我试图在R中使用lme4使glmer模型的变量在0到1之间变化，但是我总是遇到“奇异拟合”错误。我已经尝试了不同的方法，但是到目前为止，要摆脱这个错误是不可能的。 （对于另一个变量在-1和1之间变化的模型，我有完全相同的错误）
我想预测第X天（mvt_index）在鸟之间的运动如何预测第X + 1天（sbs_nextday）的关联指数。在28天的时间里，我有来自3个系（高，低，野生型）的28羽鸟类组成的6羽（鸟类）。这里是我的数据集（fulldata_mod1.2）的5条随机采样的行：
date pair_id aviaries lines sbs_nextday mvt_index
57552 2017-06-15 70_83 G3 W 0.007614837 0.0000000
118075 2017-06-24 158_159 G6 H 0.001187648 0.0000000
13727 2017-06-28 125_143 G2 L 0.001333333 0.0000000
106103 2017-06-18 65_82 G3 W 0.002484913 0.1666667
24790 2017-07-06 41_52 G5 L 0.004279601 0.2500000
关联指数（sbs_nextday）和运动指数（mvt_index）在0和1之间变化。在以下模型（mod1.2）中，每个数据点代表每个dyad（pair_id）和每天的关联指数和运动指数的值（日期）。我运行的第一个模型是这个模型：
mod1.2 <- lmer(sbs_nextday ~ mvt_index + (1|pair_id) + (1|date) + (1|aviaries) + (1|lines),data=fulldata_mod1.2, lmerControl(optCtrl = list(maxfun = 10000)))
Error in if (REML) p else 0L : argument is not interpretable as logical
In addition: Warning message:
In if (REML) p else 0L :
the condition has length > 1 and only the first element will be used
重新思考一下我的模型后，我决定将日期删除为随机效果，因为由于我每个二元组和每天都有一个值，因此如果将double_id和date用作随机效果，它们将解释相同的方差。然后，每个鸟舍都有其一组单独的ID（和pair_id）。因此，我将pair_id用作鸟笼内的嵌套随机效果。最后，由于我已经截断了数据（介于0和1之间），所以我不能使用lmer，因为它会尝试拟合高斯分布，而我的数据则不可能。最重要的是，我有一个零膨胀的数据集，因此我使用了具有二项式族和logit链接函数的glmer模型，如下所示：
mod1.2 <- glmer(cbind(sbs_nextday, (1-sbs_nextday)) ~ mvt_index + (1|aviaries/pair_id), data=fulldata_mod1.2, family=binomial(link='logit'))
boundary (singular) fit: see ?isSingular
Warning message:
In eval(family$initialize, rho) : non-integer counts in a binomial glm!
summary(mod1.2)
Generalized linear mixed model fit by maximum likelihood (Laplace Approximation) ['glmerMod']
Family: binomial ( logit )
Formula: cbind(sbs_nextday, (1 - sbs_nextday)) ~ mvt_index + (1 | aviaries/pair_id)
Data: fulldata_mod1.2
AIC BIC logLik deviance df.resid
392.5 426.7 -192.2 384.5 39069
Scaled residuals:
Min 1Q Median 3Q Max
-0.0406 -0.0076 0.0700 0.4228 30.1497
Random effects:
Groups Name Variance Std.Dev.
pair_id:aviaries (Intercept) 0 0
aviaries (Intercept) 0 0
Number of obs: 39073, groups: pair_id:aviaries, 2254; aviaries, 6
Fixed effects:
Estimate Std. Error z value Pr(>|z|)
(Intercept) -7.6670 0.2554 -30.024 <2e-16 ***
mvt_index 1.2567 0.5989 2.098 0.0359 *
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
Correlation of Fixed Effects:
(Intr)
mvt_index -0.577
convergence code: 0
boundary (singular) fit: see ?isSingular
我看着？isSingular，并检查了方差-协方差矩阵：
VarCorr(mod1.2)
Groups Name Std.Dev.
pair_id:aviaries (Intercept) 0
aviaries (Intercept) 0
然后，我检查了数据集是否对模型中的每个变量保持平衡：
lines:
table(fulldata_mod1.2$lines)
H L W
12171 13988 12914
aviaries:
table( fulldata_mod1.2$aviaries)
G1 G2 G3 G4 G5 G6
5176 6822 7193 5721 7166 6995
date:
table( fulldata_mod1.2$date)
2017-06-12 2017-06-13 2017-06-14 2017-06-15 2017-06-16 2017-06-17 2017-06-18 2017-06-19 2017-06-20 2017-06-21
1113 1914 1995 1839 1861 1788 1652 1703 1574 1398
2017-06-22 2017-06-23 2017-06-24 2017-06-25 2017-06-26 2017-06-27 2017-06-28 2017-06-29 2017-06-30 2017-07-01
1854 1497 1578 1457 1204 1494 1179 1128 826 1220
2017-07-02 2017-07-03 2017-07-04 2017-07-05 2017-07-06 2017-07-07 2017-07-08 2017-07-09
486 1300 1049 1087 1471 1054 1256 1096
然后我使用glm来检查模型是否在没有随机效果的情况下工作：
mod1.4 <- glm(cbind(sbs_nextday, (1-sbs_nextday)) ~ mvt_index ,data=fulldata_mod1.2,family=binomial(link='logit'))
Warning message:
In eval(family$initialize) : non-integer counts in a binomial glm!
summary(mod1.4)
Call:
glm(formula = cbind(sbs_nextday, (1 - sbs_nextday)) ~ mvt_index,
family = binomial(link = "logit"), data = fulldata_mod1.2)
Deviance Residuals:
Min 1Q Median 3Q Max
-0.25747 -0.17050 -0.13572 -0.04642 2.17994
Coefficients:
Estimate Std. Error z value Pr(>|z|)
(Intercept) -4.22387 0.04689 -90.083 < 2e-16 ***
mvt_index 0.83360 0.12672 6.578 4.76e-11 ***
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
(Dispersion parameter for binomial family taken to be 1)
Null deviance: 2011.4 on 39072 degrees of freedom
Residual deviance: 1973.3 on 39071 degrees of freedom
AIC: 1488.1
Number of Fisher Scoring iterations: 7
因此，当我同时比较glm和glmer的摘要时，我得到的结果大致相同。但是我想控制随机效果，并且该模型仍然无法正常工作。如果您能给我一些建议，我将不胜感激，并且我已经非常感谢您用于此的时间。