负二项回归分析结果解读一、方法概述负二项回归Negative Binomial Regression是处理计数型因变量过离散数据的广义线性回归方法。当因变量的方差显著大于均值即存在过离散现象时Poisson回归的等离散假设不再成立此时负二项回归通过引入额外的离散参数能够更准确地估计自变量对计数型因变量的影响。本研究使用SPSSAU软件进行负二项回归分析探讨政府扶持力度、研发合作程度、创新平台数量和研发人员规模对月发明专利数的影响。在SPSSAU【实验/医学研究】模块选择【负二项回归】将变量拖拽至右侧对应分析框操作如下图二、模型有效性检验表1报告了负二项回归模型的似然比检验结果。原假设为是否放入自变量两种情况时模型质量均一致。最终模型的-2倍对数似然值为890.993较仅截距模型的998.486显著下降似然比卡方值为107.493df4p0.0000.001拒绝原假设说明纳入的4个自变量整体具有统计学意义。AIC值为900.993可用于后续模型比较。三、过离散检验表2报告了过离散检验结果。因变量月发明专利数的均值为1.707方差为5.577方差约为均值的3.27倍存在明显的过离散现象。O检验统计量为26.774其绝对值远大于1.96p0.0000.001拒绝等离散原假设证实数据存在显著的过离散特征选择负二项回归模型而非Poisson回归是恰当的。四、回归分析结果表3展示了负二项回归的具体分析结果。模型公式为Log(Y)0.2060.639×政府扶持力度0.479×研发合作程度-0.219×创新平台数量0.235×研发人员规模。McFadden R²0.108。1政府扶持力度的回归系数为0.639在0.01水平上高度显著z7.677p0.000OR1.89595% CI: 1.610~2.231。政府扶持力度每增加一个单位月发明专利数增加至1.895倍是影响最大的正向因素。2研发合作程度的回归系数为0.479在0.01水平上高度显著z5.581p0.000OR1.61595% CI: 1.365~1.911。研发合作程度每增加一个单位月发明专利数增加至1.615倍。3创新平台数量的回归系数为-0.219在0.01水平上显著z-2.702p0.007OR0.80395% CI: 0.685~0.942。创新平台数量每增加一个单位月发明专利数反而降低至0.803倍可能反映了平台资源利用效率不足或资源配置的结构性问题。4研发人员规模的回归系数为0.235在0.01水平上显著z2.791p0.005OR1.26595% CI: 1.073~1.493。研发人员规模每增加一个单位月发明专利数增加至1.265倍。五、森林图图1 负二项回归森林图图1为负二项回归的森林图展示了各自变量的OR值及其95%置信区间。参考线为OR1置信区间不包含1表示效应显著。从图中可见政府扶持力度的OR值最高1.895效应最强研发合作程度次之1.615研发人员规模1.265效应相对较小但仍显著创新平台数量的OR值小于10.803为负向效应。六、样本情况表4显示所有280个样本均有效进入模型无缺失数据。七、结论本研究通过负二项回归分析探讨了创新投入因素对月发明专利数的影响。过离散检验证实数据存在显著的过离散特征O26.774p0.001选择负二项回归模型恰当。结果表明政府扶持力度OR1.895、研发合作程度OR1.615和研发人员规模OR1.265均对月发明专利数产生显著正向影响而创新平台数量OR0.803呈现显著负向影响。模型整体有效χ²107.493p0.001McFadden R²0.108。