Comparación del modelo binomial negativo y cuasi-Poisson

He ejecutado modelos binomiales negativos y cuasi-Poisson basados ​​en un enfoque de prueba de hipótesis. Mis modelos finales que usan ambos métodos tienen diferentes covariables e interacciones. Parece que no hay patrones cuando trazo mis residuos en ambos casos. Por lo tanto, me preguntaba qué prueba podría usar para ver qué modelo se ajusta mejor a mis datos, ya que el cuasi-Poisson no tiene ninguna probabilidad o AIC ...

Además, tengo mucha sobredispersión que me hace pensar que el binomio negativo sería más apropiado, pero no sé si puedo elegir mi modelo basado en el sentido común ...

Veo el cuasi-poisson como una solución técnica; le permite estimar como parámetro adicional , el parámetro de dispersión. En el Poisson por definición. Si sus datos no están tan o más dispersos que eso, los errores estándar de los coeficientes del modelo están sesgados. Al estimar al mismo tiempo que estima los otros coeficientes del modelo, puede proporcionar una corrección a los errores estándar del modelo y, por lo tanto, a sus estadísticas de prueba y valores asociados . Esto es solo una corrección a los supuestos del modelo.$\phi$$\phi = 1$$\hat{\phi}$$p$

El binomio negativo es un modelo más directo para la sobredispersión; que el proceso de generación de datos es o puede ser aproximado por un binomio negativo.

El cuasi-Poisson también presenta una gran cantidad de cuestiones prácticas, como no tener una probabilidad real, por lo tanto, toda la pila de cosas útiles para la selección del modelo, como la prueba de razón de probabilidad, AIC, etc. (sé que hay algo llamado QAIC , pero R glm()por ejemplo no te lo dará).