GLM para datos proporcionales y subdispersión

Question

Me gustaría pedirte ayuda para entender un problema estadístico de mi conjunto de datos. He realizado un MLG con datos proporcionales, utilizando una distribución binomial. Sin embargo, he encontrado subdispersión en mi modelo y no sé cómo lidiar con eso. Soy consciente de que una solución para la sobredispersión es ajustar un modelo utilizando una distribución cuasibinomial, pero no he podido encontrar una solución a mi problema en la literatura.

Estoy comparando las diferencias entre lugares de bosque continuo y fragmentos en cuanto a la proporción de riqueza y abundancia de especies especialistas. Por lo tanto, los modelos son:

M1 <- glm(prop_rich_speci ~ LandscapeBin, 
          family = binomial, 
          weights=rich_total_sp, 
          data = envir.all)
M2 <- glm(prop_abu_speci ~ LandscapeBin,  
          family = binomial, 
          weights=abu_total_sp, 
          data = envir.all)

Creo que utilizando una distribución cuasibinomial puedo resolver mi problema (subdispersión), como sugirió Ben.

Answer 1

Mi respuesta de http://article.gmane.org/gmane.comp.lang.r.general/316863 :

respuesta corta: la estimación de la cuasibinomialidad (es decir, la familia= cuasibinomial) debería abordar la subdispersión así como la sobredispersión razonablemente bien

Si sólo quiere asumir que $\textrm{variance} = \phi \cdot N p(1-p)$ con $\phi < 1$ la estimación de cuasi-verosimilitud funcionará bien. Dependiendo del origen de la subdispersión, de lo mucho que le preocupe modelar los detalles y de otros aspectos de sus datos, puede que le interese considerar los métodos ordinal o COM-Poisson (ambos enfoques cuentan con paquetes R dedicados a ellos).

En general, hay menos preocupación por la subdispersión que por la sobredispersión; especulo que dos de las razones son

• la dispersión excesiva es probablemente el problema más común
• la subdispersión conduce al conservadurismo en la inferencia estadística (por ejemplo, disminución de la potencia, disminución de los errores de tipo I), en contraste con la dispersión excesiva que conduce al optimismo (tasa de error de tipo I inflada, etc.), por lo que los revisores, etc. tienden a no preocuparse tanto por ello