Me gusta usar modelos de mezcla heterogéneos para describir efectos combinados de fuentes fundamentalmente diferentes.
Puede ver algo así como un modelo de "Poisson inflado cero" en el estilo de Diane Lambert. " Regresión de Poisson inflada a cero, con una aplicación a defectos en la fabricación ", Diane Lambert, Technometrics, vol. 34, Iss. 1, 1992
Encuentro esta idea particularmente deliciosa porque parece contradecir la noción de que la aplicación del diseño estadístico de experimentos a la medicina no puede curar completamente la enfermedad. Detrás de la noción está la idea de que el método científico no puede completar su propósito en medicina proviene de la idea de que no hay datos de enfermedad de un individuo "perfectamente" sano y que los datos no pueden informar el remedio de la enfermedad. Sin medición no hay espacio para mejorar.
El uso de algo así como un modelo inflado a cero permite extraer información útil de datos que están parcialmente "libres de errores". Está utilizando la comprensión del proceso para tomar la información que podría considerarse "silenciosa" y hacerla hablar. Para mí, este es el tipo de cosas que estás tratando de hacer.
Ahora no puedo comenzar a afirmar qué combinaciones de modelos usar. Sospecho que podría usar un modelo de mezcla gaussiana inflado a cero (GMM) para empezar. El GMM es un aproximador universal empírico para archivos PDF continuos, como el primo PDF de la aproximación de la serie Fourier, pero con el apoyo del teorema del límite central para mejorar la aplicabilidad global y permitir típicamente muchos menos componentes para hacer un " buena "aproximación".
La mejor de las suertes.
EDITAR:
Más sobre modelos con cero inflado: