¿Regresión binomial cuasi-poisson o negativa con variable dependiente continua?

Question

Mi variable dependiente es originalmente los datos de recuento. Debido a varias correcciones se convirtió variable continua (originalmente mis datos son pellet-grupo de cuentas (para la estimación de la densidad de ciervos), corregido para la investigación de la trama de la pendiente, avereged a lo largo de tres temporadas, se convirtió al ciervo de la densidad (número por metro cuadrado. km)). Puedo aplicar cuasi-Poisson o binomial negativa GLM? Especialmente nb-GLM parecen ser apropiado para mi estructura de datos (histograma y media/varianza de la relación son adecuadas) y R los procesos de los modelos, sin ninguna advertencia y da resultados razonables. Puede haber alguna trampa? El redondeo de los datos de enteros no parece ser la solución, ya que iba a perder parte de la información y todas las correcciones no tendría sentido.

Gracias por sus respuestas.

Answer 1

Redondear la variable de respuesta a un entero no está bien. Para simplificar, supongamos que está realizando una regresión de Poisson. Lo que estás modelando es lo siguiente:

$ \begin{align*} E(Y|x) &= \beta^{T}x + \beta_{0} \\[0.5em] \log \left( \frac{\mbox{No. of Deer}}{\mbox{Area}} \right) &= \beta^{T}x + \beta_{0} \\[0.5em] \log(\mbox{No. of Deer}) - \log(\mbox{Area}) &= \beta^{T}x + \beta_{0} \\[0.5em] \log(\mbox{No. of Deer}) &= \beta^{T}x + \beta_{0} + \log(\mbox{Area}) \end {align *}$

In R, this is done use the following command:

glm(No. of Deer ~ x + offset(log(Area)), family=poisson(link=log), data=data.frame)

This allows you to use Poisson (or Quasi-Poisson or Negative Binomial) regression for a continuous response, even though the No. of Deer is still a count. Your parameter estimates (i.e., $ \ beta_ {0}$ and $ \ beta \ mbox {s} $) estará en la escala de registro, por lo tanto, simplemente exponiéndolos para obtener estimaciones sobre el escala cruda Además, tenga cuidado con la parametrización utilizada para la distribución binomial negativa, si decide ir con regresión binomial negativa.