我正在尝试使用INLA来拟合随机效果混合模型，之前曾试图在频率论方法下使用“glmer”。由于我的数据中存在大量随机效应，因此无法收敛。
数据来自病例对照类型研究（1 =病例，0 =对照），并计算每个样本的风险因子列表（x1，x2，x3 ......）。所有变量都分组，数据如下：
res age breed x1 x2 location
0 1 (0-1 yrs) beef 1 1 A1
0 2 (1-2 yrs) dairy 1 2 A1
1 1 beef 1 2 B2
0 1 beef 2 1 C1
1 3 (>3 yrs) dairy 3 3 B1
1 2 beef 1 1 A1
0 3 beef 2 1 B4
... ... ... .. ..
大约有20,000个数据点，有9000个不同的位置。我使用的INLA程序是：
formula <- res ~ age + breed + x1 + x2 + x3 + f(location, model = "iid")
model <- inla(formula, data = data, family = "binomial", Ntrials = 1, control.compute = list(dic = TRUE, cpo = TRUE))
标准逻辑回归（不包括随机效应）的结果在“glm”和INLA之间提供了类似的参数估计，但是当模型结构中包含随机效应时，参数估计（在logit标度中）增加了2以上倍。这意味着在解释优势比时，它会呈指数增长（即exp（参数估计）），这似乎没有意义，因为优势比为40 ......
我的问题：适用于此类分析的INLA模型规范（“iid”）是什么？如果是这样，我如何根据不同风险组之间的比值比来解释结果？ （使用“rw2”似乎给出了合理的估计，但我不能解释这种方法下的随机效应估计）
Fixed effects:
mean sd 0.025quant 0.5quant 0.975quant mode kld
(Intercept) -10.8871 0.4949 -11.8440 -10.8927 -9.9506 -10.9516 0
age_2 3.8959 0.3272 3.2739 3.8889 4.5581 3.8746 0
age_3 4.1865 0.3421 3.5346 4.1797 4.8772 4.1659 0
breedDairy 1.2053 0.1365 0.9393 1.2046 1.4746 1.2032 0
x1_2 4.8721 0.4258 4.0498 4.8682 5.7156 4.8600 0
x1_3 4.1444 0.3322 3.5055 4.1408 4.8039 4.1337 0
x2_2 -1.0174 0.2727 -1.5485 -1.0189 -0.4782 -1.0220 0
x2_3 1.9669 0.4119 1.1570 1.9672 2.7744 1.9677 0
Random effects:
Name Model
location IID model
Model hyperparameters:
mean sd 0.025quant 0.5quant 0.975quant mode
Precision for location 0.0621 0.0051 0.0536 0.0615 0.0734 0.0602
Expected number of effective parameters(std dev): 4174.80(49.56)
Number of equivalent replicates : 4.458
Deviance Information Criterion: 7865.86
Effective number of parameters: 2875.54
Marginal Likelihood: -5074.21
CPO and PIT are computed
非常感谢您的帮助！
最佳
取值