Comparaison modèle binomial négatif et quasi-Poisson

J'ai exécuté des modèles binomiaux et quasi-poissons négatifs basés sur une approche de test d'hypothèse. Mes modèles finaux utilisant les deux méthodes ont différentes covariables et interactions. Il semble qu'il n'y ait aucun motif lorsque je trace mes résidus dans les deux cas. Ainsi, je me demandais quel test je pourrais utiliser pour voir quel modèle correspond mieux à mes données car le quasi-Poisson n'a aucune vraisemblance ou AIC…

De plus, j'ai beaucoup de surdispersion ce qui me fait penser que le binôme négatif serait plus approprié, mais je ne sais pas si je peux choisir mon modèle en fonction du bon sens…

Je vois le quasi-poisson comme une solution technique; il vous permet d'estimer comme paramètre supplémentaire , le paramètre de dispersion. Dans le Poisson par définition. Si vos données ne sont pas aussi ou plus dispersées que cela, les erreurs standard des coefficients du modèle sont biaisées. En estimant en même temps que l'estimation des autres coefficients du modèle, vous pouvez apporter une correction aux erreurs standard du modèle, et donc à leurs statistiques de test et aux valeurs associées . Il s'agit simplement d'une correction des hypothèses du modèle.$\phi$$\phi = 1$$\hat{\phi}$$p$

Le binôme négatif est un modèle plus direct de surdispersion; que le processus de génération de données est ou peut être approximé par un binôme négatif.

Le quasi-Poisson introduit également tout un tas de problèmes pratiques tels qu'il n'a pas de vrais vraisemblance d'où toute la pile de choses utiles pour la sélection du modèle, comme le test de rapport de vraisemblance, AIC, etc ... (Je sais qu'il y a quelque chose appelé QAIC , mais les R glm()par exemple ne vous le donneront pas).