = TRUE),
    inclusion_year = sample(1998:2011, n, replace = TRUE)
  )

library(dplyr)
model <- 
  data %>% 
  group_by(gender, 
           diagnosis,
           age,
           inclusion_year) %>% 
  summarise(Deaths = sum(dead),
            Person_time = sum(surv)) %>%
  glm(Deaths ~ gender + diagnosis + I(age - 70) + I(inclusion_year - 1998) + offset(log(Person_time/10^3/365.25)), 
      data = . , family = poisson)

alt_model <- glm(dead ~ gender + diagnosis + I(age - 70) + I(inclusion_year - 1998) + offset(log(surv/10^3/365.25)), 
    data = data , family = poisson)
sum(coef(alt_model) - coef(model))
# > 1.779132e-14
sum(abs(confint(alt_model) - confint(model)))
# > 6.013114e-11

当你得到一个速率时，将变量居中是很重要的，这样截距是可解释的，例如：

> exp(coef(model)["(Intercept)"])
(Intercept) 
    51.3771

可以解释为基本利率，然后协变量是利率比率。如果我们想要 10 年后的基准利率：

> exp(coef(model)["(Intercept)"] + coef(model)["I(inclusion_year - 1998)"]*10)
(Intercept) 
     47.427 

我目前已将包含年份建模为趋势变量，但您可能应该检查非线性，有时对时间点进行分类很有用。我在本文中使用了这种方法：

D. Gordon、P. Gillgren、S. Eloranta、H. Olsson、M. Gordon、J. Hansson 和 KE Smedby，“皮肤黑色素瘤发病率的时间趋势（按详细解剖位置和紫外线照射模式）：回顾性人群基于研究，”黑色素瘤研究，第一卷。25，没有。4，第 348-356 页，2015 年 8 月。