老鼠：glm.fit：算法没有收敛答案

【问题标题】：mice: glm.fit: algorithm did not converge老鼠：glm.fit：算法没有收敛
【发布时间】：2020-03-08 22:22:09
【问题描述】：

我有一个数据集，其中包含大约 12 个等级从 2 到 10 的分类变量，以及其他数值变量。约 280 条记录。我正在使用r 中的mice 包使用所有默认设置对缺失数据执行插补。但是，当我尝试这样进行估算时：

imp <- mice(df)

我继续收到此警告：

glm.fit: algorithm did not converge

我在网上找到的解决方案here和here只关注直接使用glm函数，但就我而言，它是从mice内部调用的函数。我试过设置maxit = 50，像这样

imp <- mice(df, maxit = 50)

但最终只会收到更多相同警告的实例。知道是什么原因造成的吗？

【问题讨论】：

标签： r missing-data r-mice

【解决方案1】：

mice() 在内部对每个要估算的变量进行回归分析，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，它选择了一种多分逻辑方法，该方法使用glm.fit()，并且没有收敛。

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），或预先将分类变量转换为数值。 但是，这可能会导致错误的结果，我强烈建议您过度考虑您的插补方法，并检查算法为何不会收敛。

【讨论】：

感谢您的回复。我知道警告来自多头逻辑方法。我还在某处读到，处理此错误的一种方法是增加glm.fit() 的迭代次数。我想知道是否有任何方法可以从mice 界面执行此操作？我已经阅读了 Stef van Buuren 的 paper 描述该包的内容，但在该行中找不到任何内容。
@ayePete 您可以尝试为分类变量提供自己的插补方法，如方法列表下?mice 部分“详细信息”第一章中所述。 glm.fit(control = list(glm.control(...))) 的东西，用自定义值替换 ...，查看 ?glm.fit 和 ?glm.control。
这是来自 jay.sf 的一个很好的提示。如果你认为你对底层算法有更好的参数设置，很多包可以让你将参数转发到底层函数。您可以从文档中的 ... 参数确定这是否可行。例如。对于老鼠，文档中的 ... 参数指出：“传递给单变量插补函数的命名参数。”。正如 jay.sf 所描述的，您只需将您在 glm.fit 中指定的参数作为附加参数写入 mice() 调用。
谢谢，@stats0007。实际上，我不确定如何添加新参数（即，仍然不理解提示，哈哈），也不确定这是否会覆盖当前参数的值。

【解决方案2】：

我决定发布我的问题的答案，只是为了展示我是如何解决它的，这有点不寻常，而且我在网上找到的解决方案都没有适用于我的案例。

我意识到警告实际上来自 logreg 函数（对于只有 2 个级别的分类变量），而不是来自 polyreg。所以，考虑到glm.fit() 函数不仅在mice 内部调用，而且从logreg 内部调用，我最终在Github 上找到了mice 代码，复制了logreg 函数，编辑了@ 987654330@ 使用maxit 的控制参数调用，将其重命名为?mice“详细信息”部分中的指定，并使用它。工作正常（经过更多调试，哈哈），算法现在收敛了。

【讨论】：

遇到同样的问题 - 您有修复链接吗？我不知道 github 上的哪个分支是你的
给你：github.com/ayePete/missing_data。您需要将代码下载到您的工作目录中，然后在您的 mice 函数调用中添加此参数：defaultMethod = c("pmm", "logreg_2", "ployreg").

【解决方案3】：

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。老鼠搭建的模型无法辨认；这对我来说是个问题。为了googler的缘故，在此处发布以仔细检查预测矩阵，例如，虚拟变量不是共线的。删除其中一个级别允许 logreg 方法正常工作。

【讨论】：