我试图将我的数据拟合到各种模型中，并发现库中的fitdistr函数是最适合我的。现在从wiki页面，定义如下：MASSRNegative Binomial
NegBin(r,p) 分布描述了 k+r Bernoulli(p) 试验中 k 次失败和 r 次成功的概率，最后一次试验成功。
用于执行模型R拟合给了我两个参数mean和dispersion parameter. 我不明白如何解释这些，因为我在 wiki 页面上看不到这些参数。我只能看到以下公式：
其中k是观察次数和r=0...n。现在我如何将这些与给出的参数联系起来R？帮助文件也没有提供太多信息。
另外，就我的实验说几句话：在我正在进行的一项社会实验中，我试图计算每个用户在 10 天内联系的人数。实验的人口规模为 100。
现在，如果模型符合负二项式，我可以盲目地说它遵循该分布，但我真的很想了解这背后的直观含义。说我的测试对象联系的人数服从负二项分布是什么意思？有人可以帮忙澄清一下吗？
您应该进一步查看 NB 上的 Wikipedia 文章，其中显示“伽马-泊松混合物”。虽然您引用的定义（我称之为“硬币翻转”定义，因为我通常将其定义为“假设你想翻转硬币直到你得到头”）在介绍性概率或数理统计上下文中更容易推导并且更有意义，伽马-泊松混合（根据我的经验）是一种更普遍有用的方式来考虑应用上下文中的分布。（特别是，此定义允许色散/尺寸参数的非整数值。）在此上下文中，您的色散参数描述了作为数据基础的假设 Gamma 分布的分布，并描述了个体之间在其内在接触水平上未观察到的变化。特别是，的 Gamma 分布的变异系数为可能有助于思考这一点；如变大，潜在变异性消失，分布接近泊松。
正如我在之前给你的帖子中提到的，我正在努力让我的头脑围绕拟合分布来计算数据。这是我学到的东西：
当方差大于平均值时，过度离散很明显，因此负二项式分布可能是合适的。如果方差和均值相同，建议使用泊松分布，当方差小于均值时，建议使用二项分布。
使用您正在处理的计数数据，您正在使用 R 中负二项式函数的“生态”参数化。以下免费书籍的第 4.5.1.3 节（第 165 页）专门讨论了这一点（在上下文中R，不少于！），我希望，可以解决你的一些问题：
http://www.math.mcmaster.ca/~bolker/emdbook/book.pdf
如果您得出结论认为您的数据是零截断的（即，0 次观测的概率为 0），那么您可能需要查看 R VGAM 包中 NBD 的零截断风格。
以下是其应用示例：
library(VGAM)
someCounts = data.frame(n = c(1,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16),
freq = c(182479,76986,44859,24315,16487,15308,5736,
2843,1370,1115,1127,49,100,490,106,2))
fit = vglm(n ~ 1, posnegbinomial, control = vglm.control(maxit = 1000), weights=freq,
data=someCounts)
Coef(fit)
pdf2 = dposnegbin(x=with(someCounts, n), munb=0.8344248, size=0.4086801)
print( with(someCounts, cbind(n, freq, fitted=pdf2*sum(freq))), dig=9)
我希望这是有帮助的。