在生物医学、经济学、保险等领域存在着大量的二分类计数数据,人们通常使用逻辑回归或Probit回归对二分类数据进行分析。然而在现实生活中大量的数据存在类别不平衡现象,二分类数据的不平衡主要体现在:数据中存在大量的零,也就是存在零过多现象。如果在模型建立过程中忽略零过多现象,则会造成较大误差。因此,近些年来,统计学家提出了一类所谓的零膨胀模型。本文主要考虑在零膨胀Bernoulli模型的基础上,引入Aranda-Ordaz链接,提出了广义零膨胀Bernoulli模型,相比较于经典的零膨胀Bernoulli模型,该模型更具有更广的适用性。在广义零膨胀Bernoulli模型的极大似然估计中,直接使用Newton迭代法会存在收敛速度慢或不收敛等缺点。本文则使用EM算法对似然函数进行求解,同时在广义链接退化为Logit链接时使用“二次下界”算法结合EM算法对模型参数进行估计,提高了收敛速度和稳定性。对于分析的数据是否为零过多数据,本文给出了零膨胀系数的Score检验,使用假设检验的方法判断数据中是否存在零过多现象。通过数值模拟,论文提出的参数估计方法及检验具有良好的表现。在实例分析中,本文选取了中国综合调查数据（CGSS2017）中有关商业养老保险的调查问卷数据。在是否购买商业养老保险的调查问题中,购买和未购买的人群比例相差较大。经Score检验,该数据集存在零过多现象,因此本文使用广义零膨胀Bernoulli模型对商业养老保险购买意愿进行因素分析。根据数值模拟结果,EM算法能够准确估计零膨胀系数及回归参数,随着样本量的增加,估计偏差逐渐减小,方差逐渐减小,覆盖率接近名义覆盖率。在实例分析中,讨论了影响居民购买商业养老保险的因素。在广义零膨胀Bernoulli模型中取不同调节参数对数据进行分析,并通过AIC准则对不同模型的拟合效果进行评估,最终得到当α=2时模型拟合效果较好。