我有长期的采集数据，我想测试采集的动物数量是否受天气影响。我的模型如下所示：
glmer(SumOfCatch ~ I(pc.act.1^2) +I(pc.act.2^2) + I(pc.may.1^2) + I(pc.may.2^2) +
SampSize + as.factor(samp.prog) + (1|year/month),
control=glmerControl(optimizer="bobyqa", optCtrl=list(maxfun=1e9,npt=5)),
family="poisson", data=a2)
所用变量的说明：
- SumOfCatch：收集的动物数量
- pc.act.1, pc.act.2：代表采样期间天气状况的主成分轴
- pc.may.1, pc.may.2：代表五月天气状况的 PC 轴
- SampSize：陷阱的数量，或收集标准长度的横断面
- samp.prog：采样方法
- 年份：采样年份（从 1993 年到 2002 年）
- 月份：采样月份（从 8 月到 11 月）
当针对拟合值绘制时，拟合模型的残差显示出相当大的不均匀性（异方差？）（见图 1）：
我的主要问题是：这是一个使我的模型的可靠性有问题的问题吗？如果是这样，我能做些什么来解决它？
到目前为止，我已经尝试了以下方法：
- 通过定义观察级别的随机效应来控制过度分散，即为每个观察使用唯一的 ID，并将此 ID 变量用作随机效应；尽管我的数据确实显示出相当大的过度分散，但这并没有帮助，因为残差变得更加丑陋（见图 2）
- 我用准泊松 glm 和 glm.nb 拟合了没有随机效应的模型；也产生了与原始模型相似的残差与拟合图
据我所知，可能有一些方法可以估计异方差一致的标准误差，但我没有找到任何用于 R 中泊松（或任何其他类型）GLMM 的方法。
作为对@FlorianHartig 的回应：我的数据集中的观察次数是 N=554，我认为这是一个公平的问题。这样的模型数量，当然，越多越好。我发布了两个数字，第一个是主模型的 DHARMa 比例残差图（由 Florian 建议）。
第二个图来自第二个模型，其中唯一的区别是它包含观察级别的随机效应（第一个没有）。
更新
天气变量（作为预测变量，即 x 轴）与采样成功（响应）之间的关系图：
更新二。
显示预测值与残差的图：
