使用MuMIn :: dredge

Question

我从R中的MuMIn::dredge函数收到一些错误，并且不知道如何解决它。

Here是我的数据......

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

我构建了一个全局模型：

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)

我收到以下错误，我不知道为什么会发生这种情况。为了澄清，yld.res是从每个yld year对state的线性回归得到的残差。如果我使用dredge作为回复，则yld可以正常工作。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

tl; dr 我认为这些都是误报。我没有在数据或模型中看到任何可疑的东西。可能性曲线在估计空间的边缘处是完全平坦的，这使得收敛检查变得紧张（这是不寻常的，但它没有任何问题）。

复制您的设置：

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")

在这里没有多少事情，但也没有什么太奇怪的了。

查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成对相关性：

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

让我们找一个打破的模型之一：

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)

仔细看看：

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)

再一次，没什么好笑的。

让我们手工探索模型拟合：只有一个显式参数（状态间标准偏差）。

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

看起来很好。