玻尔百科在数据分析的世界里，对事件进行计数是一项基本任务，从顾客购买次数到疾病发病次数皆是如此。几十年来，泊松分布一直是模拟此类计数的经典工具。然而，真实世界的数据常常带来一个简单模型无法应对的挑战：过多的零值。当数据集中零计数的数量远超泊松模型的预测时，这表明背后有更复杂的潜在过程在起作用。这种差异凸显了一个关键的知识空白，即标准方法在此失效，并可能导致误导性结论。
本文将介绍零膨胀泊松 (ZIP) 模型，这是一个针对过量零值问题的优雅而强大的解决方案。通过假设零计数有两个不同的来源——一个是结构性的，另一个是偶然的——ZIP 模型为理解计数数据提供了一个更准确、更具解释性的框架。接下来的章节将引导您了解这一重要的统计学概念。首先，在“原理与机制”一章中，我们将解构该模型以理解其工作原理，探索其如过度离散等数学特性，并将其与相关模型进行比较。随后，在“应用与跨学科联系”一章中，我们将涉足生态学、医学和病毒学等不同领域，见证 ZIP 模型如何提供更深刻的见解，并帮助科学家回答更细致入微的问题。
想象一下，你是一名城市规划师，任务是了解一个安静十字路口的交通流量。你设置了一台摄像机，计算每分钟通过的汽车数量。有些分钟你看到一辆车，有些分钟两辆，偶尔五辆。很多分钟里，你一辆车也没看到。这就是计数的世界，长久以来，我们描述这类随机、独立事件的首选工具一直是优雅的泊松分布。它告诉我们，在给定平均事件发生率的情况下，观察到任何特定数量事件的概率是多少。它能很好地处理零值；如果平均值较低，看到零事件不仅是可能的，而且是很有可能的。
但现在，让我们换个场景。我们不再是观察汽车，而是作为医学研究人员，追踪一群人在一年内因哮喘相关的急诊室就诊次数。我们同样是在计数事件。我们发现研究中有非常多的人一次就诊都没有。这和汽车的情况一样吗？我们简单的泊松模型，根据平均就诊次数进行校准，可能预测大约 45% 的人应该有零次就诊。但当我们查看数据时，却发现高达 70% 的人一次就诊都没有。模型与现实之间出现了严重分歧。数据在大声告诉我们：“零太多了”。正是这个难题，引导我们走向一个更优美、更精妙的概念：零膨胀泊松 (ZIP) 模型。
ZIP 模型的精妙之处始于一个简单而深刻的问题：所有的零都是生而平等的吗？当我们在数据中看到一个“零”时，它总是意味着同样的事情吗？思考一下我们的哮喘研究。我们观察的人群可能包含不同个体的混合体。一些是确诊的哮喘患者，而另一些人，或许是因误纳或作为更广泛人口样本的一部分而被纳入，根本没有哮喘。
一个没有哮喘的人不可能有哮喘急性发作。对他们来说，与哮喘相关的急诊次数不是偶然为零，而是按定义就是零。这在生物学上是不可能的。我们称之为结构性零值。这些人甚至不“在游戏中”。
另一方面，考虑一个患有哮喘的人。他们肯定“在游戏中”，并且有急性发作的风险。然而，在一年中，他们可能很幸运。通过良好的管理、洁净的空气或仅仅是运气，他们可能没有经历任何需要急诊的严重发作。他们的计数也是零，但原因完全不同。这是一个抽样零值。它源于事件过程本身的随机波动——这是标准泊松分布完全理解的那种零。
简单泊松模型的失败在于它无法区分这两个世界。它试图仅用一种机制——“抽样零值”机制——来解释所有的零，当存在大量的“结构性零值”时，它便不堪重负。零膨胀泊松模型为描述这个更丰富的现实提供了语言。
那么，我们如何构建一个能理解这种二元性的数学机器呢？ZIP 模型通过一种非常直观的装置——混合模型——来实现这一点。想象一下，为任何单个人生成一个计数的过程是一个两步游戏。
首先，我们抛一枚特殊的、可能不均匀的硬币。假设这枚硬币正面朝上的概率是 。
如果硬币正面朝上（概率为 ）： 游戏结束。此人被确定为结构性零值。其最终计数是且必须是 。模型的这一部分是一个退化分布——这是一个花哨的术语，用来描述只有一个可能的、预定结果的过程。
如果硬币反面朝上（概率为 ）： 游戏进入第二阶段。此人被确定为“风险人群”，我们现在从一个标准的泊松分布中抽取一个随机数，该分布的平均事件率为 。这个抽取的数可以是 或任何其他非负整数。
我们最终观察到的计数 就是这个两步过程的结果。这个优雅的构造使我们能够写下任何结果的概率。
对于一个正数计数，比如 且 ，情况很简单。这个人必须在抛硬币时得到“反面”（才能进入风险组），然后从泊松过程中抽到数字 。因此，概率是这两个事件的乘积：
这个方程告诉我们，正数计数的分布形状就是我们熟悉的泊松分布形状，但按比例缩小了，缩小的比例是首先进入风险组的概率。
但是观察到零的概率呢？在这里，通往零的两条路径结合了。一个人可能因为抛硬币得到“正面”（结构性零值）而得到零计数，或者因为得到“反面”然后从泊松分布中抽到零（抽样零值）而得到零计数。我们将这两个概率相加：
这个简单的方程是 ZIP 模型的核心。它明确承认了零的两个来源，赋予模型所需的灵活性，以匹配我们在现实中看到的“过量零值”。
我们模型中这个看似微小的改变——认识到两种类型的零——带来了深远的影响。我们首先注意到的事情之一是数据均值和方差之间关系的变化。在纯粹的泊松世界里，均值和方差是相同的。如果平均事件数是 ，方差也是 。ZIP 模型打破了这条僵硬的规则。ZIP 分布的方差由以下公式给出：
其中 是总体平均计数。由于 是一个介于 0 和 1 之间的概率，第二项总是正的。这意味着 ZIP 过程的方差总是大于其均值。这种现象被称为过度离散，而一个不变的结构性零值群体与一个变化的风险群体的混合，是产生这种现象的自然方式。当发现你的数据方差远大于其均值时，这是一个强烈的暗示，表明简单的泊松模型不是正确的工具。
更重要的是，弄清正确的机制可以完全改变我们的科学结论。让我们回到哮喘研究。假设研究的“干预”组有 300 人，其中 180 人是非哮喘患者（结构性零值）。“对照”组也有 300 人，但只有 120 人是非哮喘患者。如果我们天真地只使用单一泊松模型，我们实际上是在对所有人平均计算急性发作次数。干预组，由于有大量不可能发生事件的人，其平均计数自然会低得多。计算显示，表观率比约为 ，这表明干预非常有效。
但这是一种统计幻觉，一种混淆形式。我们将治疗的效果与两组中风险人群数量的预先存在的差异混为一谈。ZIP 模型通过允许我们分别对“风险”群体建模，从而解决了这种混淆。它专注于我们真正关心的问题：对于那些可能发生急性发作的人，干预是否降低了他们的事件率？通过这样做，它揭示了真实的风险率比约为 。这仍然是一个有益的效果，但远不如天真的估计所显示的那么显著。忽略真实的数据生成机制可能导致我们自欺欺人。
要真正欣赏 ZIP 模型的故事，将其与一个有着不同叙述的近亲——Hurdle 模型——进行比较会很有帮助。Hurdle 模型也将过程分为两部分，但逻辑不同。
门槛： 首先，有一个二元决策：事件是否会发生？是或否。一个人要么“跨过门槛”得到一个正数计数，要么未能跨过门槛，其计数为零。
计数： 当且仅当一个人跨过门槛后，我们才问“他们发生了多少次事件？”事件的数量然后从一个禁止为零的计数分布——一个零截断分布——中抽取。
注意关键区别：在 Hurdle 模型中，所有的零都来自单一来源——未能跨过门槛。计数生成过程本身不允许产生零。而在 ZIP 模型中，计数过程（泊松部分）可以也确实会产生“抽样零值”，这些零值与“结构性零值”相加。这种微妙的区别意味着这些模型在问略有不同的科学问题，其参数（尤其是与协变量相关的参数）的解释也相应地发生变化。
我们如何决定是否需要 ZIP 模型增加的复杂性？我们如何在它和像负二项模型这样也能处理过度离散的替代方案之间做出选择？统计学家已经开发出强大的工具来“倾听”数据告诉我们什么。
首先，我们可以寻找模型的“足迹”。如果一个简单的泊松模型是错误的，它会在其误差中留下线索。具体来说，它会系统性地低估零的数量。当我们查看残差——观测计数与模型预测之间的差异——我们会发现，对于模型无法解释的所有零计数观测值，都存在一大堆大的负残差。
其次，我们可以进行一场正式的竞赛。一种有原则的方法是看另一个过度离散模型，如负二项模型，是否能完全解释过量的零。我们可以拟合一个 NB 模型并计算它所隐含的零比例。如果该比例仍然低于我们在数据中实际观察到的比例，这就是一个强有力的证据，表明存在一个独立的、结构性的零生成机制，这有利于选择 ZIP 风格的模型。最终，像Vuong 检验这样的正式模型比较工具可以充当裁判，评判哪个模型更好地描述了数据。
也许最美妙的是，这个模型被设计成能够自适应。ZIP 模型的参数 和 通常使用最大似然估计法来找到。这个过程找到使观测数据最合理的参数值。在一个卓越的原理展示中，如果我们碰巧收集到一个完全没有零的数据集，零膨胀概率的最大似然估计值 将恰好为 。数据告诉模型，没有证据表明存在一个独立的结构性零值类别，ZIP 模型便优雅地自我简化，变成一个标准的泊松模型。它不会在不需要的地方强加复杂性；当数据需要时，它会发现复杂性。这种丰富的理论结构与数据证据之间的相互作用，正是现代统计科学的核心所在。
在理解了零膨胀泊松 (ZIP) 模型的原理之后，我们现在可以踏上一段旅程，去看看这个聪明的想法在何处安家。而它的家园是何其多样！事实证明，世界充满了产生过多零值的过程，而 ZIP 模型为我们提供了一个特殊的镜头来理解它们。它不仅仅是一个统计工具；它是一种思维方式，一种区分真正的、结构性的无和仅仅是偶然发生的无的方法。这种区分不仅仅是学术上的——它在生态学、医学和公共安全等截然不同的领域都具有深远的影响。
想象你是一位生态学家，在茂密的森林中跋涉，寻找一种稀有而美丽的兰花。你布设了数百个小型方形样地，并 painstaking 地计算每个样地中的幼苗数量。你最终的数据表引人注目：大量的样地计数为零。
现在，关键问题是为什么？一个简单的泊松模型会假设一个单一过程：每个样地都有某种兰花的平均潜力，在任何一个样地中发现零只是偶然事件，就像掷骰子没有掷出六一样。但是一个深思熟虑的生态学家，就像一个优秀的物理学家一样，对简单的答案持怀疑态度。会不会有两种不同类型的“零”？
这正是 ZIP 模型大放异彩的场景。它让我们能够将这种怀疑形式化。该模型表明，零计数可以通过两种根本不同的方式产生。首先，一个样地可能在结构上不适合兰花生长——也许土壤太酸，光照不足，或者缺少一种关键的真菌。在这种情况下，计数保证为零。这是“结构性零值”。其次，一个样地可能完全合适，但纯粹由于运气不好，没有种子落在那里，或者落下的种子未能发芽，或者一只饥饿的鹿路过。这是一个“抽样零值”，一个由泊松过程本身产生的零。
通过对数据拟合 ZIP 模型，我们可以估计任何给定样地不适宜的概率（零膨胀概率 ）和适宜样地中幼苗的平均数量（泊松率 ）。这使得保护主义者能够回答更细致入微的问题。这种兰花稀有是因为其所需栖息地稀少（高 ），还是因为它即使在良好栖息地中，其繁殖率也非常低（低 ）？答案决定了策略：一种情况需要栖息地恢复，另一种则需要努力促进授粉或种子传播。ZIP 模型将一个简单的计数转变为深刻的生态学见解。
适用于森林中兰花的逻辑，以更大的紧迫性适用于医疗系统中的人。在这里，“计数”可能是住院次数、感染次数或癫痫发作次数。同样，一个零不仅仅是一个零。
考虑一项关于心力衰竭患者再入院情况的研究。幸运的是，许多患者一年内零次再入院。使用 ZIP 模型的卫生系统分析师可以问：一项新的出院后护理计划对患者有帮助吗？该模型提供了两条成功途径。该计划可能会降低仍处于风险中患者的感染率 。或者，更深刻的是，它可能将患者完全转移到一个“结构性零”类别中——例如，通过将他们转移到能够管理其病情而无需住院的专门设施。ZIP 模型使我们能够解开这两种效应。我们可以看到一个因素（如护理计划或合并症）是主要影响患者的潜在风险状态，还是影响那些仍然处于风险中的人的事件率。
这个想法正是预防医学的精髓。针对慢性病患者的良好预防性护理组合的目标，不仅仅是降低他们急诊就诊的频率，而是创造一种健康管理良好的状态，使他们实际上不再有此类急诊的风险。ZIP 模型可以通过将“非风险”状态建模为结构性零值部分来量化这一点[@problem-id:4502128]。通过纳入患者和诊所层面的效应，这些模型可以变得极其复杂，描绘出一幅预防性护理如何在复杂卫生系统中运作的详细画面。
在某些领域，正确解读一片零的海洋是生死攸关的问题。想象你是一家药品安全机构的监管人员。一种新药上市了，你正在监测一种罕见但严重的副作用报告。每个月，你都会从成千上万的患者那里获得数据。绝大多数报告是“零事件”。这是预料之中的。问题是，数据是过于平静，还是在非零计数的模式中隐藏着危险的微妙信号？
这是一个过度离散问题。简单的泊松模型假设计数的方差等于均值。但如果一小部分患者对该不良事件高度易感，导致出现少数高计数，而其他人都是零呢？这将使总体方差远大于均值。标准的泊松模型对此视而不见，会低估系统中真实的变异性。
另一方面，ZIP 模型非常适合这种情况。它通过假设一个“从不处于风险中”群体（结构性零值）和一个“处于风险中”群体（其计数遵循泊松分布）的混合，自然地解释了过度离散。如果我们基于一个设定错误的泊松模型建立安全监测系统，我们将误判自然的变异性。我们的警报阈值会设得太低。我们会被虚假警报所困扰，为仅仅是统计噪音的事情触发昂贵的调查和公众恐慌。ZIP 模型为这些关键的监测系统提供了更稳健的基础。
同样的原则也适用于流行病的症状监测。诊所每日流感样疾病的计数可能为零，因为没有生病的病人前来就诊（抽样零值），或者因为诊所因假日关闭（结构性零值）。如果我们不考虑这一点，我们的模型可能会被严重误导。一项引人入胜的分析表明，如果我们假设一个简单的泊松过程来设计警报系统，但现实是零膨胀的（即使每天的平均病例数完全相同），实际的误报率可能会是名义率的两倍以上。我们的火警器，为预测可预测的烟雾而设计，在一个既有安静时期又有突然剧烈爆发的世界里会失控。
这说明了关于建模的一个深刻观点。有时，两个不同的世界在平均值上可能看起来相同，但它们的底层结构完全不同。一个速率为 的纯泊松过程的均值，与一个有 50% 概率为结构性零值且活跃部分的泊松率为 的 ZIP 过程的均值相同，因为 。然而，ZIP 世界的变异性要大得多——它的方差要高得多。一个为第一种世界校准的仪器在第二种世界中会彻底失效。
也许 ZIP 模型最令人叹为观止的应用将我们从群体带到了单个细胞。在现代病毒学中，研究人员使用单细胞 RNA 测序技术来计算暴露于病毒后数千个单个细胞内的病毒转录本数量。数据再次显示出大量的零。
借助 ZIP 模型，我们现在可以提出一个具有惊人分辨率的问题：对于一个病毒转录本为零的细胞，它是一个“结构性零值”——意味着病毒从一开始就未能进入该细胞吗？或者它是一个“抽样零值”——意味着病毒成功进入，但在测量时，它尚未产生任何我们可以检测到的转录本？
这使得科学家能够通过解开成功进入的概率与成功感染细胞内病毒复制速率之间的关系，来估计每个细胞的感染复数 (MOI)，这是病毒学中的一个基本量。这是统计学概念与前沿生物学问题的完美结合。“结构性零值”是一次失败的入侵；“抽样零值”是一次成功入侵后的潜伏。
正如这些例子所示，零膨胀泊松模型的美妙之处在于它能够讲述一个更完整的、两部分的故事。然而，这种能力也伴随着一个挑战：混淆。我们如何能确定我们正在正确地将结构性零值与抽样零值分开？当率 非常小时，泊松过程本身会产生许多零，这使得它很难与高的结构性零值概率 区分开来。对于一个非常低的事件率，零的概率约为 。结构性零值率 的微小增加几乎可以被事件率 的微小增加完美抵消，使得零的概率几乎保持不变。
这时，巧妙的实验设计就派上用场了。例如，通过在已知只影响率 的不同条件下观察一个系统（如在毒理学研究中使用不同的暴露水平），我们可以创建一个方程组，让我们能够唯一地解出 和 。这是一个美丽的示范，展示了统计学和实验科学如何共同揭示世界隐藏的结构。
从森林地面到医院病房，再到生命的内在机制，零膨胀泊松模型提供了一个强大的镜头。它提醒我们，当我们一无所见时，不应停止思考。相反，我们应该问为什么。这是证据的缺失，还是缺失的证据？答案可能天差地别。