我有一些过度分散的数据，正在尝试确定哪种模型最适合这些数据。这些数据通常是一些认知任务中症状的计数或正确项目的数量。举个例子：

set.seed(69)
g1<-rnorm(700,30,9); g2<-rnorm(100,25,7); g3<-rnorm(100,20,5)
gt<-data.frame(score=c(g1, g2, g3), fac1=factor(rep(c("a", "b", "c"), c(700, 100, 100))), fac2=ordered(rep(c(0,1,2), c(3,13,4))))
gt$score<-with(gt, ifelse(fac2 == 0, score, score-rnorm(1, 0.5, 2)))
gt$score<-with(gt, ifelse(fac2 == 2, score-rnorm(1, 0.5, 2), score))
gt$score<-round(with(gt, ifelse(score>=30, 30, score))) 
gt$cov1<-with(gt, score + rnorm(900, sd=40))/40
gt$score.30<-with(gt, 30-score)

我正在考虑使用的模型是：

glmnb1<-glm.nb(score.30~cov1 + fac1*fac2, data=gt)    
hur1<-hurdle(score.30~cov1 + fac1*fac2, dist="negbin", data=gt)
quasi1<-glm(cbind(score, score.30)~cov1+fac1*fac2, family="quasibinomial", data=gt)

1. 如何在负二项式和准二项式之间做出决定？
2. 在此示例中，与负二项式相比，障碍模型更适合。但是，如果准二项式比负二项式更好（假设或其他），您如何比较障碍和准二项式？是否存在准二项式障碍？