我的目标是找出三类鸟类（留鸟、短距离候鸟和长距离候鸟）年人均增长率的最强预测因子。我的模型以人均增长率作为因变量，以繁殖季节的鸟类密度作为预测因子，并包含13个环境预测因子（包括各种气候指标、食物丰度和巢穴捕食）。我使用JMP Pro 17版Stepwise程序中的“所有可能模型”方法，将预测因子数量减少到三个，以最大限度地降低过度拟合的风险，因为我们的样本量（每年一个值）只有27年（数据集有27行和15列）。由于一些3预测因子模型的BIC差异不大，我计划在第二步模型简化中，使用自适应弹性网络（AEN）技术（广义回归程序）将这些模型中的多个预测因子纳入其中。AEN还将提供最终模型中每个预测因子的回归系数（±SE）、统计显著性和方差膨胀因子。我对每个预测因子都有一个方向性的预期，这些预期来自于我们研究地点的长期研究。例如，较高的气温会增加食物丰富度和繁殖成功率，而较高的繁殖密度会降低繁殖成功率。我的问题是关于多重比较的。
1) 虽然三个模型的密度各不相同（每个鸟类群体一个），但环境预测因子相同。由于三个模型都使用了环境预测因子，我是否需要进行多重比较校正（例如，Bonferroni校正）？
2) 使用“所有可能的模型”方法进行模型简化是否会让我陷入统计困境，因为需要多次使用预测变量来找到具有三个具有最低 BIC 的预测变量的模型？
3) 我假设，因为预测因子“密度”对于每个模型都是唯一的，并且因为我对其影响有先验的预期，所以我有充分的理由推断这个预测因子，但我不确定这是否适用于环境预测因子。
如果这些问题比较幼稚，我深表歉意。我正在努力寻找关于多重比较的文献方向。我还没有找到关于模型降阶后推理的明确参考文献。或许您知道一些。非常感谢您的帮助。
