带拟泊松分布的GLMM模型拟合方法选型咨询

三种方法的核心差异 #

• glmmPQL + quasipoisson
  核心逻辑是用惩罚拟似然（PQL）做近似估计，把过度离散当成一个全局固定缩放因子（方差=均值×φ，φ>1对应过度离散），但不会将过度离散纳入模型的随机结构。短板很明显：PQL本身是近似方法，随机效应维度高或数据偏离正态时估计易有偏差；且拟泊松没有明确的似然函数，无法做似然比检验，仅能使用Wald检验。

• glmmTMB + nbinom1
  这是拟泊松的「似然版替代」，nbinom1（线性负二项）的方差和均值成严格线性关系，和拟泊松的方差结构完全一致，但它具备完整的极大似然（ML）估计框架。优势在于支持似然比检验、AIC模型选择，还能同时处理零膨胀、随机截距/斜率等复杂结构，估计可靠性更高。

• glmer(poisson) + quasi_table
  属于「事后补救」思路：先拟合普通泊松GLMM，再用quasi_table（bbmle包）计算全局离散参数φ，以此修正标准误和p值。但模型的系数估计仍是泊松模型的结果，仅调整了推断统计量；同样无似然支持，无法做基于似然的模型比较。

适用场景 #

• glmmPQL + quasipoisson：仅适合泊松均值≥5的场景（如Bolker等人2009的结论），此时PQL的近似效果相对可控；如果只是快速获取调整过度离散后的系数，且不需要似然类检验，可以选用，但需警惕估计偏差。
• glmmTMB + nbinom1：这是大多数过度离散计数GLMM的首选方案——无论均值大小，只要方差和均值线性相关就适用；尤其是需要做模型选择、似然比检验，或模型包含复杂随机效应/零膨胀结构时，优势显著。
• glmer(poisson) + quasi_table：适合应急场景，比如已拟合泊松GLMM，不想重新建模，仅需修正过度离散导致的标准误膨胀问题；但不适合正式的模型推断，因为系数估计未考虑过度离散的影响。

其他可行方案 #

• glmmTMB + nbinom2：如果过度离散呈现方差随均值平方增长（方差=均值+均值²/θ），这种情况常见于小均值计数数据，用nbinom2（普通负二项）更合适。
• 贝叶斯方法（brms包）：直接拟合贝叶斯拟泊松或负二项GLMM，通过后验分布做推断，无需依赖频率派的近似方法；适合小样本、复杂模型结构的场景，还能灵活纳入先验信息。
• GEE（广义估计方程）：如果数据是重复测量结构，且更关注边际效应（而非条件效应），可以用GEE指定quasipoisson族，通过Sandwich估计量处理过度离散和聚类，计算简单，但无法估计随机效应的方差。

内容的提问来源于stack exchange，提问作者sheep