使用cbind构建响应变量时，如何用AIC比较模型？

一、先排查基础问题：二项GLM本身支持AIC计算 #

你用cbind(feeds_per_offspring, all_feeds - feeds_per_offspring)作为响应变量、配合family = binomial构建的广义线性模型（GLM），本身就能直接用R基础包的AIC()函数比较。比如你可以这么操作：

# 构建不同模型
full_model <- glm(cbind(feeds_per_offspring, all_feeds - feeds_per_offspring) ~ pred1 + pred2,
                  data = your_dataset, family = binomial)
reduced_model <- glm(cbind(feeds_per_offspring, all_feeds - feeds_per_offspring) ~ pred1,
                     data = your_dataset, family = binomial)

# 直接比较AIC
AIC(full_model, reduced_model)

如果之前无法计算，大概率是模型构建时的问题——比如数据存在NA、模型不收敛（可以检查summary(model)的输出），先排查这些基础问题。

二、进阶工具：专门的模型选择包 #

如果需要更灵活的模型比较（比如小样本校正AIC、批量模型排序），可以用这些R包：

• MuMIn：提供AICc()（校正样本量偏差的AIC）和model.sel()函数，能一次性比较多个候选模型，完美支持二项GLM。示例代码：

library(MuMIn)
# 把所有候选模型放进列表
model_list <- list(full_model, reduced_model, null_model)
# 生成模型选择结果（按AICc排序）
model_results <- model.sel(model_list)
print(model_results)

• lme4：如果你的数据有嵌套结构（比如同一亲本多次观测），用glmer()构建混合效应二项模型后，同样可以用AIC()或MuMIn工具做比较。

三、AIC不可用时的替代比较方法 #

如果遇到极端情况导致AIC无法计算，可以试试这些方法：

• 似然比检验：针对嵌套模型（比如全模型和去掉一个变量的简化模型），用anova(model1, model2, test = "Chisq")，检验两个模型的拟合优度差异是否统计显著。
• 交叉验证：用k折交叉验证比较模型的预测性能，比如手动拆分数据，对比不同模型的对数损失、分类准确率等指标；也可以用caret包简化实现流程。
• 伪R²：用Nagelkerke或McFadden伪R²衡量模型的解释力，作为辅助比较指标，可通过pscl包的pR2()函数计算。

四、关于转换为比例的注意事项 #

把响应变量转换成feeds_per_offspring / all_feeds后用普通线性模型（LM）是不推荐的——比例数据不符合正态分布假设，且存在异方差问题。如果一定要用比例形式，建议用beta回归（比如betareg包），但前提是你的比例值严格在(0,1)之间（不能有0或1）。相比之下，你最初用cbind(成功次数, 失败次数)的二项GLM，更贴合“亲本喂养单个后代的概率”这一研究问题的统计逻辑。

内容的提问来源于stack exchange，提问作者Teresa