好吧，如果您的分子直接解释为计数，那么泊松回归和对数转换结果线性回归对于相同的参数都是一致的。在这种情况下，唯一的差异是观测值的加权方式（见第 2 段）。如果您的结果是比率并且您测量了（可变）分母（例如 1-3$\mu$gs 活检肿瘤或 1-20 ccs 血液），您需要使用一些替代方法来解释两组中的各种权重差异。在线性回归和泊松回归中，这都是以偏移的形式出现的。我很好奇这是否应该成为您的问题的考虑因素。

在 OLS 中，均值与方差无关（在经典假设下），因此您的拟合模型将具有最小平方残差，这在很大程度上是由大计数驱动的。在 Poisson GLM 中，大计数通过逆方差重新加权显着降低。使用一个或多个散点图（取决于调整变量的数量）和拟合曲线检查数据分布确实是一个非常重要的考虑因素。您肯定需要验证高杠杆率/高影响力的观察结果，以验证您提出的替代建模方法。

使用稳健标准误差（稳健回归的一种特殊形式）并不假设均值与方差无关，但它确实使用了这样的工作概率模型，因此虽然稳健标准误差是一致的，但您的点估计值将不稳定，并且您的推理的功效将较低（比您可以为数据假设更好的工作概率模型时）。

尽管R在泊松 GLM 中警告您有关非整数计数，但有很多理智的回归模型，特别是在生态学中，其中非整数泊松结果出现，例如来自各个流域的一立方米采样水中的浮游生物浓度，或流式细胞术评估活检肿瘤组织中的 mRNA 浓度。