我有一个数据集，其中包含大约12个类别变量，级别范围为2-10，以及其他数字变量。约280条记录。我正在使用mice中的r包，使用所有默认设置对丢失的数据进行插补。
但是，当我尝试执行这样的估算时：
imp <- mice(df)
我继续收到此警告：
glm.fit: algorithm did not converge
我在在线here和here上找到的解决方案仅专注于直接使用glm函数，但就我而言，这是从mice内部调用的函数。我尝试像这样设置maxit = 50
imp <- mice(df, maxit = 50)
，但是最终得到了更多相同警告的实例。知道是什么原因造成的吗？
答案 0 :(得分：3)
我决定发布问题的答案只是为了展示我是如何解决的，这有点不寻常，并且鉴于我无法找到任何在线解决方案来解决我的问题。
我意识到警告实际上来自logreg函数（针对只有两个级别的分类变量），而不是来自polyreg。因此，不仅从glm.fit()内部调用了mice函数，而且从logreg内部调用了函数，我最终在Github上找到了mice代码，复制logreg函数，使用glm.fit()的控制参数编辑maxit调用，按?mice“详细信息”部分中的指定重命名，然后使用它。工作正常（经过更多调试后，大声笑），该算法现已收敛。
答案 1 :(得分：2)
mice()在内部对要估算的每个变量进行回归分析，并默认根据数据类型自动选择一种方法。因此，对于您的分类变量，它选择使用glm.fit()并且不收敛的多逻辑方法。
要简单地消除错误，您可以为所有变量设置method="pmm"（预测均值匹配），或者预先将分类变量转换为数字。 但是 ，这可能会导致错误的结果，我强烈建议您考虑一下插补方法，并研究为什么算法无法收敛。
答案 2 :(得分：1)
我遇到了类似的错误，问题是由于某些变量在 predictorMatrix 中完全共线。小鼠建立的模型无法识别；这就是我的问题。为了谷歌的缘故，在此处发布以仔细检查预测矩阵，例如，虚拟变量不共线。删除其中一个级别允许 logreg 方法正常工作。