手工拟合泊松回归后，如何通过绘图检验过度离散问题？

嘿，针对你问的泊松回归里检验过度离散该对比哪些变量绘图，我给你整理几个业界常用且直观的组合，都是实战里好用的：

• 拟合值（Fitted Values） vs. 皮尔逊残差（Pearson Residuals）
  这是最经典的排查方式。如果数据符合泊松假设，残差应该均匀散布在0线附近，不会随着拟合值升高出现明显的扩散；但要是存在过度离散，你会看到残差的波动范围随着拟合值增大越来越宽，形成典型的“喇叭口”形状。
• 拟合值（Fitted Values） vs. 分组观测方差（Grouped Observed Variance）
  泊松分布的核心是「均值=方差」，所以你可以先按拟合值的区间分组，计算每组原始计数的方差，再把拟合值（也就是组内均值）和对应组的方差做散点图。如果大部分点都落在对角线（y=x）的上方，那基本就能确定存在过度离散——方差显著大于均值。
• 观测计数（Observed Counts） vs. 拟合值（Fitted Values）
  这个图主要看整体拟合效果，但也能辅助判断过度离散。要是存在过度离散，随着拟合值增大，观测值的离散程度会远超泊松分布的预期，尤其是在拟合值较高的区域，观测点会大幅偏离拟合线，分散得更厉害。
• 分类自变量（若有） vs. 皮尔逊残差绝对值
  如果你有分类的自变量，可以按类别拆分数据，画每个类别下残差绝对值的箱线图。如果某些类别的残差绝对值明显偏大，且这种差异没法用现有模型解释，尤其是当该类别内的均值较高时，这也是过度离散的信号之一。

小提醒：绘图只是初步的可视化判断，之后最好搭配统计检验来确认，比如偏差拟合优度检验（Deviance Goodness-of-Fit Test）或者皮尔逊拟合优度检验（Pearson Goodness-of-Fit Test）——如果检验的p值远小于0.05，就更能支撑过度离散的结论。

内容的提问来源于stack exchange，提问作者Dima Ku