r - 如何在 R 中使用 glmer (lme4) 修复“奇异拟合”？

Question

问题

我正在尝试使用 R 中的 lme4 来拟合变量在 0 和 1 之间变化的 glmer 模型，但我总是得到“奇异拟合”错误。我尝试了不同的方法，但到目前为止无法摆脱这个错误。（对于变量在-1和1之间变化的另一个模型，我有完全相同的错误）

我尝试过的背景和事情

我想预测第 X 天鸟类之间的运动（mvt_index）如何预测第 X+1 天（sbs_nextday）的关联指数。在 28 天的时间里，我有来自 3 行（高、低、野生型）的 28 只鸟的 6 群（鸟舍）。这是我的数据集（fulldata_mod1.2）的5个随机采样行：

             date pair_id aviaries lines sbs_nextday mvt_index
57552  2017-06-15   70_83       G3     W 0.007614837 0.0000000
118075 2017-06-24 158_159       G6     H 0.001187648 0.0000000
13727  2017-06-28 125_143       G2     L 0.001333333 0.0000000
106103 2017-06-18   65_82       G3     W 0.002484913 0.1666667
24790  2017-07-06   41_52       G5     L 0.004279601 0.2500000

关联指数 (sbs_nextday) 和运动指数 (mvt_index) 在 0 和 1 之间变化。在以下模型 (mod1.2) 中，每个数据点代表每对 (pair_id) 和每天 (日期) 的关联指数和运动指数的值。我运行的第一个模型是这个：

mod1.2 <- lmer(sbs_nextday ~ mvt_index  + (1|pair_id) + (1|date) + (1|aviaries) + (1|lines),data=fulldata_mod1.2, lmerControl(optCtrl = list(maxfun = 10000)))


Error in if (REML) p else 0L : argument is not interpretable as logical
In addition: Warning message:
In if (REML) p else 0L :
  the condition has length > 1 and only the first element will be used

在重新考虑一下我的模型后，我决定将日期删除为随机效应，因为由于我每个 dyad 和每天都有一个值，因此如果将 pair_id 和 date 都用作随机效应，则它们将解释相同的方差。然后，每个鸟舍都有一组单独的 id（和 pair_id）。因此，我使用pair_id 作为鸟舍中的嵌套随机效应。最后，由于我截断了数据（在 0 和 1 之间），我不能使用 lmer，因为它会尝试拟合高斯分布，而我的数据不可能。最重要的是，我有一个零膨胀数据集，所以我使用了带有二项式族和 logit 链接函数的 glmer 模型，如下所示：

mod1.2 <- glmer(cbind(sbs_nextday, (1-sbs_nextday)) ~ mvt_index  + (1|aviaries/pair_id), data=fulldata_mod1.2, family=binomial(link='logit'))

boundary (singular) fit: see ?isSingular
Warning message:
In eval(family$initialize, rho) : non-integer counts in a binomial glm!

summary(mod1.2)
Generalized linear mixed model fit by maximum likelihood (Laplace Approximation) ['glmerMod']
 Family: binomial  ( logit )
Formula: cbind(sbs_nextday, (1 - sbs_nextday)) ~ mvt_index + (1 | aviaries/pair_id)
   Data: fulldata_mod1.2

     AIC      BIC   logLik deviance df.resid 
   392.5    426.7   -192.2    384.5    39069 

Scaled residuals: 
    Min      1Q  Median      3Q     Max 
-0.0406 -0.0076  0.0700  0.4228 30.1497 

Random effects:
 Groups           Name        Variance Std.Dev.
 pair_id:aviaries (Intercept) 0        0       
 aviaries         (Intercept) 0        0       
Number of obs: 39073, groups:  pair_id:aviaries, 2254; aviaries, 6

Fixed effects:
            Estimate Std. Error z value Pr(>|z|)    
(Intercept)  -7.6670     0.2554 -30.024   <2e-16 ***
mvt_index     1.2567     0.5989   2.098   0.0359 *  
---
Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Correlation of Fixed Effects:
          (Intr)
mvt_index -0.577
convergence code: 0
boundary (singular) fit: see ?isSingular

我查看了 ?isSingular，并检查了方差-协方差矩阵：

VarCorr(mod1.2)
 Groups           Name        Std.Dev.
 pair_id:aviaries (Intercept) 0       
 aviaries         (Intercept) 0   

然后我检查了我的数据集是否针对模型中的每个变量进行了平衡：

lines:
table(fulldata_mod1.2$lines)
    H     L     W 
12171 13988 12914

aviaries:
table( fulldata_mod1.2$aviaries)
  G1   G2   G3   G4   G5   G6 
5176 6822 7193 5721 7166 6995

date:
table( fulldata_mod1.2$date)
2017-06-12 2017-06-13 2017-06-14 2017-06-15 2017-06-16 2017-06-17 2017-06-18 2017-06-19 2017-06-20 2017-06-21 
      1113       1914       1995       1839       1861       1788       1652       1703       1574       1398 
2017-06-22 2017-06-23 2017-06-24 2017-06-25 2017-06-26 2017-06-27 2017-06-28 2017-06-29 2017-06-30 2017-07-01 
      1854       1497       1578       1457       1204       1494       1179       1128        826       1220 
2017-07-02 2017-07-03 2017-07-04 2017-07-05 2017-07-06 2017-07-07 2017-07-08 2017-07-09 
       486       1300       1049       1087       1471       1054       1256       1096 

然后我使用 glm 来检查模型是否在没有随机效应的情况下工作：

mod1.4 <- glm(cbind(sbs_nextday, (1-sbs_nextday)) ~ mvt_index   ,data=fulldata_mod1.2,family=binomial(link='logit'))
Warning message:
In eval(family$initialize) : non-integer counts in a binomial glm!

summary(mod1.4)

Call:
glm(formula = cbind(sbs_nextday, (1 - sbs_nextday)) ~ mvt_index, 
    family = binomial(link = "logit"), data = fulldata_mod1.2)

Deviance Residuals: 
     Min        1Q    Median        3Q       Max  
-0.25747  -0.17050  -0.13572  -0.04642   2.17994  

Coefficients:
            Estimate Std. Error z value Pr(>|z|)    
(Intercept) -4.22387    0.04689 -90.083  < 2e-16 ***
mvt_index    0.83360    0.12672   6.578 4.76e-11 ***
---
Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

(Dispersion parameter for binomial family taken to be 1)

    Null deviance: 2011.4  on 39072  degrees of freedom
Residual deviance: 1973.3  on 39071  degrees of freedom
AIC: 1488.1

Number of Fisher Scoring iterations: 7

因此，当我比较 glm 和 glmer 的摘要时，我得到的结果大致相同。但是我想控制随机效应并且模型仍然无法正常工作。如果您能给我一些建议，我将不胜感激，我已经感谢您为此付出的时间。

标签： rlme4mixed-models