0
lme4을 사용하여 이진 논리 GLMM 모델에 적합하면서 컨버전스 경고 및 매우 큰 그룹 차이가 발생했습니다. 이것은 무작위 효과, 즉 많은 개인 (무작위 효과/그룹화 변수)이 개인 변수 내에서 낮은 결과를 초래하는 종속 변수에서 0만을 갖는다는 사실에 따라 (준) 완전한 분리와 관련 될 수 있는지 궁금합니다. 이것이 문제가 될 수 있다면, 그러한 경우를 다루기위한 대안적인 모델링 전략이 있습니까?(준) - 물류에서 무작위 효과에 따른 완벽한 분리 GLMM
좀 더 정확히 말하자면, 주어진 나이에 주어진 지위 (부모가 떠나는 동안 아이를 갖음)에서 개인이 관찰되는 기회를 연구하고 있습니다. 다른 말로하면, 개인이 주어진 나이에이 상태에서 관찰되었는지 여부를 지정하는 각 개인 (일반적으로 50 명)에 대한 여러 관찰이 있습니다.
id age status
1 21 0
1 22 0
1 23 0
1 24 1
1 25 0
1 26 1
1 27 0
...
(1의 상태가 매우 낮은 (1 ~ 5 %가 경우에 따라) 내가 관찰을 많이 가지고 150'000 관찰과 3'000을 관찰 할 수있는 기회 예를 들면 : 개인).
모델은 무작위 효과로 ID (개인)를 지정하고 설명 요인 (연령 카테고리, 부모 교육 및 상태가 관찰 된 기간)을 포함하여 장착되었습니다. 나는 (nAGQ=0을 사용할 때를 제외하고) 다음과 같은 수렴 경고와 매우 큰 그룹 분산 (여기서는 25 이상)을 얻는다.
"Model failed to converge with max|grad| = 2.21808 (tol = 0.001, component 2)"
"Model is nearly unidentifiable: very large eigenvalue\n - Rescale variables?"
여기는 획득 한 모델입니다.
AIC BIC logLik deviance df.resid
9625.0 9724.3 -4802.5 9605.0 151215
Scaled residuals:
Min 1Q Median 3Q Max
-2.529 -0.003 -0.002 -0.001 47.081
Random effects:
Groups Name Variance Std.Dev.
id (Intercept) 28.94 5.38
Number of obs: 151225, groups: id, 3067
Fixed effects:
Estimate Std. Error z value Pr(>|z|)
(Intercept) -10.603822 0.496392 -21.362 < 2e-16 ***
agecat[18,21) -0.413018 0.075119 -5.498 3.84e-08 ***
agecat[21,24) -1.460205 0.095315 -15.320 < 2e-16 ***
agecat[24,27) -2.844713 0.137484 -20.691 < 2e-16 ***
agecat[27,30) -3.837227 0.199644 -19.220 < 2e-16 ***
parent_educ -0.007390 0.003609 -2.048 0.0406 *
period_cat80 s 0.126521 0.113044 1.119 0.2630
period_cat90 s -0.105139 0.176732 -0.595 0.5519
period_cat00 s -0.507052 0.263580 -1.924 0.0544 .
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
Correlation of Fixed Effects:
(Intr) a[18,2 a[21,2 a[24,2 a[27,3 prnt_d pr_80' pr_90'
agct[18,21) -0.038
agct[21,24) -0.006 0.521
agct[24,27) 0.006 0.412 0.475
agct[27,30) 0.011 0.325 0.393 0.378
parent_educ -0.557 0.059 0.087 0.084 0.078
perd_ct80 s -0.075 -0.258 -0.372 -0.380 -0.352 -0.104
perd_ct90 s -0.048 -0.302 -0.463 -0.471 -0.448 -0.151 0.732
perd_ct00 s -0.019 -0.293 -0.459 -0.434 -0.404 -0.138 0.559 0.739