如何避免过度分散的泊松回归过度拟合？

如何解决如何避免过度分散的泊松回归过度拟合？

我有一个数据集，包括三个变量，包括公司 ID（有 96 家公司）、专家 ID（有 38 名专家）和专家给公司的分数。点是从 0 到 100 的离散值。我尝试将过度分散的泊松拟合到专家给出的模型点。但是我不知道为什么模型会过度拟合，尽管我使用的是线性似然。这是我的 JAGS 代码：

model_code <- "
model
{
  # Likelihood
  
  for (i in 1:N) {
  
    y[i] ~ dpois(exp(mu[i]))
    mu[i] ~ dnorm(alpha[company[i]] + beta[expert[i]],sigma^-2)
    
  }
  
  # Priors
  
  
    for (j in 1:J){
    alpha[j] ~ dnorm (mu.a,sigma.a^-2) 
    }
    
    for (k in 1:K){
    beta[k] ~ dnorm (mu.a,sigma.a^-2) 
    }
    

  
  mu.a ~ dunif (0,100)
  sigma.a ~ dunif (0,100)
  sigma ~ dunif(0,100)

}
"

有谁知道为什么这个模型会过拟合以及如何修复它？