choix d'un modèle

Pour les coefficients c'est normal que tu pense ca, parceque c'est le "log" qui est linéaire. Donc c'est plus du genre log(y) = ax + b.
Pour la qualité predictive du modèle je ne peut pas trop d'aider parceque ca rentre dans le cas des modèles linéaires généralisé ( dans le cadres bayésiens ici) néamoins je pense que pour la qualité tu devrais plutot voir du coté de l'AIC, BIC.......Je dis tous ca...mais c'est cette année que je vais commencer a faire de l'econometrie et donc etudier ce genre de modèle et comprendre un peu mieux aussi, j'avoue que mes connaissances sont assez sommaire dans ce domaine et c 'est parfois dangereux.
Par rapport à la différence entre "random" et "expected", je pense que t'a raison car en regardant l'aide de mi.count, les valeurs "expected" sont les valeurs estimés par le modele.
Sinon tu peux faire plus simple et mieux comprendre en utilisant "glm" et family = quasipoisson et utiliser la fonction "predict".
Je me suis dit qu'avec des packages dediés à l'imputation multiple, le coté "black box" aurait facilité les choses, mais finalement ca n'a fait que soulever des problèmes. Ce qui me rassure dans le fait que sur R finalement on est obligé de comprendre ce qu'on fait ce qui n'est pas plus mal finalement. Si t'a d'autres questions n'hesite pas, ca permet aussi de comprendre

Le log, j'avais zappé ça. Merci. ça colle à peu près.
Je vais chercher des packages pour calculer le logvraissemblance ou l'AIC qui devraient me permettre d'estimer mon modèle. Je test et je te dirais comment cela fonctionne.
Pour R, tu as tout à fait raison, il faut comprendre pour faire, et ça c'est très stimulant, pour peu qu'on s'arme de patience......
Encore merci à toi.