¿Puedo ignorar debajo dispersión en los datos de mi cuenta?

Question

Tengo bajo de dispersión de los datos de recuento. No quiero transformar, y el uso de una binomial negativa de error de distribución (a través de glmer.nb) no ayuda.

Mis resultados son los mismos, independientemente de la distribución que yo uso, y concuerdan muy bien con la conclusión que se podría sacar por eyeballing los datos (es bastante obvio que no hay ningún efecto, ver más abajo). Me parece que no puede encontrar alguna manera de lidiar con este problema, y me he quedado pensando si el más adecuado cosa a hacer es reconocer la virtud de la dispersión, seleccione el resultado de que es robusto a cada método que he enviado, y seguir adelante.

Si usted ha estado en esta situación - ¿podría usted compartir cualquier tools/asesoramiento/filosofía de que usted encuentra útiles?

Aquí está la salida de mi modelo de Poisson:

mc_p<-glmer(tubos ~ de estado + (1|sitio/planta), family="poisson", data=mc) resumen(mc_p) Lineal generalizado mixto de ajuste del modelo por máxima verosimilitud (Aproximación de Laplace) ['glmerMod'] Familia: poisson ( registro ) Fórmula: tubos de ~ estado + (1 | sitio/planta) Datos: mc

 AIC      BIC   logLik deviance df.resid 
713.7    725.7   -352.8    705.7      143 

Scaled residuals: 
      Min       1Q   Median       3Q      Max 
 -2.08950 -0.38627 -0.04237  0.33830  2.87921 

Random effects:
 Groups     Name        Variance Std.Dev.
 plant:site (Intercept) 0.01958  0.1399  
 site       (Intercept) 0.01790  0.1338  
Number of obs: 147, groups:  plant:site, 20; site, 4

Fixed effects:
            Estimate Std. Error z value Pr(>|z|)    
(Intercept)  2.25665    0.08417  26.809   <2e-16 ***
statusy      0.01356    0.05301   0.256    0.798    
---
Signif. codes:  0 ‘***' 0.001 ‘**' 0.01 ‘*' 0.05 ‘.' 0.1 ‘ ' 1

Correlation of Fixed Effects:
        (Intr)
statusy -0.308

Estoy tratando de determinar si el tubo de polen cuenta difieren entre néctar robado y onu-robado las flores. Tubo de polen cuenta están anidados dentro de la planta (múltiples flores de cada tipo de muestreo de cada planta) y las plantas están anidados dentro del sitio. He intentado usar una binomial negativa distribución de error (como he descrito en la primera iteración de este post), pero aún así me dio una muy alta desviación en relación a mi residual df. Parece que no hay una sencilla manera de aplicar un error útil de distribución a mis datos anidados. Al mismo tiempo, el resultado (que no hay ninguna diferencia entre los grupos) es el mismo independientemente de cómo puedo hacer mi modelo, y puede verse muy claramente en la barra de la gráfica anterior.

Answer 1

Si los datos son overdispersed, se puede estimar que la misma distribución relativa de las tasas y calcular los intervalos de predicción como en un modelo de poisson utilizando un quasipoisson modelo. Incluso si los datos no son overdispersed, un quasipoisson modelo es válido y bastante eficiente. Un quasipoisson modelo sólo se extiende a la distribución de poisson mediante la estimación de un parámetro de dispersión.

Es, por supuesto, importante para pensar sobre el origen de la naturaleza de los datos, la pregunta que usted está tratando de contestar y preguntar acerca de por qué esta dispersión se da y cómo podría afectar a su interpretación de los resultados.

Answer 2

Una manera descriptiva el tratamiento adecuado de los menores de dispersión con la que aparentemente puede ser obtenido a partir de la regresión utilizando un Conway Maxwell de Poisson (COM) de la distribución o del Cónsul Generalizada de Poisson (GP) de regresión. Parece que el modelado con una Normalidad asunción es ineficiente.

Una revisión del papel y respuestas para el modelo COM están aquí y un paquete de R para implementarlo es aquí. Un paquete Stata con referencias a la GP en el modelo de regresión se describe aquí.

La divulgación completa: yo nunca he usado estas cosas en la ira.