首先，您不应该summary.glm在 class 的对象上使用"negbin"。如果您查看 的函数代码summary.glm，您将在顶部看到 的计算dispersion。请注意，summary.glm 仅知道可以拟合的模型，glm因此它挑选出二项式和泊松族进行特殊处理，其中色散参数$\phi$假定等于 1。对于这些以外的模型，$\phi$是从模型对象计算的，但请注意，这是基于这样的假设，即这适用于非二项式或泊松的族。family拟合的模型glm.nb是"Negative Binomial(theta)"。因此，当您summary.glm在由 拟合的模型上使用时glm.nb，in 代码

if (is.null(dispersion)) 
    dispersion <- if (object$family$family %in% c("poisson", 
        "binomial")) 
        1
    else if (df.r > 0) {
        est.disp <- TRUE
        if (any(object$weights == 0)) 
                warning("observations with zero weight not used for calculating dispersion")
            sum((object$weights * object$residuals^2)[object$weights > 
            0])/df.r
    }

测试"poisson"或"binomial"失败，然后计算$\phi$实际上，默认情况下假定该系列等于 1（根据summary.negbin.

这没有问题，只是调用正确的方法并为$\phi$通过论证dispersion。

其次，你误解了输出。当你看到

Negative Binomial(0.7109)

正如我上面提到的，括号中引用的数字是$\hat{\theta}$，负二项分布的参数。该值是在拟合期间估计的值。它不是$\phi$，色散参数，因此这两个数字不一定相等；它们只是两个数字。

作为计算的分散$\phi$（按照我上面引用的代码）非常接近一（~0.95），假设$\phi = 1$用于标准误差在summary.negbin. 你当然可以，只是做

summary(glm1, dispersion = 0.9509)

并获得该negbin方法为您提供的额外输出，以及计算的而不是假定的值$\phi$.

来自 Venables & Ripley (2002), Modern Applied Statistics with S : 'Theta' 定义了具有形状的伽马分布$\theta$＆ 规模$\frac{1}{\theta}$, 因此均值$1$&方差$\frac{1}{\theta}$. 让$E$是具有此分布的随机变量；一个回应$Y$有条件地分布在$E$作为平均泊松$\mu E$， 在哪里$\mu$是预测变量和系数的函数，具体取决于您选择的链接。边际上，它的分布是负二项式的，具有质量函数

$$f(y)=\frac{\Gamma(\theta +y)}{\Gamma(\theta) y!}\cdot\frac{\mu^y \theta^\theta}{(\mu+\theta)^{\theta+y}}$$

期待

$$\operatorname{E}Y=\mu$$

&方差

$$\operatorname{Var} Y = \mu +\frac{\mu^2}{\theta}$$

正如@Momo 指出的那样，色散参数完全是另一回事，你可以让它变化来做准似然估计。对于负二项式模型和（真）泊松模型，它正确地固定为值 1。