如何在Python中估计Poisson拟极大似然（Quasi-MLE）模型？

需求背景 #

标准Poisson MLE假设条件均值等于方差，而拟极大似然（Quasi-MLE）允许放松这一约束，比如设定条件方差为a*(条件均值)（其中a为待估计的离散参数）。

错误代码问题分析 #

你之前的尝试存在三个核心问题：

1. 自定义方差函数中使用了未定义的变量z，逻辑不符合Quasi-Poisson的方差形式
2. 调用GLM时错误引用了未定义的sm.families.pois()（应为实例化后的对象，且类名是Poisson而非小写）
3. Python代码缩进不规范，导致函数定义无效

正确实现方案 #

方案一：手动自定义方差函数（匹配你参考的二项式示例思路） #

# 导入依赖库
import numpy as np
import statsmodels.api as sm

# 加载样本数据
data = sm.datasets.star98.load()
data.exog = sm.add_constant(data.exog, prepend=False)

# 定义Quasi-Poisson方差函数：基础方差为mu，后续由scale参数估计a，最终方差=a*mu
class QuasiPoissonVariance(sm.families.varfuncs.VarianceFunction):
    def __call__(self, mu):
        return mu  # 返回均值mu，作为方差的基础项
    
    def deriv(self, mu):
        return np.ones_like(mu)  # 方差对mu的导数为1，保持与mu同形状

# 实例化Poisson家族并替换自定义方差函数
pois_family = sm.families.Poisson()
pois_family.variance = QuasiPoissonVariance()

# 拟合拟Poisson模型，scale="X2"表示用Pearson卡方估计离散参数a
model = sm.GLM(data.endog.NABOVE, data.exog, family=pois_family)
results = model.fit(scale="X2")
print(results.summary())

方案二：直接使用内置QuasiPoisson家族（更简便） #

Statsmodels已内置封装好的QuasiPoisson家族，无需手动定义方差函数：

# 导入依赖库
import numpy as np
import statsmodels.api as sm

# 加载样本数据
data = sm.datasets.star98.load()
data.exog = sm.add_constant(data.exog, prepend=False)

# 直接使用内置QuasiPoisson家族拟合模型
model = sm.GLM(data.endog.NABOVE, data.exog, family=sm.families.QuasiPoisson())
results = model.fit(scale="X2")
print(results.summary())

关键说明 #

• 两种方案的核心逻辑一致：方差为a*mu，其中a是通过scale="X2"参数估计的离散参数（基于Pearson卡方统计量）
• 自定义方差函数时，deriv方法必须返回方差对均值mu的导数，确保模型拟合时的梯度计算正确
• 内置QuasiPoisson家族已经默认实现了方差=scale*mu的逻辑，是生产环境中的首选方式

内容的提问来源于stack exchange，提问作者Simon Firestone