案例:我正在尝试估算mig
从55个原始地区(IDo
)到54个目标地区(IDd
)的迁移引力模型()。两个重要的预测变量是dist
每个起点与目的地区域之间的距离()和contig
任何起点-终点对的连续性()的指示变量。迁移结果变量是对在成对的区之间迁移的人数的度量(从零到几千不等)。以下是近似于我的数据情况的测试数据集。在实际数据中,迁移结果变量在理想情况下的泊松分布(min=0, max=9450, mean=85, median=10
)略少。
library(lme4)
#*** Generate test data set
set.seed=777
td=data.frame(IDo=rep(1:55,each=55),IDd=rep(1:55,times=55),dist=runif(3025,0.186,12.7),contig=rbinom(3025,1,p=0.08), stringsAsFactors=F)
td=td[td$IDo!=td$IDd,] # remove cases for which origin and destination are the same
td=rbind(td,td) # dublicate data for two years
td$year=rep(c(1,0),each=2970) # generate year dummy variable
td$mig=rpois(5940, lambda = 1)*1000 # generate migrant count variable
# Cross-classified random effects Poisson models
m1=formula(mig~dist+contig+year+(1|IDo)+(1|IDd))
fm0=glmer(m1,data=td,family="poisson",control=glmerControl(optimizer="bobyqa"), nAGQ=0) # Adaptive Gauss-Hermite Quadrature
fm1=glmer(m1,data=td,family="poisson",control=glmerControl(optimizer="bobyqa"), nAGQ=1) # Laplace Approximation
# Regular Poisson models
m2=formula(mig~dist+contig+year+factor(IDo)+factor(IDd))
fm2=glm(m2,data=td,family="poisson")
问题:我正在使用来运行交叉分类的多层Poisson模型lme4
。当使用默认的nAGQ = 1设置(fm1
)时,我总是收到以下警告消息,在实际数据情况下,模型无法收敛(In checkConv(attr(opt, "derivs"), opt$par, control$checkConv Model failed to converge with max|grad| = 0.00248588 (tol = 0.001, component 1)
)。
Warning message:
In checkConv(attr(opt, "derivs"), opt$par, ctrl = control$checkConv, :
Model is nearly unidentifiable: very large eigenvalue
- Rescale variables?
但是,设置nAGQ = 0(fm0
)或将其作为常规固定效果模型(fm2
)运行时,不会出现此问题。
是否有人建议如何避免此警告消息所基于的问题(并导致实际数据出现收敛问题)?预测变量的大小都相当小,因此无需重新缩放这些变量。我可能会重新调整我的结果变量有更小的值(td$mig=round(td$mig/1000,0)
),但是这会改变分布和中指明不应该做这个职位。
我真的认为这是错误的肯定;具有如此大量的计数数据是不寻常的...您是否尝试过使用不同的优化器(请参阅参考资料?lme4::convergence
)?(我只是尝试使用您的示例,control=glmerControl(optim="nloptwrap")
并获得了几乎相同的结果。)
我有点担心您的分配假设。我知道这只是一个重复的例子,但通过1000绘制泊松采样和乘以它并没有给你一个泊松分布值...这里有一个小后的预测模拟,模拟的拟合下的响应的90位数的分布模型-这是方式从观测到的值不同?
ss <- simulate(fm1,1000,seed=101)
qq <- sapply(ss,quantile,0.9)
hist(qq,breaks=50,col="gray")
summary(qq)
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 1106 1153 1167 1168 1182 1255
quantile(td$mig,0.9) ## 2000
本文收集自互联网,转载请注明来源。
如有侵权,请联系[email protected] 删除。
我来说两句