解釋模型參數

• 獲取係數

#仍是引用癲癇的例子
> coef(fit)    #使用coef()獲取擬合模型的係數，包括截距項
 (Intercept)         Base          Age Trtprogabide 
  1.94882593   0.02265174   0.02274013  -0.15270095 
> summary(fit)$coefficients    #經過summary()函數的結果中獲取coefficient數據
                Estimate   Std. Error   z value     Pr(>|z|)
(Intercept)   1.94882593 0.1356191170 14.369847 8.000803e-47
Base          0.02265174 0.0005093011 44.476125 0.000000e+00
Age           0.02274013 0.0040239969  5.651131 1.593953e-08
Trtprogabide -0.15270095 0.0478051047 -3.194239 1.401998e-03

• 分析係數

在泊松迴歸中，因變量以條件條均的對數形式 來建模。

年齡的迴歸參數爲0.0227，表名保持其餘預測變量不變，年齡增長一歲，癲癇發病數的對數均值將相應增長0.03。

截距項即當預測變量爲0時，癲癇發病數的對數均值。因爲不可能爲0歲，因此截距項沒有意義

• 指數化

一般在因變量的初始尺度（癲癇發病數，而非發病數的對數）上解釋迴歸係數較容易

> exp(coef(fit))
 (Intercept)         Base          Age Trtprogabide 
   7.0204403    1.0229102    1.0230007    0.8583864

年齡：保持其餘的變量不變，年齡增長一歲，其餘的癲癇病將乘以1.023

Trt：一單位Trt的變化（安慰劑到治療組），指望的癲癇發病數將乘以0.86，也就是說保持基礎癲癇病發病數和年齡不變，服藥組相對於安慰劑組癲癇病發病數下降20%

與Logistic迴歸中的指數參數類似，泊松模型中的指數化參數對響應變量的影響都是成倍增長的，而不是線性相加