Tobit:lm.fit中的错误(X.vlm,y = z.vlm,...):' x'中的NA / NaN / Inf (模拟数据)

时间:2015-10-02 15:56:30

标签: r simulation vgam

我正在进行蒙特卡洛研究。我有一个具有异方差性的线性模型,并且因变量的左检验为0.检查率的平均值为25.9。

我收到错误

Error in lm.fit(X.vlm, y = z.vlm, ...) : NA/NaN/Inf in 'x'

在尝试估算一个tobit模型之后。

vglm(y[i,]~X[1,i,]+X[2,i,]+X[3,i,]+X[4,i,],family=tobit(Lower=0))   

我的数据是根据标准分布进行模拟的,所以问题不是来自奇数变量。

我发现另外两个与真实数据有同样问题的问题: lm() NA/NaN/Inf errorlm() NA/NaN/Inf error 但似乎没有任何令人满意的答案。此外,我的数据很容易重现,因此它有助于识别问题

以下是代码:

library(VGAM)
set.seed(12345)
nobs=100
nsim=100
b=c(2,-2,-3,3)
g=c(1,0.2)
y=matrix(rep(0,nobs*nsim),ncol=nobs,nrow=nsim)
X=array(0,dim=c(4,nsim,nobs))
res=matrix(rep(0,nobs*nsim),ncol=nobs,nrow=nsim)
tobit=vector(mode="list",length=nsim) 
for(i in 1:nsim){
# generate covariates :
X[1,i,]=rlnorm(n=nobs)           
X[2,i,]=runif(n=nobs)<=.75   
X[3,i,]=rnorm(mean = 3,n=nobs)      
X[4,i,]=runif(n=nobs,min=0,max=10)  
res[i,]=(g[1]+g[2]*X[4,i,])*rnorm(n=nobs)   
# generate censored dependent variable
y[i,]=b[1]*X[1,i,]+b[2]*X[2,i,]+b[3]*X[3,i,]+b[4]*X[4,i,]+res[i,]
y[i,]=sapply(y[i,],FUN=function(x){max(0,x)}) #apply censoring
tobit[[i]]<-vglm(y[i,]~X[1,i,]+X[2,i,]+X[3,i,]+X[4,i,],
                              family = tobit(Lower=0)) 
}

这是追溯

traceback()
5: lm.fit(X.vlm, y = z.vlm, ...)
4: vlm.wfit(xmat = X.vlm.save, z, Hlist = NULL, U = U, matrix.out =FALSE, 
   is.vlmX = TRUE, qr = qr.arg, xij = NULL)
3: vglm.fitter(x = x, y = y, w = w, offset = offset, Xm2 = Xm2, 
   Ym2 = Ym2, etastart = etastart, mustart = mustart, coefstart =coefstart, 
   family = family, control = control, constraints = constraints, 
   criterion = control$criterion, extra = extra, qr.arg = qr.arg, 
   Terms = mt, function.name = function.name, ...)
2: vglm(y[1, ] ~ X[1, 1, ] + X[2, i, ] + X[3, i, ] + X[4, i, ], 
   family = tobit(Lower = 0))
1: traceback(vglm(y[1, ] ~ X[1, 1, ] + X[2, i, ] + X[3, i, ] + X[4, 
   i, ], family = tobit(Lower = 0)))

***编辑:

通过删除一个协变量(我尝试使用X [3,i,]和X [4,i,])并将较低的审查设置为-0.001,如BondedDust所示,它工作正常,我甚至推动复制次数到1000没有重大问题。

通过将较低的审查设置为-0.001,并保留所有协变量,我在100次迭代中得到两个错误。值得注意的是,错误现在是

Error in lm.fit(X.vlm, y = z.vlm, ...) : NA/NaN/Inf in 'y'

此外我收到这些警告

In vglm.fitter(x = x, y = y, w = w, offset = offset, Xm2 = Xm2,  ... :
iterations terminated because half-step sizes are very small

1 个答案:

答案 0 :(得分:2)

我注意到这在i = 1时可重现性失败,因此认为vglm调用本身可能存在问题。查看?tobit中的示例,我添加了一些与删失分布相关的参数,并开始进行一些额外的迭代。然后,我尝试缩小审查范围,只有10%的时间失败,取得了更大的成功。所以我最后添加了一个try()包装器,让循环迭代而不停止计算,并获得了大部分成功的运行:

for(i in 1:nsim){

X[1,i,]=rlnorm(n=nobs)           
X[2,i,]=runif(n=nobs)<=.75   
X[3,i,]=rnorm(mean = 3,n=nobs)      
X[4,i,]=runif(n=nobs,min=0,max=10)  
res[i,]=(g[1]+g[2]*X[4,i,])*rnorm(n=nobs)   

y[i,]=b[1]*X[1,i,]+b[2]*X[2,i,]+b[3]*X[3,i,]+b[4]*X[4,i,]+res[i,]
y[i,]=pmax(0,y[i,])
tobit[[i]]<-try( vglm(y[i,]~X[1,i,]+X[2,i,]+X[3,i,]+X[4,i,], crit = "coeff", 
                              family = tobit(Lower=-.001, Upper=30, type.f = "cens")) )

}

请注意,我使用等效的sapply( ... max)替换了您的笨重且可能效率低下的pmax

> table( sapply(tobit, class))

try-error      vglm 
       12        88 

您可以通过以下方式循环查看成功的回复:

sapply( tobit[ sapply(tobit, class) == "vglm"],  coefficients)

结果顶部:

                    [,1]      [,2]      [,3]       [,4]       [,5]       [,6]
(Intercept):1  2.8460081  1.910137  1.672237  1.2888827  2.4970536  1.0006290
(Intercept):2  0.9183935  1.042424  1.094658  0.9767228  0.9263946  0.9250609
X[1, i, ]      1.7777788  1.880506  1.662835  1.6204394  1.4412304  1.6275208
X[2, i, ]     -3.0847792 -0.453110 -1.152709 -0.9900163 -2.4705355 -0.9651577
X[3, i, ]     -2.4272169 -2.094114 -2.314748 -2.4628501 -1.9001385 -2.1076416
X[4, i, ]      2.6225234  2.245107  2.460182  2.7027493  2.3653673  2.3841989
                    [,7]       [,8]      [,9]      [,10]     [,11]      [,12]
(Intercept):1  0.9520376  1.6319010  1.572563  1.4709517  1.616158  2.4992492
(Intercept):2  0.8698777  0.9005506  1.147485  0.9285724  1.012186  0.9229233
X[1, i, ]      1.6483879  1.6789573  1.718641  1.6544123  1.599116  1.7204001
X[2, i, ]     -0.3718720 -1.8690782 -2.408657 -1.7278915 -1.208939 -2.0037999
X[3, i, ]     -2.2601637 -1.9118288 -2.359274 -1.7828438 -2.257556 -2.3778443
X[4, i, ]      2.5381367  2.3091630  2.583869  2.3582418  2.333988  2.4389336

在获得这种适度的成功后,我尝试将Lower back设置为0并获得所有错误。增加上限值似乎不会影响有限测试中的成功率。我无法解释这些发现,但也许可以咨询包裹作者。