两个不同的多重GLM泊松模型回归，平均点和置信区间。

以下是一个使用Python中的statsmodels库来拟合两个不同的多重GLM泊松模型回归的示例代码：

import numpy as np
import statsmodels.api as sm

# 生成数据
np.random.seed(0)
n = 1000
x1 = np.random.normal(0, 1, n)
x2 = np.random.normal(0, 1, n)
y = np.random.poisson(np.exp(2 + 0.5 * x1 + 0.8 * x2))

# 构建第一个GLM模型：y ~ x1
X1 = sm.add_constant(x1)
model1 = sm.GLM(y, X1, family=sm.families.Poisson()).fit()

# 构建第二个GLM模型：y ~ x2
X2 = sm.add_constant(x2)
model2 = sm.GLM(y, X2, family=sm.families.Poisson()).fit()

# 输出模型结果
print("Model 1:")
print(model1.summary())
print("\nModel 2:")
print(model2.summary())

这段代码首先使用np.random生成了两个正态分布的随机变量作为自变量x1和x2，然后使用np.random.poisson生成了因变量y，其中参数为np.exp(2 + 0.5 * x1 + 0.8 * x2)，即一个多重GLM泊松模型。

然后，通过sm.add_constant为自变量添加常数列，并使用sm.GLM构建了两个GLM模型，分别拟合了y ~ x1和y ~ x2的关系。

最后，使用model.summary()方法输出模型的平均点估计和置信区间等统计信息。

请注意，以上代码仅为示例，实际应用中需要根据数据的特点和需求进行相应的修改和调整。