我试图适应我的数据转换成各种模型，并计算出了fitdistr从库函数MASS的R给了我Negative Binomial作为最合适的。现在，在Wiki页面上，定义为：
NegBin（r，p）分布描述了k + r Bernoulli（p）试验中k次失败和r次成功的概率，最后一次试验成功。
使用R执行模型拟合给我两个参数mean和dispersion parameter。我不理解如何解释这些内容，因为我无法在Wiki页面上看到这些参数。我只能看到以下公式：
k观察的数目在哪里r=0...n？现在如何将它们与给定的参数相关联R？帮助文件也没有提供太多信息。
另外，只说几句关于我的实验的信息：在进行的一项社交实验中，我试图计算每个用户在10天内接触的人数。该实验的人口规模为100。
现在，如果模型适合负二项式，我可以盲目地说它遵循该分布，但我真的想了解其背后的直观含义。说我的测试对象联系的人数遵循负二项式分布是什么意思？有人可以帮忙澄清一下吗？
Answers:
您应该进一步浏览NB上的Wikipedia文章，其中说“伽马-泊松混合”。虽然您引用了该定义（我称其为“硬币翻转”定义，因为我通常在类中将其定义为“假设您想翻转硬币直到获得头”）更容易得出，并且在介绍性概率或数学统计学的上下文中更有意义，根据我的经验，伽马-泊松混合是一种更为普遍的考虑应用上下文中分布的有用方法。（尤其是，在这种情况下，您的分散参数描述了假设的Gamma分布的分布，该分布是数据的基础，并描述了个体在其内在接触水平上的未观察到的变化。这是Gamma的形状参数，因此知道形状参数的Gamma分布的变化系数为可能有助于对此进行思考：变大，潜在的变异性消失，分布接近泊松。
正如我在较早给您的帖子中提到的那样，我正在努力使自己适合分布也可以对数据进行计数。这是我学到的东西：
当方差大于平均值时，过度分散是明显的，因此负二项式分布可能是适当的。如果方差和均值相同，则建议使用泊松分布；当方差小于均值时，建议使用二项式分布。
使用您正在处理的计数数据，您正在使用R中负二项式函数的“生态”参数化。以下免费提供的本书的4.5.1.3节（第165页）对此进行了具体说明（在上下文中）的R，也不少！），我希望可以解决您的一些问题：
http://www.math.mcmaster.ca/~bolker/emdbook/book.pdf
如果得出结论您的数据被零截断（即，观测值0的概率为0），那么您可能想检查一下R VGAM软件包中 NBD的零截断风味。
这是其应用示例：
library(VGAM)
someCounts = data.frame(n = c(1,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16),
freq = c(182479,76986,44859,24315,16487,15308,5736,
2843,1370,1115,1127,49,100,490,106,2))
fit = vglm(n ~ 1, posnegbinomial, control = vglm.control(maxit = 1000), weights=freq,
data=someCounts)
Coef(fit)
pdf2 = dposnegbin(x=with(someCounts, n), munb=0.8344248, size=0.4086801)
print( with(someCounts, cbind(n, freq, fitted=pdf2*sum(freq))), dig=9)
我希望这是有帮助的。