"मॉडल सम्‍मिलित करने में विफल रहा" लमेर में चेतावनी ()

Question

निम्नलिखित डेटासेट के साथ, मैं यह देखना चाहता था कि साइट, सीज़न, अवधि और उनके इंटरैक्शन के संबंध में प्रतिक्रिया (प्रभाव) बदलती है या नहीं। आँकड़ों के कुछ ऑनलाइन मंचों ने मुझे रैखिक मिश्रित-प्रभाव वाले मॉडल के साथ जाने का सुझाव दिया, लेकिन समस्या यह है कि चूंकि प्रत्येक स्टेशन के भीतर प्रतिकृति को यादृच्छिक किया जाता है, मेरे पास क्रमिक सत्रों में बिल्कुल उसी स्थान से नमूना एकत्र करने का बहुत कम मौका है (उदाहरण के लिए, मानसून के बाद के s1 के उत्तर -1 मानसून के समान नहीं हो सकता है)। यह क्लिनिकल परीक्षण (विषय-वस्तु के डिजाइन के साथ) के विपरीत है, जहां आप एक ही विषय को बार-बार सीज़न से मापते हैं। हालाँकि, साइटों और मौसम को एक यादृच्छिक कारक के रूप में देखते हुए मैंने निम्नलिखित आदेशों को चलाया और एक चेतावनी संदेश प्राप्त किया:

Warning messages:
1: In checkConv(attr(opt, "derivs"), optpar,ctrl=controlpar,ctrl=controlcheckConv, 
: unable to evaluate scaled gradient
2: In checkConv(attr(opt, "derivs"), optpar,ctrl=controlpar,ctrl=controlcheckConv, 
: Model failed to converge: degenerate Hessian with 1 negative eigenvalues

किसी ने मुझे इस मुद्दे को हल करने में मदद कर सकते हैं? कोड नीचे दिए गए हैं:

library(lme4)
read.table(textConnection("duration season  sites   effect
                          4d    mon s1  7305.91
                          4d    mon s2  856.297
                          4d    mon s3  649.93
                          4d    mon s1  10121.62
                          4d    mon s2  5137.85
                          4d    mon s3  3059.89
                          4d    mon s1  5384.3
                          4d    mon s2  5014.66
                          4d    mon s3  3378.15
                          4d    post    s1  6475.53
                          4d    post    s2  2923.15
                          4d    post    s3  554.05
                          4d    post    s1  7590.8
                          4d    post    s2  3888.01
                          4d    post    s3  600.07
                          4d    post    s1  6717.63
                          4d    post    s2  1542.93
                          4d    post    s3  1001.4
                          4d    pre s1  9290.84
                          4d    pre s2  2199.05
                          4d    pre s3  1149.99
                          4d    pre s1  5864.29
                          4d    pre s2  4847.92
                          4d    pre s3  4172.71
                          4d    pre s1  8419.88
                          4d    pre s2  685.18
                          4d    pre s3  4133.15
                          7d    mon s1  11129.86
                          7d    mon s2  1492.36
                          7d    mon s3  1375
                          7d    mon s1  10927.16
                          7d    mon s2  8131.14
                          7d    mon s3  9610.08
                          7d    mon s1  13732.55
                          7d    mon s2  13314.01
                          7d    mon s3  4075.65
                          7d    post    s1  11770.79
                          7d    post    s2  4254.88
                          7d    post    s3  753.2
                          7d    post    s1  11324.95
                          7d    post    s2  5133.76
                          7d    post    s3  2156.2
                          7d    post    s1  12103.76
                          7d    post    s2  3143.72
                          7d    post    s3  2603.23
                          7d    pre s1  13928.88
                          7d    pre s2  3208.28
                          7d    pre s3  8015.04
                          7d    pre s1  11851.47
                          7d    pre s2  6815.31
                          7d    pre s3  8478.77
                          7d    pre s1  13600.48
                          7d    pre s2  1219.46
                          7d    pre s3  6987.5
                          "),header=T)->dat1


m1 = lmer(effect ~ duration + (1+duration|sites) +(1+duration|season),
          data=dat1, REML=FALSE)

Comments

@Ian_Fin। संपादन के लिए धन्यवाद। वास्तव में, मुझे नहीं पता कि ऊपर के रूप में आर कोड को कैसे शामिल किया जाए

— स्यामकुमार।

Answer 1

"हल करना" उस समस्या का अनुभव करता है जिसे आप असफल अभिसरण के बारे में चेतावनियाँ प्राप्त नहीं करने के बजाय सीधे अनुभव करते हैं: आप डिफ़ॉल्ट BOBYQA ऑप्टिमाइज़र का उपयोग नहीं करते हैं, बल्कि इसके बजाय आप पिछले पिछले संस्करणों में डिफ़ॉल्ट रूप से उपयोग किए गए Nelder-Mead अनुकूलन दिनचर्या का उपयोग करते हैं 1.0.x। या आप पैकेज स्थापित करते हैं optimxताकि आप सीधे एल-बीएफजीएस-बी रूटीन या nlminb( lme4वर्जन से पहले के संस्करणों के समान 1) कर सकें । उदाहरण के लिए:

m1 = lmer(effect~duration+(1+duration|sites)+(1+duration|season), 
          data = dat1, REML = FALSE, 
          control = lmerControl(optimizer ="Nelder_Mead")
library(optimx)
m1 = lmer(effect~duration+(1+duration|sites)+(1+duration|season), 
          data = dat1, REML = FALSE, 
          control = lmerControl(
                           optimizer ='optimx', optCtrl=list(method='L-BFGS-B')))
m1 = lmer(effect~duration+(1+duration|sites)+(1+duration|season), 
          data = dat1, REML = FALSE, 
          control = lmerControl(
                           optimizer ='optimx', optCtrl=list(method='nlminb')))

सभी ठीक काम (कोई चेतावनी नहीं)। दिलचस्प सवाल हैं:

1. आपको ये चेतावनी क्यों मिली और
2. जब आपने इस्तेमाल किया REML = TRUEतो आपको कोई चेतावनी नहीं मिली।

वास्तव में, 1. आप उन चेतावनियों को प्राप्त करते हैं क्योंकि आपने durationदोनों को एक निश्चित प्रभाव के साथ-साथ कारक के लिए यादृच्छिक ढलान के रूप में परिभाषित sitesकिया है season। मॉडल प्रभावी रूप से ढलानों और आपके द्वारा परिभाषित अंतर के बीच सहसंबंधों का अनुमान लगाने के लिए स्वतंत्रता की डिग्री से बाहर भाग गया। यदि आपने मामूली सरल मॉडल का उपयोग किया है:

m1 = lmer(effect~duration+ (1+duration|sites) + (0+duration|season) + (1|season),
          data=dat1, REML = FALSE)

आप कोई अभिसरण मुद्दों का अनुभव करेंगे। यह मॉडल प्रभावी रूप से प्रत्येक के लिए असंबद्ध यादृच्छिक अंतर और यादृच्छिक ढलान का अनुमान लगाएगा season।

REML = FALSE$X$$y = X\beta + Z\gamma + \epsilon$$K$$KX = 0$$y$$Ky$$Z$$KZ$$Z$

एक अंतिम नोट यह है कि मुझे यकीन नहीं है कि यह seasonशुरू करने के लिए एक यादृच्छिक प्रभाव के रूप में उपयोग करने के लिए समझ में आता है या नहीं । आखिरकार केवल इतने ही मौसम हैं इसलिए आप उन्हें निश्चित प्रभावों के रूप में मान सकते हैं।

Comments

BTW, समुदाय में आपका स्वागत है!

— us --r11852

@ Syamkumar.R: कूल, मुझे खुशी है कि मैं मदद कर सका। यदि आपको लगता है कि यह आपके प्रश्न का उत्तर देता है तो आप उत्तर को स्वीकार करने पर विचार कर सकते हैं।

— us --r11852 का कहना है कि

आपका बहुत बहुत धन्यवाद!! तीसरा संस्करण - REML = FALSE, glmerControl(optimizer ='optimx', optCtrl=list(method='nlminb'))- वास्तव में अभिसरण समस्या हल glmer!

— जिज्ञासु

Answer 2

प्रश्न तकनीकी के बजाय सांख्यिकीय है। वास्तव में, मैंने एक निश्चित प्रभाव के बजाय एक यादृच्छिक प्रभाव मॉडल का उपयोग किया। कारकों में से एक, मुझे लगता है, यादृच्छिक कारक के रूप में माना जाना चाहिए क्योंकि हमें कम से कम 5 या 6 स्तरों की आवश्यकता होती है या एक कारक को यादृच्छिक प्रभाव के रूप में व्यवहार करने के लिए दोहराता है (देखें यहां यादृच्छिक प्रभाव कारक के लिए समूहों की न्यूनतम अनुशंसित संख्या क्या है? )।

उपर्युक्त डेटासेट में केवल त्रिगुणित नमूने / साइट / सीज़न होते हैं, जो एक यादृच्छिक प्रभाव मॉडल के लिए अपर्याप्त है। डेटा सेट की अवधि में, 4-दिन और 7-दिन एक ही समय में चलने वाले दो अलग-अलग समानांतर प्रयोगों से संबंधित हैं। तो अवधि (4-दिन और 7-दिन) द्वारा निर्धारित डेटा को थूकना और सीजन और साइटों के साथ प्रत्येक अवधि के लिए 2-वे एनोवा प्रदर्शन करना क्योंकि कारक यहां प्रभाव (प्रतिक्रिया चर) को मॉडल करने के लिए पर्याप्त होंगे। मॉडल निम्नलिखित होना चाहिए:

lm(day_4_effect~sites*season, data=dat1)

lm(day_7_effect~sites*season, data=dat1)

बोडो विंटर ( http://www.bodowinter.com/tutorial/bw_LME_tutorial2.pdf ) और @ us2r11852 का धन्यवाद जिन्होंने मुझे इस मुद्दे को सुलझाने में मदद की।