SPSS 泊松分布拟合检验操作指南
泊松分布拟合检验用于判断一组计数数据是否符合泊松分布特征，常用于分析单位时间 / 空间内随机事
件发生的次数（如医院急诊接诊量、设备故障次数等）。以下是 SPSS 中泊松分布拟合检验的操作步骤、结
果解读及案例应用，确保可直接落地使用。
一、适用场景与数据要求
1. 适用场景
数据为离散型计数数据，表示在固定时间、空间或范围内某事件发生的次数（如每日门诊就诊人数、每小
时设备报警次数）。
事件发生具有独立性，即某一事件的发生不影响其他事件的发生概率。
事件发生的概率恒定，且发生概率较小（稀有事件）。
2. 数据要求
数据格式：需为单列计数变量（如 “故障次数”“就诊人数”），无需分组。
数据类型：数值型（整数），无缺失值或缺失值已处理。
二、SPSS 操作步骤
以 “某医院急诊科室一周内每小时接诊患者次数” 为例，演示泊松分布拟合检验的完整操作流程：
步骤 1：数据录入与准备
打开 SPSS 软件，在 “变量视图” 中设置变量名称（如 “接诊次数”），类型为 “数值”，宽度根据数据范
围设置（如 3）。
在 “数据视图” 中录入所有观测数据（如 2,3,1,0,2,4,1,3,...），确保数据为连续的计数结果。
步骤 2：进行泊松分布拟合检验
点击顶部菜单栏分析（Analyze） → 非参数检验（Nonparametric Tests） → 旧对话框（Legacy Dialogs）
→ 卡方（Chi-Square），打开卡方检验对话框。
将待检验变量（如 “接诊次数”）选入检验变量列表（Test Variable List）。
在 “期望范围（Expected Range）” 中选择 “从数据中获取（Get from data）”，确保覆盖所有观测值。
在 “期望频率（Expected Frequencies）” 中选择 “泊松分布（Poisson distribution）”，点击 “确定（OK）”
执行检验。
步骤 3：（可选）数据加权处理
若数据为 “频次表” 格式（如 “接诊次数 0 次出现 5 次，1 次出现 8 次”），需先进行加权处理：
点击数据（Data） → 加权个案（Weight Cases），选择 “加权个案（Weight cases by）”。
将频次变量选入 “频率变量（Frequency Variable）”，点击 “确定”，再执行步骤 2 的卡方检验。
三、结果解读
SPSS 输出结果包含 “卡方检验频率表” 和 “卡方检验统计量” 两部分，需结合两者判断数据是否符合泊
松分布：
1. 卡方检验频率表
该表展示各观测值的实际频数、期望频数（泊松分布拟合值）及残差，核心关注 “期望频数” 是否合理：
实际频数（Observed N）：各事件发生次数的实际观测数量。
期望频数（Expected N）：根据泊松分布计算的理论期望数量，需确保所有期望频数≥5（若存在期望频数
< 5 的组，可合并相邻组以满足检验条件）。
残差（Residual）：实际频数与期望频数的差值，绝对值越小说明拟合效果越好。
2. 卡方检验统计量
该表提供检验的核心统计指标，用于判断是否拒绝 “数据符合泊松分布” 的原假设：
统计量 含义 判断标准
卡方值
（Chi-Square）
实际频数与期望频数的差异程度，
值越小拟合度越高
-
自由度（df）
自由度 = 组数 - 参数个数 - 1
（泊松分布仅需估计均值，参数个数
= 1）
-
渐近显著性
（Asymp. Sig.）
检验的 P 值，即拒绝原假设的概
率
P>：不拒绝原假设，认为数据符合泊松分
布；P≤：拒绝原假设，认为数据不符合泊松分
布
四、注意事项
样本量要求：总样本量建议≥50，且各期望频数≥5，否则检验结果的可靠性会下降；若存在期望频数 <5
的组，可通过合并相邻组（如将 “4 次”“5 次” 合并为 “≥4 次”）满足条件。
数据独立性：确保观测数据相互独立（如不同小时的接诊次数互不影响），否则检验结果无效。
结果局限性：泊松分布拟合检验仅判断数据是否符合泊松分布，若需进一步分析分布参数（如均值 λ），
可通过 “描述统计” 计算样本均值（泊松分布的均值 = 方差，可辅助验证）。
五、案例应用示例
案例背景
某工厂记录了 100 天内每日设备故障次数，数据如下：0 次（20 天）、1 次（35 天）、2 次（25 天）、
3 次（15 天）、4 次（5 天），检验该数据是否符合泊松分布。
操作与结果
录入数据：设置变量 “故障次数”（0,1,2,3,4）和 “频次”（20,35,25,15,5），进行加权处理。
执行泊松分布拟合检验，输出结果：
卡方值 = ，自由度 = 3，渐近显著性 = 。
结论：P=>，不拒绝原假设，认为该工厂每日设备故障次数符合泊松分布，可基于泊松分布模型
制定设备维护计划。
