Matematik är verklighetsagnostiker. Så ditt negativa lägre prediktionsband kan säkert vara matematiskt ljud.

Jag skulle dock hävda att detta är en bra indikation på att du använder fel matematik, t.ex. Kvadrater (som förutsätter en normalfördelning av fel) med räkningsdata (där en normalfördelning inte är meningsfull). Jag föreslår att du använder Poisson-regression eller någon liknande metod som är mer lämplig för räkningsdata.

Det föreslår för mig att du inte har använt någon analytisk metod med en lämplig omvandling av resultatet. Med räkningsdata modellerar till exempel populära linjära modeller (särskilt Poisson-regression eller negativ binomiell regression) processens logg som en linjär funktion av prediktorer. Då måste alla förutsagda värden som härrör från en sådan modell exponentieras och därmed positiva.

På samma sätt, när du använder funktionen predict.glm med se.fit inställd på TRUE för dessa modeller, beräkna symmetriska prediktionsintervall för räkningar på log-skala . Att exponentiera dessa värden på nytt säkerställer att du har intervall som inte inkluderar 0. Du kommer att märka att de exponentierade förutsägelserna är desamma som du skulle få genom att ställa in type = 'response' i förutsägningsfunktionen. Att be om båda type = 'response', se.fit = TRUE kommer emellertid att förvirra R eftersom länkomvandlingen för GLM innebär att du har icke-symmetriska intervall (SE för FIT beräknas på transformerad utgångsskala).

Det finns additiva räknemodeller, precis som det finns additiva riskmodeller för binära slutpunkter, men jag tror att resultaten kan vara svåra att tolka och de beter sig ohållbart för förutsägelser nära gränsvärdena av supporten (0 för räkningsdata). Som sådan skulle jag vara tveksam om inte bara dina negativa förutsägelser utan alla andra förutsägelser från din modell.