lme4 1.1-27.1 错误：pwrssUpdate 在（maxit）迭代中没有收敛答案

【问题标题】：lme4 1.1-27.1 error: pwrssUpdate did not converge in (maxit) iterationslme4 1.1-27.1 错误：pwrssUpdate 在（maxit）迭代中没有收敛
【发布时间】：2022-04-22 21:53:11
【问题描述】：

抱歉，之前已经讨论过这个错误，stackoverflow 上的每个答案似乎都特定于数据

我正在尝试在 lme4 中运行以下负二项式模型：

Model5.binomial<-glmer.nb(countvariable ~ waves + var1 + dummycodedvar2 + dummycodedvar3 + (1|record_id), data=datadfomit)

但是，我在尝试运行模型时收到以下错误：

Error in f_refitNB(lastfit, theta = exp(t), control = control) :pwrssUpdate did not converge in (maxit) iterations

我首先只使用 3 个预测变量（waves、var1、dummycodedvar2）运行模型并得到相同的错误。但是将预测变量居中解决了这个问题，并且模型运行良好。

现在有 4 个变量（全部居中），我希望模型能够顺利运行，但再次收到错误。

由于该站点上的每个答案似乎都指向数据中的问题，因此可以在此处找到复制该问题的数据：

https://file.io/3vtX9RwMJ6LF

【问题讨论】：

上面的 URL 将我带到“此文件已被删除”横幅。我有兴趣深入研究，但也建议尝试glmmTMB ...
@BenBolker 天哪，你的建议效果很好！据我所知，模型运行完美，与 lme4 相比，运行速度非常快。任何解释为什么？如果您仍然对挖掘感兴趣：抱歉死链接。希望这可行：ufile.io/km1p57bo

标签： r statistics lme4 longitudinal multilevel-analysis

【解决方案1】：

您的响应变量有很多零：

我建议拟合一个考虑到这一点的模型，例如零膨胀模型。 GLMMadaptive 包可以拟合零膨胀负二项式混合效应模型：

## library(GLMMadaptive)
## mixed_model(countvariable ~ waves + var1 + dummycodedvar2 + dummycodedvar3, ##   random = ~ 1 | record_id, data = data,
##   family = zi.negative.binomial(), 
##   zi_fixed = ~ var1,
##   zi_random = ~ 1 | record_id) %>% summary()

Random effects covariance matrix:
                StdDev    Corr
(Intercept)     0.8029        
zi_(Intercept)  1.0607 -0.7287

Fixed effects:
               Estimate Std.Err z-value  p-value
(Intercept)      1.4923  0.1892  7.8870  < 1e-04
waves           -0.0091  0.0366 -0.2492 0.803222
var1             0.2102  0.0950  2.2130 0.026898
dummycodedvar2  -0.6956  0.1702 -4.0870  < 1e-04
dummycodedvar3  -0.1746  0.1523 -1.1468 0.251451

Zero-part coefficients:
            Estimate Std.Err z-value    p-value
(Intercept)   1.8726  0.1284 14.5856    < 1e-04
var1         -0.3451  0.1041 -3.3139 0.00091993

log(dispersion) parameter:
  Estimate Std.Err
    0.4942  0.2859

Integration:
method: adaptive Gauss-Hermite quadrature rule
quadrature points: 11

Optimization:
method: hybrid EM and quasi-Newton
converged: TRUE

【讨论】：