基本的计数冋归模型是Poisson回归模型。由于 计数数据的复杂性，数据与基本的计数回归模型常常不相吻合，经常出现过大离差 (over-dispersion)或过小离差(under-dispersion)等情形，因而直接利用基本的计数型回归模型 进行数据分析时，分析结果不尽如人意。比如Poisson模型假设均值和方差相等，在实际 数据中，很难达到这一点，常出现方差大于均值的情况，利用Poisson回归模型拟合数据 可能会出现较大的偏差，因此常常使用负二项回归模型，它是Poisson回归模型的推广， 可以很好的解决过大离差问题

谢谢！

https://bbs.pinggu.org/thread-10727200-1-1.html

如果研究X对于Y的影响，Y是计数资料（比如专利数量，肺癌人数，抢劫犯罪次数等，非正态分布数据），一般可以使用Poisson回归进行研究。很多计数资料数据均满足Poisson分布，但Poisson分布对数据要求较为严格，包括数据平稳性，独立性，普通性，并且Poisson分布的数据应满足平均值等于方差，即等离散性。

实际研究中，很多数据为过离散（即不是等离散），比如研究传染病人数，传染病人数明显具有一些空间聚焦现象；以及专利数量，很可能企业之间存在着某种空间意义上的竞争，导致数据具有聚焦现象，诸如此类数据其并不满足Poisson分布的独立性原则。此类数据通常情况下方差会明显的大于平均值，属于过离散数据，此种数据在进行Poisson回归时会导致模型参数估计值的标准误偏小（参数检验的假阳性，不应该显著的项但出现显著）。

因而，如果计数资料不适合Poisson分布时，尤其是数据过离散时，此时使用负二项回归分析更合适。关于数据过离散的检验，SPSSAU在Poisson回归时默认有提供O检验，用于检验数据是否存在过离散现象。

更多的可以参考SPSSAU帮助手册进行学习