我正在研究学区支出与该学区内城市/城镇犯罪率的关系，特别是从2000年到2017年。大约有14,000个学区（尽管从2000年的〜15,000到〜13,500不等）是2017年的犯罪数据。DV是每个城市的数据。
协变量/固定效应包括人口密度（城市），人口（城市），执法总数（城市），生活在贫困中的儿童比例（学区或县），失业率（县），投票历史/道具之间的差异投票给Dem。与人均收入（县）的对比（县），年份和学生支出（学区）
问题在于没有整齐的嵌套结构；不幸的是，一个城市中的学生可能会上多个学区，而学区又不能很好地适应一个县（它们重叠，因此一个学区可以服务多个县）。换句话说，大约有13,500个学区，但是如果您将学区作为县的功能，则大约有19,000个学区（因此大约有5500个重叠的学区）。
在不删除我的DV（犯罪）中的NA的情况下，有数百万个值。总计，我有133,000个城市/城镇在此17年期间报告了犯罪。但是，由于城市/城镇与地区重叠，因此我总共有1,220,000个观测值（即使在删除未举报犯罪的城市/城镇的资产净值之后）。
我正在运行一个多级混合模型，我想知道我的模型（以及数据的分组和汇总结构）是否包含最多的数据，以及是否存在一个随机效应结构（请参见下文） ）比其他原则更重要。
如果我按州，县和市分组，并用均值汇总，我将获得学生支出的城市价值，但它们都是县内学生支出的价值（尽管每个犯罪价值都不同） ）。如果我查看所有年份的州，县和市的不同值，我会得到80300个不同的市/镇值，然后通过glmer（lme4）在R中进行分析。
我已经运行了许多模型，但是使用了随机效应结构（取决于模型是否为正并可以收敛：
(year|CITY)+(1|COUNTY/STATE)
(1|CITY) + (1|COUNTY) + (1|STATE)
(year|CITY) + (1|COUNTY) + (1|STATE)
(year|COUNTY)
(1|COUNTY/STATE)
glmer.law_enforcement.type <- glmer(COUNT ~ CRIME + cent.log.pop + cent.log.pop.dens + year + cent.log.per.cap + diff.dem + cent.log.enforcement + cent.EXP_STUDENT + (year|COUNTY_ID), family = "poisson", control = glmerControl(optimizer = "nloptwrap", calc.derivs = FALSE), total.years.v.p, na.action = "na.exclude")
变量（按顺序）=犯罪类型；人口;人口密度;年（数字）；人均收入;投票历史；执法;学生支出（/ 1000）。
根据我的随机效应结构，该模型通常会收敛并且很好，但是有时我会收到以下警告，因此我将更改随机效应结构：
Cholmod warning 'not positive definite' at file:../Cholesky/t_cholmod_rowfac.c, line 431Cholmod warning 'not positive definite' at file:../Cholesky/t_cholmod_rowfac.c, line 431Error in pwrssUpdate(pp, resp, tol = tolPwrss, GQmat = GQmat, compDev = compDev, :
(maxstephalfit) PIRLS step-halvings failed to reduce deviance in pwrssUpdate