我已经使用 R 形成了一个岛上特有物种数量的 95% 预测区间。
我的下限是负数——这在数学上合理吗？
在预测区间中使用的线性模型中，使用的数据是： Area 岛屿的表面积，公顷 DiscSC 到圣克鲁斯的距离，km Elevation 高点的高程，以米为单位，编码如下：
selected.model <- lm(ES ~ Area + Elevation + DistSC + I(Elevation^2)
+ (Elevation:DistSC) + (Area:Elevation))
并进行逐步回归以找到这个“最佳”模型
我不确定预测间隔是如何工作的。我只是想确保它没问题。显然负数的物种是不正确的，但我知道它考虑了平均值的不确定性以及数据分散。
数学与现实无关。所以你的负下预测带在数学上肯定是合理的。
然而，我认为这是一个很好的迹象，表明您使用了错误的数学，例如，普通最小二乘法（假设误差的正态分布）和计数数据（正态分布没有意义）。我建议使用泊松回归或一些更适合计数数据的类似方法。
它向我表明，您没有使用任何分析方法对结果进行适当的转换。例如，对于计数数据，流行的线性模型（特别是泊松回归或负二项式回归）将过程的对数建模为预测变量的线性函数。然后，从这种模型产生的任何预测值都必须取幂，因此是正的。
同样，当您对这些模型使用set to的predict.glm函数时，您会计算对数刻度上计数的对称预测区间。对这些值重新取幂可确保您有不包括 0 的区间。您会注意到取幂后的预测与在 predict 函数中设置时获得的预测相同。但是，两者都要求会使 R 感到困惑，因为 GLM 的链接转换意味着您将有非对称区间（FIT 的 SE 是根据转换后的结果量表计算的）。se.fitTRUEtype='response'type='response', se.fit=TRUE
有加法计数模型，就像二进制端点的加法风险模型一样，但我认为结果可能难以解释，并且对于接近支持边界值的预测（计数数据为 0），它们的行为是站不住脚的。因此，我不仅怀疑您的负面预测，而且怀疑您模型的所有其他预测。