Три моменти про регресію Пуассона проти нормальної, і все стосується специфікації моделі:
Вплив змін прогнозів
При безперервному прогнозуванні, наприклад, з математичного тесту, регресія Пуассона (зі звичайним посиланням на журнал) означає, що зміна одиниці в прогнокторі призводить до зміни відсотка кількості нагород у відсотках, тобто 10 додаткових балів на тесті з математики пов'язані, наприклад, з 25 відсотка більше нагород. Це залежить від кількості нагород, які студент вже передбачає. На відміну від цього, Звичайний регрес асоціює ще 10 балів із фіксованою сумою, скажімо, ще 3 нагороди за будь-яких обставин. Ви повинні бути задоволені цим припущенням, перш ніж використовувати модель, яка його робить. (fwiw Я думаю, що це дуже розумно, модуль наступний пункт.)
Робота зі студентами без нагород
Якщо дійсно багато нагород поширюється на багато студентів, то кількість ваших нагород в основному буде досить низькою. Насправді я б передбачив нульову інфляцію, тобто більшість студентів не отримують жодної нагороди, тому багато нулів, а деякі хороші студенти отримують досить багато нагород. Це псується з припущеннями моделі Пуассона і є принаймні так само погано для нормальної моделі.
Якщо у вас є пристойний обсяг даних, то модель "нульового надуття" або "перешкода" буде природною. Це дві моделі, зв'язані між собою: одна для передбачення того, чи здобуде студент нагороди, а друга для передбачення, скільки вона отримає, якщо вона отримає її взагалі (зазвичай це якась форма моделі Пуассона). Я б очікував, що всі дії будуть в першій моделі.
Ексклюзивність нагороди
Наостанок невеличкий пункт про нагороди. Якщо нагороди є ексклюзивними, тобто якщо один студент отримує нагороду, то ніхто інші студенти не можуть отримати нагороду, то ваші результати поєднуються; один підрахунок для студента підштовхує можливий підрахунок кожного іншого. Чи варто про це турбуватися, залежить від структури нагород та чисельності студентської сукупності. Я б ігнорував це з першого проходу.
На закінчення, Пуассон комфортно домінує над Normal, за винятком дуже великих підрахунків, але перевіряйте припущення Пуассона, перш ніж сильно спертися на нього для висновку, і будьте готові перейти до дещо складнішого модельного класу, якщо це необхідно.