glmmTMB + lme4中错误收敛误差的理解与修正

Question

我正在尝试使用glmmTMB来运行我的模型的一些迭代，但始终得到相同的持续错误。我试着在下面解释我的实验，并插入我想要运行的完整模型。

实验背景

我试图模拟的因变量是细菌16S基因拷贝数，在这种情况下用作细菌生物量的代名词。

实验设计是，我有来自8条河流的河流沉积物，它们沿着污染梯度下降(影响到原始的)。(因子1=流，有8级)。

对8条溪流中的每一条进行了以下操作，将沉积物添加到6个托盘中。其中3只被放置在温度13°C的人工河道中，其余3只被加热到17°C (因子2=升温处理，2级)。总共有16个通道，并随机将暖化处理分配到一个通道。

然后，我在四个时点重复测量每个溪流通道中的三个托盘(第3因子=日，有4个水平)。

此时此刻，我把托盘当作一个真正的生物复制物，而不是假的，因为托盘在通道中相距很远，但这是有待探索的。

因此，简单地总结一下:模型术语是(所有这些都被指定为因素)：

• 升温处理(13对17摄氏度)
• StreamID (1,2,3,4,5,6,7,8)
• 日(T1，T4，T7，T14)

我提出的完整模型是，

X4_tmb.nb2<-glmmTMB(CopyNo~Treatment*Stream*Time, family=nbinom2, data=qPCR)   

尽管该模型的这个版本不包含随机效应，但我希望使用glmmTMB包，而不是使用lme4运行它，因为我想探索添加模型组件以考虑色散的想法，并探索添加托盘作为随机效应的选项(不确定这是否正确)。通过在glmmTMB中运行所有版本的模型，我能够自信地比较它们的AIC分数。如果没有lme4中的分散组件和使用glmmTMB的其他组件，我就无法运行完整的模型。

不幸的是，在使用glmmTMB时，对于整个模型的大多数迭代(我的意思是依次删除模型术语)，我得到了相同的常量警告：

警告消息:在fitTMB(TMBStruc)中:模型收敛问题；假收敛(8)。见vignette(“故障排除”)

我试图理解这个错误，但是我很难理解，因为当我使用lme4运行完整的模型时，它没有任何错误。

这是运行在lme4中的完整模型的版本，

X4 = glm.nb(CopyNo~Treatment*Stream*Time, data = qPCR

据我从https://www.biorxiv.org/content/10.1101/132753v1.full.pdf @第225行中了解到，可以使用这个包在GLMs和GLMs之间进行交叉比较。你知道我是否理解得对吗？

我还使用DHARMa包来帮助验证使用glmmTMB无法收敛的模型和版本，通过了KStest、色散检验、离群点检验和组合调整分位数检验，但理想情况下我不希望收敛误差。

任何帮助都将不胜感激。

Answer 1

这里有一堆人。

警告讯息

不幸的是，很难做到这一点:它是一个声名狼藉的错误信息。作为推特上建议，您可以尝试不同的优化器，例如包括

 control = glmmTMBControl(optimizer = optim, optArgs = list(method="BFGS"))

在你的电话里。希望这将给出一个非常相似的答案(在这种情况下，您的结论是收敛警告可能是错误的，因为不同的优化器不可能以相同的方式失败)。(您可以尝试将上面的method="CG"作为第三种选择。)(请注意，在使用替代优化器(即最近修正了)时，有一个打印和总结输出的小错误；如果在修复程序传播到CRAN之前正在安装开发版本，则可能需要安装开发版本。)

"lme4“模型

glm.nb()函数不是来自lme4包，而是来自MASS包。如果模型中有随机效应，您将使用glmer.nb()，它在lme4包中.与上面的优化器切换测试一样，如果您在glmmTMB和glm.nb中得到类似的答案，您可以得出结论，来自glmmTMB的警告(实际上，来自glmmTMB内部调用的nlminb()优化器)可能是错误的。

检查来自不同包的可能性/AICs是否相称的最简单的方法是，如果可能的话，在两个包中安装相同的模型。

library(MASS)
library(glmmTMB)

quine.nb1 <- glm.nb(Days ~ Sex/(Age + Eth*Lrn), data = quine)
quine.nb2 <- glmmTMB(Days ~ Sex/(Age + Eth*Lrn), data = quine,
                     family=nbinom2)
all.equal(AIC(quine.nb1),AIC(quine.nb2))  ## TRUE

其他细节

模型中可能存在的问题之一是，通过拟合三个范畴变量的全部三向交互作用，您将尝试估计(2*4*8=) 64个参数，并将其与64*3=192观测值(如果我正确理解您的实验设计)。这两种方法都更有可能遇到数值问题(如上面所述)，并且可能给出不精确的结果。虽然有些人推荐它，但我不建议亲自推荐一种模型选择方法(全子集或顺序的、基于AIC的或基于p值的)；我建议将流变成随机效应，例如：

CopyNo ~ Treatment + (Treatment|StreamID) + (1|Time/StreamID)

这符合(1)总体治疗效果；(2)跨流变化，跨流治疗效果变化；(3)跨时间和跨时间点跨流变化。这只使用2(固定的:截获+处理)+3(拦截方差、处理方差以及它们跨流的协方差)+2(时间和时间内的流之间的方差)。这并不完全是“最大”模型；因为这两种处理都是在每个流中的每一时间测量的，所以最后一项可能是(处理_由于4个组对随机效应的影响不大，您可能会发现，您希望将最后一个项放入Time + (1|Time:StreamID)中，这将使时间与固定的时间和(时间内的流)作为随机的.