如何计算离散区间覆盖率？
我知道该怎么做：
如果我有一个连续模型，我可以为每个预测值定义一个 95% 的置信区间，然后查看实际值在置信区间内的频率。我可能会发现我的 95% 置信区间只有 88% 的时间覆盖了实际值。
我不知道该怎么做：
我如何为离散模型执行此操作，例如泊松或伽马泊松？我对这个模型的看法如下，只进行一次观察（我计划生成的超过 100,000 个：）
观察#：（任意）
预测值：1.5
0的预测概率：.223
1的预测概率：0.335
2的预测概率：.251
3的预测概率：0.126
4的预测概率：0.048
5 的预测概率：0.014 [和 5 或更多是 0.019]
...（ETC）
100 的预测概率（或其他不切实际的数字）：0.000
实际值（整数，如“4”）
请注意，虽然我在上面给出了泊松值，但在实际模型中，预测值 1.5 可能具有不同的预测概率，即 0,1,...100。
我对这些值的离散性感到困惑。“5”显然在 95% 区间之外，因为在 5 及以上只有 0.019，小于 0.025。但是会有很多 4 —— 单独它们在里面，但是我如何更合适地联合评估 4 的数量呢？
我为什么在乎？
我正在研究的模型被批评为在总体水平上是准确的，但给出的个体预测很差。我想看看糟糕的个人预测比模型预测的固有宽置信区间差多少。我预计经验覆盖率会更差（例如，我可能会发现 88% 的值位于 95% 的置信区间内），但我希望只会更糟。
