Quasibinomial vs binomial negativa y obstáculos

Question

Tengo algo más de dispersión de los datos y estoy tratando de decidir qué modelo se adapta mejor a los datos. Los datos son generalmente de cargos de los síntomas o el número de elementos correctos en algunas tareas cognitivas. Como un ejemplo:

set.seed(69)
g1<-rnorm(700,30,9); g2<-rnorm(100,25,7); g3<-rnorm(100,20,5)
gt<-data.frame(score=c(g1, g2, g3), fac1=factor(rep(c("a", "b", "c"), c(700, 100, 100))), fac2=ordered(rep(c(0,1,2), c(3,13,4))))
gt$score<-with(gt, ifelse(fac2 == 0, score, score-rnorm(1, 0.5, 2)))
gt$score<-with(gt, ifelse(fac2 == 2, score-rnorm(1, 0.5, 2), score))
gt$score<-round(with(gt, ifelse(score>=30, 30, score))) 
gt$cov1<-with(gt, score + rnorm(900, sd=40))/40
gt$score.30<-with(gt, 30-score)

Los modelos que estoy pensando en usar son:

glmnb1<-glm.nb(score.30~cov1 + fac1*fac2, data=gt)    
hur1<-hurdle(score.30~cov1 + fac1*fac2, dist="negbin", data=gt)
quasi1<-glm(cbind(score, score.30)~cov1+fac1*fac2, family="quasibinomial", data=gt)

1. Cómo decidir entre la binomial negativa y la quasibinomial?
2. En este ejemplo, el obstáculo es un modelo de mejor ajuste en comparación con la binomial negativa. Sin embargo, si el quasibinomial fue mejor en comparación a la binomial negativa (hipotéticamente o de otra manera), ¿cómo se compara el obstáculo y quasibinomial? Hay un obstáculo quasibinomial?

Answer 1

Mientras tanto "binomial negativa" y "quasibinomial" tiene la palabra "binomio" en ellos, que son muy diferentes. La binomial negativa es una distribución paramétrica, y tiene una gama infinita, así que usted debe pensar en ello como una generalización de la distribución de Poisson, no de la distribución binomial. Si sus datos son a cuenta de los "éxitos" de los 30 (por lo que hay un límite superior), luego binomial negativa es simplemente no es adecuada si es aumentada con un obstáculo o no.

Por otro lado, el "quasibinomial" el modelo no se corresponde con ninguna de distribución real, por lo que es difícil comparar a la distribución basada en modelos. Si desea obtener información sobre el proceso de la generación de los datos, usted podría considerar la posibilidad de otros paramétrico de generalización de la distribución binomial, tales como el beta-modelo binomial (de la que probablemente podría hacer un obstáculo versión demasiado).