我用stata软件做了一个泊松回归（如下），但是呢，被解释变量变量的期望值是方差的近两倍（注意是 期望值=2*方差，而不是反过来），是不是就正常泊松回归就好呢？  如果被解释变量的方差明显大于期望，才属于“过度分散”范畴，才需要进一步负二项回归的吧。
如果有解决方法，请附上执行程序，谢谢！

这是第一步回归的结果
Poisson regression                                Number of obs   =        314
                                                  Wald chi2(10)   =     354.19
                                                  Prob > chi2     =     0.0000
Log pseudolikelihood = -378.12065                 Pseudo R2       =     0.0780

------------------------------------------------------------------------------
             |               Robust
           y |      Coef.   Std. Err.      z    P>|z|     [95% Conf. Interval]
-------------+----------------------------------------------------------------
          x1 |   .2618217   .0517657     5.06   0.000     .1603629    .3632806
          x3 |   .0411895     .03679     1.12   0.263    -.0309176    .1132966
          x4 |  -.0100023   .0044458    -2.25   0.024     -.018716   -.0012886
          x5 |  -.0025234    .001835    -1.38   0.169    -.0061199    .0010731
          x6 |   .1639097   .0156482    10.47   0.000     .1332399    .1945796
          x7 |  -.0013505   .0006674    -2.02   0.043    -.0026586   -.0000425
          x8 |  -.1408168   .0484284    -2.91   0.004    -.2357347   -.0458988
          x9 |  -.0388538   .0247231    -1.57   0.116    -.0873101    .0096025
         x10 |  -.0858093   .0178836    -4.80   0.000    -.1208605   -.0507582
         x11 |  -.1091752   .0374353    -2.92   0.004     -.182547   -.0358033
       _cons |   3.527396   .7685826     4.59   0.000     2.021002     5.03379
------------------------------------------------------------------------------


然后看被解释变量y的情况，如下：
                              y
-------------------------------------------------------------
      Percentiles      Smallest
1%            1              1
5%            1              1
10%            1              1       Obs                 315
25%            1              1       Sum of Wgt.         315

50%            1                      Mean           1.457143
                        Largest       Std. Dev.      .8297253
75%            2              5
90%            3              5       Variance        .688444
95%            3              5       Skewness        2.19705
99%            5              6       Kurtosis       8.559191



如果进行负二项回归，就是下面的:
Negative binomial regression                      Number of obs   =        314
Dispersion           = mean                       Wald chi2(10)   =     354.19
Log pseudolikelihood = -378.12065                 Prob > chi2     =     0.0000

------------------------------------------------------------------------------
             |               Robust
           y |      Coef.   Std. Err.      z    P>|z|     [95% Conf. Interval]
-------------+----------------------------------------------------------------
          x1 |   .2618217   .0517657     5.06   0.000     .1603629    .3632806
          x3 |   .0411895     .03679     1.12   0.263    -.0309176    .1132966
          x4 |  -.0100023   .0044458    -2.25   0.024     -.018716   -.0012886
          x5 |  -.0025234    .001835    -1.38   0.169    -.0061199    .0010731
          x6 |   .1639097   .0156482    10.47   0.000     .1332399    .1945796
          x7 |  -.0013505   .0006674    -2.02   0.043    -.0026586   -.0000425
          x8 |  -.1408168   .0484284    -2.91   0.004    -.2357347   -.0458988
          x9 |  -.0388538   .0247231    -1.57   0.116    -.0873101    .0096025
         x10 |  -.0858093   .0178836    -4.80   0.000    -.1208605   -.0507582
         x11 |  -.1091752   .0374353    -2.92   0.004     -.182547   -.0358033
       _cons |   3.527396   .7685826     4.59   0.000     2.021002     5.03379
-------------+----------------------------------------------------------------
    /lnalpha |  -49.64164          .                             .           .
-------------+----------------------------------------------------------------
       alpha |   2.76e-22          .                             .           .
------------------------------------------------------------------------------