在R中解釋泊松輸出[重複]
我在解釋 R 中完成的泊鬆對數線性模型的結果時遇到了一些問題。我會給出我的想法，如果有人願意擴展它，那就太好了。我只需要幫助解釋係數。
我在網上看到了一些解釋，但幾乎所有的使用都使用主效果或只使用一種效果來解釋。此外，堆棧交換的答案並不是外行人可以理解的那麼簡單。先感謝您。
數據來自題為“澳大利亞醫療保健和健康保險需求的微觀計量模型”的論文
這是帶有間隔的反向轉換數據。
我做了一些初步的推論，
我們可以由此推斷，醫生對零歲女性的預期就診次數為 0.23（截距），CI 為 0.195 和 0.271。
每多一名男性，醫生的預期就診次數增加 0.45，CI 為 0.349 和 0.576。
隨著年齡增加一個單位，CI 為 1.006 和 1.012 的女性的醫生就診次數增加 1.009。
同樣，隨著年齡增加一個單位，如果患者是男性，醫生的就診次數增加 1.012，CI 為 1.007 和 1.017。
它是否正確？
由於是泊松模型，因變量的期望值與自變量通過對數鏈接的逆相關，也就是說
$ E(y) = \exp(\beta_0 + \beta_1 x_1 + \beta_2 x_2 + \beta_3 x_1 x_2) $
其中，x1 = 0 如果女性，1 如果男性，x2 = 年齡，並且 $ \beta_0 $ 到 $ \beta_3 $ 是按 R 輸出中顯示的順序估計的係數。
當你有一個零歲的女性時，這裡的三個自變量都等於零。因此，零歲女性的預期訪問次數為 $ \exp(-1.466168) = 0.23 $ 這就是攔截的意義。如果你取它的指數，你會得到基線訪問次數，其中基線意味著所有自變量都設置為零。
零歲男性的預期訪問次數為 $ \exp(-1.466168 - 0.801987) = 0.10 $ 要么 $ \exp(-.801987) = 0.45 $ 乘以零歲女性的預期訪問次數。
隨著年齡的增長，女性的預期訪問次數會增加 1 倍 $ \exp(0.009322) = 1.009 $ 或約 1%。
隨著年齡的增長，男性的預期訪問次數會增加 1 倍 $ \exp(0.009322 + 0.012186) = 1.022 $ 或約 2%。
因此，總體而言，與女性相比，您預計新生兒男性的就診次數約為女性的一半，但預期的就診次數會隨著年齡的增長而增加，大約是女性的兩倍。
AIC 孤立地沒有幫助。您可以將其與某些替代模型的 AIC 進行比較。粗略地說，在調整參數數量後，具有較低 AIC 的模型具有更好的擬合度。
您可以使用偏差進行擬合優度檢驗；基本上，無論任何無法解釋的變化是否是由於您對泊松分佈所期望的那種隨機變化造成的。
泊松模型的參數一般沒有封閉形式的解；它們必須使用數值方法計算。Fisher 評分迭代告訴優化器必須經過多少次迭代才能將偏差（我認為）最小化到某個可接受的容差範圍內。如果迭代次數真的很高，您可能只會擔心這一點，這可能指向指定不當的模型（無論如何，您可能會從異常大的參數值和/或標準錯誤中發現）。