Question

案例： 我正在尝试估算从55个原点地区（mig）到54个目的地区（IDo）的迁移重力模型（IDd）。两个重要的预测因子是每个起点和目的地区之间的距离（dist）以及任何始发地 - 目的地对的邻接度（contig）的指示变量。迁移结果变量衡量在各区之间迁移的人数（从零到几万）。下面是一个近似于我的数据情况的测试数据集。在实际数据中，迁移结果变量略微不那么理想地是泊松分布（min=0, max=9450, mean=85, median=10）。

library(lme4)

#*** Generate test data set
set.seed=777
td=data.frame(IDo=rep(1:55,each=55),IDd=rep(1:55,times=55),dist=runif(3025,0.186,12.7),contig=rbinom(3025,1,p=0.08), stringsAsFactors=F)
td=td[td$IDo!=td$IDd,]              # remove cases for which origin and destination are the same
td=rbind(td,td)                     # dublicate data for two years
td$year=rep(c(1,0),each=2970)       # generate year dummy variable
td$mig=rpois(5940, lambda = 1)*1000 # generate migrant count variable

# Cross-classified random effects Poisson models
m1=formula(mig~dist+contig+year+(1|IDo)+(1|IDd))
fm0=glmer(m1,data=td,family="poisson",control=glmerControl(optimizer="bobyqa"), nAGQ=0) # Adaptive Gauss-Hermite Quadrature
fm1=glmer(m1,data=td,family="poisson",control=glmerControl(optimizer="bobyqa"), nAGQ=1) # Laplace Approximation

# Regular Poisson models
m2=formula(mig~dist+contig+year+factor(IDo)+factor(IDd))
fm2=glm(m2,data=td,family="poisson")

问题： 我使用lme4运行交叉分类的多级泊松模型。使用默认的nAGQ = 1设置（fm1）时，我总是收到以下警告消息，而在实际数据情况下，模型无法收敛（In checkConv(attr(opt, "derivs"), opt$par, control$checkConv Model failed to converge with max|grad| = 0.00248588 (tol = 0.001, component 1)）。

Warning message:
In checkConv(attr(opt, "derivs"), opt$par, ctrl = control$checkConv,  :
  Model is nearly unidentifiable: very large eigenvalue
 - Rescale variables?

但是，设置nAGQ = 0（fm0）或将其作为常规固定效果模型（fm2）运行时，不会出现此问题。

有没有人建议如何避免这个警告信息背后的问题（并导致实际数据中的收敛问题）？预测变量的规模都相当小，所以无需重新调整这些变量。我可以将结果变量重新缩放为具有较小的值（td$mig=round(td$mig/1000,0)），但这会改变分布，不应按照this post中的说明进行。

Answer 1

我真的认为这是误报;将计数数据计算得如此之大是不寻常的......您是否尝试过使用不同的优化器（参见?lme4::convergence）？（我刚用control=glmerControl(optim="nloptwrap")尝试了你的例子，得到了几乎相同的结果。）

我有点担心你的分配假设。我知道这只是一个可重复的例子，但是绘制泊松样本并将其乘以1000确实不给出泊松分布值......这里是一个模拟第90个分布的小后验预测模拟拟合模型下响应的分位数 - 方式与观察值不同...

ss <- simulate(fm1,1000,seed=101)
qq <- sapply(ss,quantile,0.9)
hist(qq,breaks=50,col="gray")
summary(qq)
##   Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##   1106    1153    1167    1168    1182    1255 
quantile(td$mig,0.9) ## 2000

如何用大计数值估算lme4中的多级泊松模型？

1 个答案: