我遇到了一个令人讨厌的问题，而且我不可理解的问题，我希望你们中的一些人可以帮助我。我试图估计4个群体的自回归（变量X先前测量对X的电流测量的影响），这些群体具有不同程度的正偏态分布。理论上，更正偏态的分布具有更小的方差，并且由于2个变量之间的关系取决于共享方差的量，所以正偏态分布具有更小的自回归，更正态分布的变量。
我使用模拟来研究这个，并生成如下数据：我用tp时间点模拟n个人的数据。我使用固定的自回归参数phi（在.3所以我们有一个固定的过程）。为了生成正偏态分布，我使用卡方分布误差。个体在用于chi2分布式错误的自由度方面不同。换句话说，自由度是2级变量（并且本身是chi2（1）分布的）。具有非常低df的个体得到非常偏斜的分布，而具有更高df的个体得到更正常的分布。
for(i in 1:n) { # Loop over persons.
chi[i, 1] <- rchisq(1, df[i]) # Set initial value.
for(t in 2:(tp + burn)) { # Loop over time points.
chi[i, t] <- phi[i] * chi[i, t - 1] + # Autoregressive effect.
rchisq(1, df[i]) # Chi-square distributed error.
} # End loop over time points.
} # End loop over persons.
现在我已经生成了结果变量，我把它放在长格式中，我创建了一个滞后预测器，我的意思是预测中心（或组平均中心，或集群平均中心，都是相同的）。我称之为滞后且居中的预测器chi.pred。我根据个人的自由度制作小组。具有最低df的25％在子组1中，26％ - 在子组2中为50％，等等。
问题是这个：使用 family = inverse.gaussian 和 link =拟合多级（即混合或随机效应模型）自回归（1）模型'identity'，使用lme4包中的glmer()给了我很多警告。例如。 “退化的Hessian”，“大特征值/比率”，“未能与max | grad汇合”等等。我只是不明白为什么。
我适合的模型是
# Random intercept, but fixed slope with subgroups as level 2 predictor of slope.
lmer(chi ~ chi.pred + chi.pred:factor(sub.df.noise) + (1|id), data = sim.data, control = lmerControl(optimizer = 'bobyqa'))
# Random intercept and slope.
lmer(chi ~ chi.pred + (1 + chi.pred|id), data = sim.data, control = lmerControl(optimizer = 'bobyqa'))
我使用逆高斯的原因是因为据说它可以更好地处理偏斜数据。
有没有人知道为什么我不适合这些模型？我试过增加样本量和时间点，不同的优化器，我有双重双重检查，如果滞后和居中数据是正确的，增加了迭代次数，给子组增加了一些噪声（因为否则它们是1对1与自由度有关）等。