只有数据的性质和您感兴趣的问题才能告诉您哪些回归最适合您的情况。因此，没有任何测试可以告诉您这些方法中的哪一种最适合您。（单击下面的回归方法链接可查看 SPSS 中的一些工作示例。）

• 如果您有二元结果（例如死亡/活着、生病/健康、1/0），那么逻辑回归是合适的。
• 如果您的结果是离散计数，则可以使用泊松回归或负二项式回归。

请记住，泊松分布假设均值和方差相同。有时，您的数据会显示大于平均值的额外变化。这种情况称为过度离散，负二项式回归在这方面比泊松回归更灵活（在这种情况下您仍然可以使用泊松回归，但标准误差可能有偏差）。负二项分布比泊松回归多一个参数，泊松回归独立于均值调整方差。事实上，泊松分布是负二项分布的一个特例。

这太长了，无法发表评论，所以我将其作为答案。

总体而言，二项式与泊松和负二项式之间的区别在于数据的性质；测试无关紧要。

关于泊松回归的要求存在广泛的误解。方差等于均值是泊松的特征，但是泊松回归不需要响应的，也不需要响应的边际分布是泊松的，正如经典回归要求它是正态的（高斯）。

有可疑的标准误差并不是致命的，尤其是因为您可以在泊松回归的体面实现中获得对标准误差的更好估计。

泊松也不是绝对要求计算响应。它通常适用于非负连续变量。有关泊松低估（双关语）的更多信息，请参阅

http://blog.stata.com/tag/poisson-regression/

及其参考。该博客条目的 Stata 内容不应阻止不使用 Stata 的人对其感兴趣和使用。

很难就泊松和负二项式回归之间的选择提出很好的建议。看看泊松回归做得好不好；否则考虑负二项式回归的更大复杂性。

我不能建议使用 SPSS。如果您需要使用其他软件来灵活实现泊松或负二项式回归，我不会感到惊讶。

在 SPSS Statistics 中，GENLIN 命令处理泊松、负二项式和其他一些。（分析 > 广义线性模型）。它是高级统计选项的一部分。

泊松/负二项式也可以与偏移量等于一的二元结果一起使用。当然，数据必须来自预期设计（队列、rct 等）。Poisson 或 NB 回归给出了更合适的效果测量 (IRR) 与逻辑回归的优势比。

NB 回归比 Poisson 回归运行起来“更安全”，因为即使过度离散参数（Stata 中的 alpha）在统计上不显着，结果也将与其 Poisson 回归形式完全相同。