math - 负二项式回归假设检验
问题描述
第一次发帖!
我是一名生物学家,在应用统计学和 R 方面的背景有限。基本上知道足够危险,所以我很感激有人可以确认/否认我走在正确的道路上。
我的数据集包括计数数据(野生动物对水井的访问)作为响应变量和多个连续预测变量(环境测量)。
首先,我通过删除一些预测变量来消除多重共线性。其次,我研究了响应变量的分布。最初,它看起来像泊松。然而,泊松精确检验返回显着,响应变量的方差约为 200,平均值约为 9,即过度分散。因此,我决定继续使用负二项式和准泊松回归。两者都选择了相同的模型,其残差处于正态分布。此外,预测值上的残差图是无偏的和同方差的。
问题: 1. 我是否选择了正确的回归来建模这些数据?2. 我需要测试 NBR 和 QpR 的其他假设吗?我应该如何/我在哪里可以了解如何做这些?3. 我是否正确检查了过度分散?比较均值和方差与比较响应变量的条件均值和方差有区别吗?4. 虽然 NBR 和 QpR 称为同一个模型,有没有办法选择哪个是“更好”的方法?5. 我想最终发表。我应该对我选择的模型进行更多分析吗?
解决方案
推荐阅读
- python - 不停止打印
- r - 无法将 R 数据放入数据框中
- html - 如何停止动画将我的页脚向下移动
- c - 在C二叉树中插入函数?
- eclipse - 一个或多个约束没有得到满足。无法安装项目方面 Java 1.8。此项目方面的某些版本已安装
- macos - 如何创建一个更改空投文件目标文件夹的苹果脚本?
- python - 将数据从 MongoDB 游标加载到 pandas Dataframe 的更快方法
- javascript - 应用程序组件看不到 index.html 中声明的条带元素?
- docker - 当运行 JVM 的 docker 容器达到内存限制时会发生什么?
- php - 如何在php中将数据带到另一个页面