这是我的第一篇文章，所以如果有任何改进或我可以提供进一步的信息，请告诉我。
我在运行10.11.6的mac上使用R 3.4.3。
我正在使用计数数据。我对负二项分布的theta / dispersion / size参数（k）感兴趣（我的理解是这些术语可以互换使用）。我将NB分布拟合到这些数据，使用fitdistrplus包和fitdist函数通过最大似然估计参数。如果我的数据的不同组使用不同的分布更好地建模，我感兴趣。因此，我适合所有数据的分布。然后根据一个2级因子拆分数据，并将分布拟合到这两个独立的组。
当我将分布拟合到整个数据集时，我会得到mu和size的估计值以及标准误差。然后我拆分数据。这种方法适用于一半数据（A组），但不适用于另一半（B组），理论上它们在结构上应该是相同的。相反，我得到mu和大小的估计，但标准错误的NA。
对于optim后面的fitdist函数强加lower = c（0,0）和upper = c（inf，inf）也没有达到任何效果，并且输出为NA而不是NaN I不要认为它与试图估计负数有任何关系（经常讨论的错误100）。
出于兴趣，我删除了所有零，以防它与此有关，也没有做任何事情。
所以我的问题是为什么要生成NA（最终我如何获得估算的标准误差）？
这是我的数据和我的代码：
require(fitdistrplus)
data.set <- read.csv("data.set.csv")
count.A <- subset(data.set, category == "A")
count.B <- subset(data.set, category == "B")
# All Data
plotdist(data.set$count, histo = TRUE, demp = TRUE)
count.nb <- fitdist(data.set$count, "nbinom")
plot(count.nb)
LL.nb <- logLik(count.nb)
count.p <- fitdist(data.set$count, "pois")
plot(count.p)
LL.p <- logLik(count.p)
cdfcomp(list(count.p, count.nb),legendtext = c("Poisson", "negative binomial"))
gofstat(list(count.p, count.nb),fitnames = c("Poisson", "negative binomial"))
# Group A
plotdist(count.A$count, histo = TRUE, demp = TRUE)
A.count.nb <- fitdist(count.A$count, "nbinom")
plot(A.count.nb)
A.LL.nb <- logLik(A.count.nb)
A.count.p <- fitdist(count.A$count, "pois")
plot(A.count.p)
A.LL.p <- logLik(A.count.p)
cdfcomp(list(A.count.p, A.count.nb),legendtext = c("Poisson", "negative binomial"))
gofstat(list(A.count.p, A.count.nb),fitnames = c("Poisson", "negative binomial"))
# Group B
plotdist(count.B$count, histo = TRUE, demp = TRUE)
B.count.nb <- fitdist(count.B$count, "nbinom", method = "mle")
plot(B.count.nb)
B.LL.nb <- logLik(B.count.nb)
B.count.p <- fitdist(count.B$count, "pois")
plot(B.count.p)
B.LL.p <- logLik(B.count.p)
cdfcomp(list(B.count.p, B.count.nb),legendtext = c("Poisson", "negative binomial"))
gofstat(list(B.count.p, B.count.nb),fitnames = c("Poisson", "negative binomial"))