这是显示我的响应变量的直方图。

响应是#（或比例？或百分比？）从田间卡片上吃掉的蚜虫，以模拟天敌的捕食。

预测变量：固定效应是分类的（即作物类型、季节）和连续的（即景观变量——生产用地的数量、平均农田面积），而变量“景观”是随机效应。

到目前为止，我一直在使用反映的响应变量（“剩余的蚜虫数量”而不是“吃掉的蚜虫数量”）来解决这个问题，这样它就可以正确倾斜，这似乎更有可能。但如果可能的话，我宁愿用它作为左倾的，结果会更容易讨论。

转换无助于减少响应变量的偏斜。

具有泊松误差的 GLMM 不起作用，因为创建的模型过于分散。具有负二项式误差的 GLMM - 同样的问题。我尝试对将响应变量视为连续的数据进行建模的任何方式，都会在我进行模型检查时给我带来问题，例如拟合图中具有清晰模式的残差和过度分散。我开始怀疑我是否需要以某种方式对响应中的数据进行排名？还是将其划分为类别？

我得到的潜在解决方案是障碍模型：

“跨栏模型将模型分为两部分：生成正计数与零计数的二进制过程，以及仅生成正计数的过程。二进制过程使用广义逻辑回归建模，正计数过程使用零建模-截断计数模型”（转述自 Zeilis, Kleiber & Jackman 2008）

有没有办法在 R 中做到这一点？还是我只是分别做这两个模型，然后分别讨论？或者有没有办法获得障碍模型的 AIC 值？

有人对如何建模这个数据集有任何其他想法吗？

TIA 的任何帮助，非常感谢。这个数据集一直是我的眼中钉太久了！！

编辑添加

我现在认为 tobit 模型（审查回归）是我需要对这个数据集建模的方式。它仅适用于为我的固定效果建模。但我仍然无法弄清楚如何制作这样一个混合效果的模型。这些数据点按站点分组（每个站点 3 个点），因此它需要是随机效应。有没有办法进行具有混合效果的审查回归？