零膨胀泊松模型参数化您好 JMP 社区，
我有一个数据集，其中包含要预测的计数变量（Y）、3 个数值变量（X1、X2、X3）和一个分类（X4）作为自变量。
我将零膨胀泊松模型拟合到 R 和 JMP 中的数据（来自拟合模型 > 广义回归）。 但结果并不相同。 为什么它们不同？ 我认为可能有一些看不见的假设。 我的意思是一些假设，例如优化方法和迭代次数。如何查看 JMP 中零膨胀泊松模型的基本假设？
我比较了 R 和 JMP 中不同 ZIP 模型的不同变量。 结果总是相同的，只有当我在模型中包含该分类变量 (X4) 时才会有所不同。
回复：零膨胀泊松模型假设你好，
在估计分类变量的系数时，JMP 可能使用不同的编码方法来对比类别。 如果它只有两个类别，使用变量的序数建模选项将给出与其他程序通常估计具有零和一的虚拟变量相同的结果。
回复：零膨胀泊松模型假设我不想显得“挑剔”，但我们使用具有特定含义的术语。 我认为这与模型无关假设，但它可能与模型有关参数化，特别是分类预测变量。 我不知道如何表示模型参数以在您使用的 R 对象中进行估计。 我确实知道 JMP 如何参数化分类预测变量。
这里是发现 JMP 12 中分类因子的 JMP 参数化的地方。 （JMP 13 中的参数化是相同的，但文档中的位置发生了变化！）
选择帮助>图书>拟合线性模型>附录 A：统计细节>因子模型. 本节描述名义和有序预测变量水平的编码。 这效果编码如您将看到的，JMP 中使用的编码不同于某些 SAS 过程（例如 PROC GLM）中使用的编码。 它可能与您的 R 对象中使用的编码不同。
我希望这些信息将有助于解决您观察到的差异。
回复：零膨胀泊松模型假设感谢您的答复！
我正在使用 JMP Pro 12.0.1。 我在 R 和 JMP 中都使用了最大似然并且没有验证。
此外，我刚刚发现它不仅与零膨胀模型有关。 将一般线性模型（泊松）拟合到数据在 R 和 JMP 中具有不同的结果。 同样，当我取出分类变量时，模型是相同的。 是否有可能对分类数据有一些假设？
回复：零膨胀泊松模型假设您使用的是什么版本的 JMP Pro？ 随着时间的推移，算法得到改进。
您使用了广义回归中的哪种估计方法？ 例如，套索、双套索、岭回归和弹性网会产生不同的结果。
您使用了哪些选项进行拟合？ 自适应版本会产生不同的结果。
你使用了什么验证方法？ 每次拟合数据时，将观察随机分配到不同的保留集会产生不同的结果。
