错误与NLME

对于来自nlme库IGF数据，我收到此错误信息：错误与NLME

lme(conc ~ 1, data=IGF, random=~age|Lot) 
Error in lme.formula(conc ~ 1, data = IGF, random = ~age | Lot) : 
    nlminb problem, convergence error code = 1 
    message = iteration limit reached without convergence (10)

但一切都很好，与此代码

lme(conc ~ age, data=IGF) 
Linear mixed-effects model fit by REML 
    Data: IGF 
    Log-restricted-likelihood: -297.1831 
    Fixed: conc ~ age 
(Intercept)   age 
5.374974367 -0.002535021 

Random effects: 
Formula: ~age | Lot 
Structure: General positive-definite 
      StdDev  Corr 
(Intercept) 0.082512196 (Intr) 
age   0.008092173 -1  
Residual 0.820627711  

Number of Observations: 237 
Number of Groups: 10

由于IGF为groupedData，这样既码是相同的。我很困惑为什么第一个代码会产生错误。感谢您的时间和帮助。

来源

2011-10-27 MYaseen208

我快速看了一下，没有发现任何东西跳出来。你可能会在'r-sig-mixed-models'邮件列表中获得更好的运气，这个邮件列表有更多的人熟悉这个软件包...... –

你有没有试过增加第一个例子中的迭代限制？见'lmeControl'。 –

请参阅下面的答案和评论。您的第一个模型没有固定效应的年龄，也没有第二个模型的随机效应约束。 –

如果您绘制数据，您可以看到age没有效果，所以尽管如此，试图拟合age的随机效果似乎很奇怪。难怪这不是趋同。

library(nlme) 
library(ggplot2) 

dev.new(width=6, height=3) 
qplot(age, conc, data=IGF) + facet_wrap(~Lot, nrow=2) + geom_smooth(method='lm')

enter image description here

我想你想要做的是模型的Lot对截距随机效应。我们可以尝试，包括age作为固定效应，但我们会看到，它不是显著，可以抛出：

> summary(lme(conc ~ 1 + age, data=IGF, random=~1|Lot)) 
Linear mixed-effects model fit by REML 
Data: IGF 
     AIC  BIC logLik 
    604.8711 618.7094 -298.4355 

Random effects: 
Formula: ~1 | Lot 
     (Intercept) Residual 
StdDev: 0.07153912 0.829998 

Fixed effects: conc ~ 1 + age 
       Value Std.Error DF t-value p-value 
(Intercept) 5.354435 0.10619982 226 50.41849 0.0000 
age   -0.000817 0.00396984 226 -0.20587 0.8371 
Correlation: 
    (Intr) 
age -0.828 

Standardized Within-Group Residuals: 
     Min   Q1   Med   Q3   Max 
-5.46774548 -0.43073893 -0.01519143 0.30336310 5.28952876 

Number of Observations: 237 
Number of Groups: 10

来源

2011-10-27 23:24:40

您的分析肯定会回答数据中发生了什么问题，但仍然存在一个有趣的问题，即有关实际拟合的模型中的差异。看看上面成功模型的结果，你可以看到它*符合年龄的随机效应（尽管与批次间截距变化存在完美的相关性，表明模型过度配置...） –

模型在OP的帖子中做的工作是适合'年龄'斜率，在该斜率上具有“Lot”的随机效应。如果数据支持它，这是一件好事。在这种情况下，举一个很好的例子，'lme（height_ age，data = Oxboys，random =〜1 + age | Subject）'。这也是'ggplot2'书中第4.9.3节中的例子。 OP的帖子中的第一个模型不起作用，对于固定效果结构中没有指定的东西具有随机效果。我甚至不认为这是有道理的。 –

是的，但是这也失败了：'lme（浓度，数据= IGF，随机=〜年龄|批次）'，这看起来似乎是一个相同的模型。（虽然我对这个答案有点微不足道的好奇，但我似乎不愿意花费很多努力，因为它似乎属于以下范畴：“医生，当我这样做的时候会感到痛苦“”那么，不要那样做......“） –

我找到另外，老年人在这里的回答不能令人满意。我在统计上区分年龄没有影响和相反我们遇到计算错误的情况。就我个人而言，我通过将这两种情况混为一谈而犯了职业错误。 R已经暗示了后者，我想深入探讨这是为什么。

OP指定的模型是一个具有随机斜率和截距的增长模型。包括一个宏大的拦截，但不是一个盛大的年龄斜坡。通过拟合随机斜率而不增加其“大”项来施加的一个不利的约束是，你迫使随机斜率具有0平均值，这是非常难以优化的。边际模型表明年龄在模型中与0不具有统计上显着的不同值。此外，将年龄添加为固定效果并不能解决问题。

> lme(conc~ age, random=~age|Lot, data=IGF) 
Error in lme.formula(conc ~ age, random = ~age | Lot, data = IGF) : 
    nlminb problem, convergence error code = 1 
    message = iteration limit reached without convergence (10)

这里的错误是显而易见的。设置迭代次数可能很诱人。 lmeControl有许多迭代估计。但即使这样也行不通：

> fit <- lme(conc~ 1, random=~age|Lot, data=IGF, 
control = lmeControl(maxIter = 1e8, msMaxIter = 1e8)) 

Error in lme.formula(conc ~ 1, random = ~age | Lot, 
data = IGF, control = lmeControl(maxIter = 1e+08, : 
    nlminb problem, convergence error code = 1 
    message = singular convergence (7)

所以这不是一个精确的事情，优化器超出了界限。

您提出的拟合的两个模型之间必须存在关键区别，并且需要一种诊断您找到的错误的方法。一种简单的方法是指定适用于有问题的模型的“详细”：

> lme(conc~ 1, random=~age|Lot, data=IGF, control = lmeControl(msVerbose = TRUE)) 
    0:  602.96050: 2.63471 4.78706 141.598 
    1:  602.85855: 3.09182 4.81754 141.597 
    2:  602.85312: 3.12199 4.97587 141.598 
    3:  602.83803: 3.23502 4.93514 141.598 
    (truncated) 
48:  602.76219: 6.22172 4.81029 4211.89 
49:  602.76217: 6.26814 4.81000 4425.23 
50:  602.76216: 6.31630 4.80997 4638.57 
50:  602.76216: 6.31630 4.80997 4638.57

第一项是REML（我认为）。第二至第四项是lmeStructInt，lmeStruct和modelStruct类别的称为lmeSt的对象的参数。如果你使用Rstudio的调试器来检查这个对象的属性（问题的关键），你会发现它是在这里爆炸的随机效应组件。coef(lmeSt)经过50次迭代产生 reStruct.Lot1 reStruct.Lot2 reStruct.Lot3 6.316295 4.809975 4638.570586

由上述可见，并产生

> coef(lmeSt, unconstrained = FALSE) 

    reStruct.Lot.var((Intercept)) reStruct.Lot.cov(age,(Intercept)) 
         306382.7       2567534.6 
      reStruct.Lot.var(age) 
         21531399.4

是一样的

Browse[1]> lmeSt$reStruct$Lot 
Positive definite matrix structure of class pdLogChol representing 
      (Intercept)  age 
(Intercept) 306382.7 2567535 
age   2567534.6 21531399

所以很明显的随机效应的协方差东西是爆炸这里这个特定的优化器。 nlminb中的端口例程因其无误的错误而受到批评。来自David Gay（贝尔实验室）的文本在这里http://ms.mcmaster.ca/~bolker/misc/port.pdf PORT文档建议我们的错误7使用最大10亿iter x“可能有太多免费组件，请参阅§5。”。我们不应该修正这个算法，而应该问我们是否有近似的结果会产生类似的结果。它是，例如，很容易适应的lmList对象拿出随机截距和随机斜率方差：

> fit <- lmList(conc ~ age | Lot, data=IGF) 
> cov(coef(fit)) 
      (Intercept)   age 
(Intercept) 0.13763699 -0.018609973 
age   -0.01860997 0.003435819

虽然理想地这些将通过它们各自的精度的权重进行加权：

要使用nlme包我注意到使用BFGS不会产生这样一个错误，无约束优化，并给出了相似的结果：

> lme(conc ~ 1, data=IGF, random=~age|Lot, control = lmeControl(opt = 'optim')) 
Linear mixed-effects model fit by REML 
    Data: IGF 
    Log-restricted-likelihood: -292.9675 
    Fixed: conc ~ 1 
(Intercept) 
    5.333577 

Random effects: 
Formula: ~age | Lot 
Structure: General positive-definite, Log-Cholesky parametrization 
      StdDev  Corr 
(Intercept) 0.9976 (Intr) 
age   0.005647296 -0.698 
Residual 0.820819785  

Number of Observations: 237 
Number of Groups: 10

这种模式的一个替代句法声明可以与T完成他MUCH容易lme4包：

library(lme4) 
lmer(conc ~ 1 + (age | Lot), data=IGF)

其产生：

> lmer(conc ~ 1 + (age | Lot), data=IGF) 
Linear mixed model fit by REML ['lmerMod'] 
Formula: conc ~ 1 + (age | Lot) 
    Data: IGF 
REML criterion at convergence: 585.7987 
Random effects: 
Groups Name  Std.Dev. Corr 
Lot  (Intercept) 0.056254  
      age   0.006687 -1.00 
Residual    0.820609  
Number of obs: 237, groups: Lot, 10 
Fixed Effects: 
(Intercept) 
     5.331

的lmer的属性和它的优化是随机效应的相关性，这是非常接近1，1,0或-1被简单地设置到那些值，因为它大大简化了优化（以及估计的统计效率）。

综合起来，这确实是而不是表明年龄没有影响，正如前面所说，这个参数可以通过数字结果得到支持。

来源

2017-06-01 17:45:09 AdamO

回答

相关问题