拟合逻辑回归首先计算零的概率，然后我可以删除所有的零，然后使用我选择的分布拟合正则回归（例如泊松）

你是绝对正确的。这是拟合零膨胀模型的一种方法（或者正如 Achim Zeileis 在评论中指出的那样，这严格来说是一个“障碍模型”，可以将其视为零膨胀模型的特例）。

您描述的过程与“一体化”零膨胀模型之间的区别在于错误传播。与统计中的所有其他两步过程一样，第 2 步中预测的总体不确定性不会考虑预测是否应为 0 的不确定性。

有时这是必要的邪恶。幸运的是，在这种情况下没有必要。在 R 中，您可以使用pscl::hurdle()或fitdistrplus::fitdist()。

您描述的基本思想是一种有效的方法，它通常被称为障碍模型（或两部分模型）而不是零膨胀模型。

然而，至关重要的是非零数据的模型要考虑去除零。如果您将泊松模型拟合到没有零的数据，这几乎肯定会产生较差的拟合，因为泊松分布总是具有零的正概率。自然的替代方法是使用零截断泊松分布，这是计数数据障碍回归的经典方法。

零膨胀模型和障碍模型之间的主要区别在于，在回归的二元部分中对哪个概率进行建模。对于障碍模型，它只是零与非零的概率。在零膨胀模型中，它是具有过量零的概率，即不是由未膨胀分布（例如，泊松）引起的零的概率。

有关 R 中计数数据的障碍和零通货膨胀模型的讨论，请参阅我们在 JSS 中发表的手稿，并作为小插图发送到pscl包中： http: //dx.doi.org/10.18637/jss.v027.i08

ssdecontrol 说的很对。但我想在讨论中增加几分钱。

我刚刚在 YouTube 上观看了 Richard McElreath 关于计数数据的零膨胀模型的讲座。

在控制解释纯泊松模型比率的变量的同时估计 p 是有意义的，特别是如果您认为观察到的零来自泊松分布的机会不是 100% 。

当您考虑模型的参数时，这也是有意义的，因为您最终需要估计两个变量，p 和泊松模型的比率，以及两个方程，计数为零的情况和计数不同的情况零。

图片来源：Statistical Rethinking - A Bayesian Course with Examples in R and Stan by Richard McElreath

编辑：错字