说明：这是一个实战项目（附带数据+代码+文档），如需数据+代码+文档可以直接到文章最后关注 获取 或者私信获取。

1.项目背景

在医疗健康、公共卫生及社会科学研究中，计数型因变量（如患者年就诊次数、疾病发病次数等）极为常见。这类数据往往存在“过离散”（方差显著大于均值）现象，无法满足泊松回归的等离散假设。本项目以居民年度门诊就诊次数（visit_count）为研究目标，综合考虑年龄（age）、慢性病患病情况（chronic_disease）和收入水平（income）等关键因素，采用负二项回归模型进行建模分析。该模型通过引入离散参数有效处理过离散问题，不仅能准确估计各协变量对就诊频率的影响强度，还可计算发病率比（IRR），为理解就医行为驱动机制、优化医疗资源配置提供数据支持与决策依据。           

2.数据获取

本次建模数据来源于网络(本项目撰写人整理而成)，数据项统计如下：

编号	变量名称	描述
1	visit_count	就诊次数
2	age	年龄
3	chronic_disease	慢性病患病情况
4	income	收入水平

数据详情如下(部分展示)：

3.数据预处理

3.1 查看数据

使用head()方法查看前五行数据：

关键代码：

3.2数据缺失查看

数据缺失信息：

从上图可以看到，数据中无缺失值。

关键代码：

3.3数据描述性统计

通过summary方法来查看数据的平均值、最小值、分位数、最大值。

关键代码如下：  

4.探索性数据分析

4.1 分布直方图

用ggplot工具绘制直方图：

4.2 相关性分析

从上图中可以看到，数值越大相关性越强，正值是正相关、负值是负相关。   

5.特征工程

5.1 数据集拆分

通过createDataPartition方法按照80%训练集、20%测试集进行划分，关键代码如下：

6.构建负二项回归模型   

主要通过R构建负二项回归模型，用于目标回归。          

6.1 构建模型

编号	模型名称	参数
1	负二项回归模型	visit_count ~ age + chronic_disease + income
2		data = train_data

6.2 模型摘要信息

变量	系数估计 (Estimate)	标准误 (Std. Err)	z 值	p 值
(Intercept)	0.9596	0.3031	3.166	0.0016***
age	0.0058	0.00409	1.417	0.1564
chronic_disease	-0.01375	0.02832	-0.486	0.6272
incomeLow	0.03372	0.09894	0.341	0.7333
incomeMedium	-0.02118	0.10078	-0.21	0.8335

该负二项回归模型结果显示，截距项显著为正（p = 0.0016），表明在参考水平（年龄为0、无慢性病、高收入）下，预期就诊次数的对数值显著大于0；然而，所有协变量——年龄（p = 0.156）、慢性病状态（p = 0.627）、收入水平（低收入 vs 高收入：p = 0.733；中收入 vs 高收入：p = 0.834）——均未达到统计显著性（p > 0.05），说明在当前样本中，这些因素对门诊就诊次数的影响尚无足够证据支持。模型整体拟合良好（AIC = 1930，残差偏差 ≈ 自由度），但提示可能需扩大样本量、引入非线性或交互效应以提升解释力。

7.模型评估

7.1评估指标及结果  

 测试集 RMSE: 3.277，测试集 MAE: 2.636。

关键代码如下：      

7.2发病率比IRR

	IRR
(Intercept)	2.61
age	1.01
chronic_disease	0.99
incomeLow	1.03
incomeMedium	0.98

模型的发病率比（IRR）结果显示：在控制其他变量的情况下，年龄每增加一岁，预期就诊次数约增加1%（IRR = 1.01）；患有慢性病者的就诊次数约为无慢性病者的99%（IRR = 0.99），略低但差异微弱；低收入群体的就诊次数比高收入群体高约3%（IRR = 1.03），而中等收入群体则略低2%（IRR = 0.98）。截距项表明，参照组（年龄为0、无慢性病、高收入）的预期年就诊次数约为2.61次。总体来看，各协变量的IRR均非常接近1，结合此前不显著的p值，说明这些因素对门诊就诊频率的影响在统计上不显著，实际效应也微弱一些。

8.结论与展望

综上所述，本文采用了R实现负二项回归模型项目实战，最终证明了我们提出的模型效果良好。此模型可用于日常产品的预测。