负二项式回归对均值和离散参数的影响

如何解决负二项式回归对均值和离散参数的影响

我的因变量过于分散。因此，我想对我的数据应用广义负二项式回归。另外，我想检查指标对均值和离差参数的影响，就像在这两篇论文中一样：

在第128页上： Fleming，Lee（2001）：技术搜索中的重组不确定性。在管理科学47（1），第117-132页。 DOI：10.1287 / mnsc.47.1.117.10671。

在第719页上：丹尼斯（Verhoeven），丹尼斯； JurriënBakker； Veugelers，Reinhilde（2016）：使用基于专利的指标来衡量技术新颖性。在研究政策45（3），第707-723页。 DOI：10.1016 / j.respol.2015.11.010。

两位作者都在STATA中进行了回归，因此我不能依靠他们的代码，因为我想在Python中（如果可能的话，在SPSS中）。

我当前的Python代码处理回归并显示回归系数。但是，我看不到获得均值和离差影响的选项：

expr = """CIT_REC ~ SCIENCE_NOV  
+ APY + PBY + IPC_A + IPC_B + IPC_C + IPC_D + IPC_E + IPC_F + IPC_G + IPC_H + IPC_Y + NUM_CLAims + NUM_ID_CLAims + NUM_DP_CLAims + COMPL_CLAims"""

y_train,X_train = dmatrices(expr,df_train,return_type='dataframe')

X_train = sm.add_constant(X_train)

poisson_training_results = sm.GLM(y_train,X_train,family=sm.families.Poisson()).fit()
#print(poisson_training_results.summary())

import statsmodels.formula.api as smf
df_train['BB_LAMBDA'] = poisson_training_results.mu

df_train['AUX_OLS_DEP'] = df_train.apply(lambda x: ((x['CIT_REC'] - x['BB_LAMBDA'])**2 - x['CIT_REC']) / x['BB_LAMBDA'],axis=1)

ols_expr = """AUX_OLS_DEP ~ BB_LAMBDA - 1"""
aux_olsr_results = smf.ols(ols_expr,df_train).fit()
print(aux_olsr_results.params)

nb2_training_results = sm.GLM(y_train,family=sm.families.NegativeBinomial(alpha=aux_olsr_results.params[0])).fit()
print(nb2_training_results.summary())

这是当前输出。

                 Generalized Linear Model Regression Results                  
==============================================================================
Dep. Variable:                CIT_REC   No. Observations:               120332
Model:                            GLM   Df Residuals:                   120316
Model Family:        NegativeBinomial   Df Model:                           15
Link Function:                    log   Scale:                          1.0000
Method:                          IRLS   Log-Likelihood:            -3.7912e+05
Date:                Thu,08 Oct 2020   Deviance:                       74180.
Time:                        10:45:42   Pearson chi2:                 2.05e+05
No. Iterations:                    14                                         
Covariance Type:            nonrobust                                         
=================================================================================
                    coef    std err          z      P>|z|      [0.025      0.975]
---------------------------------------------------------------------------------
Intercept       228.8814      3.172     72.148      0.000     222.664     235.099
SCIENCE_NOV       3.3563      0.532      6.309      0.000       2.314       4.399
APY               0.0129      0.008      1.663      0.096      -0.002       0.028
PBY              -0.1385      0.008    -17.227      0.000      -0.154      -0.123
IPC_A            26.0610      0.353     73.732      0.000      25.368      26.754
IPC_B            25.3848      0.352     72.015      0.000      24.694      26.076
IPC_C            24.7705      0.356     69.669      0.000      24.074      25.467
IPC_D            24.6420      0.382     64.585      0.000      23.894      25.390
IPC_E            25.0614      0.357     70.161      0.000      24.361      25.762
IPC_F            25.3837      0.358     70.980      0.000      24.683      26.085
IPC_G            25.6531      0.352     72.802      0.000      24.962      26.344
IPC_H            25.7289      0.354     72.631      0.000      25.035      26.423
IPC_Y            26.1960      0.367     71.351      0.000      25.476      26.916
NUM_CLAims       -0.5566      0.178     -3.123      0.002      -0.906      -0.207
NUM_ID_CLAims     0.5767      0.178      3.235      0.001       0.227       0.926
NUM_DP_CLAims     0.5758      0.178      3.230      0.001       0.226       0.925
COMPL_CLAims     -0.0002   2.56e-05     -7.709      0.000      -0.000      -0.000
=================================================================================

编辑：我要求作者得到以下消息。我们使用状态“ nbreg”命令，并指定“ lnalpha（vars）”作为对色散建模的选项。 python或SPSS中有类似的功能吗？