假设以下情况：
我有一个变量Y的计数数据，我假设它是泊松分布的。我也有相同时间段内变量X的数据，每个观察值代表一个特定事件。我假设Y的值来自两个不同的影响，所以我将每个观察值Y_i分为两个由Poisson分布的Y_i1和Y_i2，但是我仍然只对总Y_i的观察值。我还假定事件（由X表示）对Y_i1具有长期影响，并且我具有参数lambda_i2的估计量。
所以我的回归公式是
fml=Y_i ~ b_1*X_i+....+b_n*X_(i-n+1) + offset(lambda_i2) -1n> = 24。
这意味着X的最后24个（或由于长期影响而更多）的值以累加方式影响Y_i1的值，而我没有拦截（b_0 = 0）。
我制作了一个矩阵m，其行表示Y_i，它的24个（或更多个）回归变量用于Y_i的每次观察以及相应的lambda_i2估计。
现在，我使用
glm(fml, family=poisson(link="identity"), data=m)
并尝试了不同的n值（= 24、48、36，...）。
总是，一些系数收到负值，这在解释上没有意义。（用X表示的事件只能对Y的值产生正或无影响。）
这导致了我的问题：
如何b_i >=0在模型中使用约束？
在我以前的研究中，我找到了函数glmc（），但是我不确定如何在此处包括约束。
作为替代方案，我还考虑了以贝叶斯方式分析此模型，但是我还没有找到Poisson分布的贝叶斯形式的glm（），因此我可以自行指定b_i的先验值。（然后，我可以在前面包括阳性。）
你有什么想法？
这是我的数据和代码的一部分：
y=c(279,623, 1025, 1701, 1862, 2544, 2308, 2231, 2234, 2550, 2698, 2805, 3510, 3032, 2746, 2074, 1062, 513, 226, 116, 87, 79, 116, 335, 594, 1081, 1425, 1775, 2056, 2387, 2337, 2354, 2665, 2406, 2433, 2550, 2820, 3655, 4566, 2330, 1267, 531, 280, 148, 92, 89, 141, 458, 852, …