使用MuMIn：：疏浚时，模型无法收敛

Question

我从R中的MuMIn::dredge函数中得到了一些错误，不知道如何解决它。

这里是我的数据。

library(lme4)
library(MuMIn)
library(arm)

我建立了一个全球模型：

options(na.action = "na.fail") 
global.model<-lmer(yld.res ~ rain + brk+ act + 
    onset + wid + (1|state),data=dat,REML=FALSE)
stdz.model <- standardize(global.model,standardize.y = FALSE)
model.set <- dredge(stdz.model)

我得到以下错误，我不知道为什么会发生。为了澄清起见，yld.res是从yld对每个state的year线性回归中得到的残差。如果我使用dredge作为响应，那么yld可以正常工作。如有任何帮助或建议，将不胜感激。

Fixed term is "(Intercept)"
Warning messages:
1: In checkConv(attr(opt, "derivs"), opt$par, ctrl = control$checkConv,  :
 unable to evaluate scaled gradient
2: In checkConv(attr(opt, "derivs"), opt$par, ctrl = control$checkConv,  :
 Model failed to converge: degenerate  Hessian with 1 negative eigenvalues
3: In checkConv(attr(opt, "derivs"), opt$par, ctrl = control$checkConv,  :
 unable to evaluate scaled gradient
4: In checkConv(attr(opt, "derivs"), opt$par, ctrl = control$checkConv,  :
 Model failed to converge: degenerate  Hessian with 1 negative eigenvalues
5: In checkConv(attr(opt, "derivs"), opt$par, ctrl = control$checkConv,  :
 unable to evaluate scaled gradient
6: In checkConv(attr(opt, "derivs"), opt$par, ctrl = control$checkConv,  :
 Model failed to converge: degenerate  Hessian with 1 negative eigenvalues
7: In checkConv(attr(opt, "derivs"), opt$par, ctrl = control$checkConv,  :
unable to evaluate scaled gradient
8: In checkConv(attr(opt, "derivs"), opt$par, ctrl = control$checkConv,  :
Model failed to converge: degenerate  Hessian with 1 negative eigenvalues

Answer 1

；博士，我认为这些是假阳性。我看不出数据和模型有什么可疑之处。在估计空间的边缘，似然曲线是完全平坦的，这会破坏收敛性检查(这是不寻常的，但没有任何问题)。

复制设置：

dd <- read.csv("SOtmpdat.csv")
library(lme4)
library(MuMIn)
library(arm)
options(na.action = "na.fail") 
global.model <- lmer(yld.res ~ rain + brk+ act + onset +
                   wid + (1|state), data=dd,REML=FALSE)
stdz.model <- standardize(global.model,standardize.y = FALSE)
model.set <- dredge(stdz.model)

查看数据：

library(ggplot2); theme_set(theme_bw())
library(reshape2)
mm <- melt(dd,id.var=c("year","state","yld.res"))
ggplot(mm,aes(value,yld.res,colour=state))+geom_point()+
    facet_wrap(~variable,scale="free")+geom_smooth(method="lm")

​

​

这里没什么可说的，但也没什么特别的。

看看标准化模型的系数：

library(dotwhisker)
dwplot(stdz.model)+geom_vline(xintercept=0,lty=2)

​

​

预测因素之间没有巨大的两两相关：

cor(as.matrix(dd[,3:8]))
pairs(as.matrix(dd[,3:8]),gap=0,cex=0.5)

​

​

让我们找出其中一个打破的模型：

options(warn=1)
model.set <- dredge(stdz.model,trace=TRUE)

试一试：

test1 <- lmer(formula = yld.res ~ z.brk + z.onset + (1 | state),
       data = model.frame(stdz.model),
       REML = FALSE)

更仔细地看：

mf <- transform(model.frame(stdz.model),
                z.onset.cat=cut_number(z.onset,4))
ggplot(mf,
       aes(z.brk,yld.res,
           colour=state))+geom_point()+
    facet_wrap(~z.onset.cat)

​

​

再说一次，没什么好搞笑的。

让我们手工探索适合的模型:只有一个显式参数(州际标准差)。

tt <- as.function(test1)
tvec <- seq(0,1,length=501)
dvec <- sapply(tvec,tt)
par(las=1,bty="l")
plot(tvec,dvec,type="l")

​

​

看上去很好。