泊松回归主要适用于罕见结局发生率的分析，其数据特征一般为：发生率的分母相对于分子较大，或者事件发生于有限的时间、空间上。事件发生数量可以近似为服从泊松分布。常见的例子如，士兵意外死亡数量、电话拨打错误的数量、罕见疾病的发病率等。

在临床研究中泊松回归常用于队列研究。如下面的例子（表1）：

表1. 队列研究实例

该研究为一个队列研究，目的是探讨吸烟是否增加人群的死亡风险。Deaths代表死亡人数，person-years代表随访人年数。

下面利用上例数据介绍如何利用Stata进行泊松回归。

首先数据格式应为下表（表2）所示：

表2. 数据结构

1. 在Stata中依次点击Statistics—Count outcomes—Poisson regression，调出对话框。

在Dependent中选入deaths变量（发病率的分子），Exposure variable中选入pyears变量（发病率的分母），Independent variables选入smokes变量，另外还需选入agecat变量，该变量为分类变量，需写成i.agecat形式告诉软件agecat为分类形式。

在reporting部分选择Report incidence-rate ratios，这样软件给出的是系数的指数形式，即我们所需要的incidence-rate ratio（IRR）。

最后界面如下：

Reporting处的设置如下：

2. 最后点击OK。

也可以不通过菜单直接输入命令：

poisson deaths smokes i.agecat, exposure(pyears) irr

分析结果如下：

从结果可以看到，吸烟者相对于不吸烟者，发生死亡的风险为1.43倍（P=0.001），45岁以上各年龄组的死亡风险均高于35-44岁年龄组（P值均<0.001），且年龄越大的组死亡风险越高。