对于经典回归分析模型来说,人们一般都是假定其响应变量为连续型变量。但在对实际的问题分析过程中,常常会遇到响应变量可能是以离散计数的方式描述的离散型变量。分析这种离散计数响应变量的影响因素的模型被称为计数模型(Count Model)。解决这种模型的方法有Poisson回归模型、负二项回归模型、Panel方法和仿最大似然法等。其中,基于Poison分布的Poisson回归模型是在研究计数模型问题中应用的非常广泛。有时,影响这种离散计数响应变量的解释变量个数较多,势必会增加分析问题的复杂性。如何能在基本保证原始解释变量信息的基础上,使分析的复杂程度降低?　　 本文先以在统计分析中常用的降维手段一主成分分析(PCA)为基础,把原始的多个解释变量用较少的几个综合变量来代替,在保证原始解释变量的信息基本不变的基础上,减少了变量的个数,把高维的解释变量降低了维数。然后对离散型的响应变量与这几个综合的解释变量,所构成的计数模型,利用Poisson回归做拟合,建立响应变量的最终预测的模型。这样,即保证了原始解释变量的信息基本不变,又使原来较复杂的回归分析过程,得到了一定的简化。