【发布时间】：2016-12-26 21:55:23
【问题描述】：
案例：
我正在尝试估计从 55 个起源区 (IDo) 到 54 个目的地区 (IDd) 的迁移重力模型 (mig)。两个重要的预测变量是每个起点和终点区域之间的距离 (dist) 和任何起点-终点对的连续性 (contig) 的指示变量。迁移结果变量是衡量在成对地区之间迁移的人数（范围从零到几千）。下面是一个近似我的数据情况的测试数据集。在实际数据中，迁移结果变量的泊松分布稍微不太理想 (min=0, max=9450, mean=85, median=10)。
library(lme4)
#*** Generate test data set
set.seed=777
td=data.frame(IDo=rep(1:55,each=55),IDd=rep(1:55,times=55),dist=runif(3025,0.186,12.7),contig=rbinom(3025,1,p=0.08), stringsAsFactors=F)
td=td[td$IDo!=td$IDd,] # remove cases for which origin and destination are the same
td=rbind(td,td) # dublicate data for two years
td$year=rep(c(1,0),each=2970) # generate year dummy variable
td$mig=rpois(5940, lambda = 1)*1000 # generate migrant count variable
# Cross-classified random effects Poisson models
m1=formula(mig~dist+contig+year+(1|IDo)+(1|IDd))
fm0=glmer(m1,data=td,family="poisson",control=glmerControl(optimizer="bobyqa"), nAGQ=0) # Adaptive Gauss-Hermite Quadrature
fm1=glmer(m1,data=td,family="poisson",control=glmerControl(optimizer="bobyqa"), nAGQ=1) # Laplace Approximation
# Regular Poisson models
m2=formula(mig~dist+contig+year+factor(IDo)+factor(IDd))
fm2=glm(m2,data=td,family="poisson")
问题：
我正在使用lme4 运行交叉分类的多级泊松模型。在使用默认的 nAGQ=1 设置 (fm1) 时，我总是收到以下警告消息，并且在实际数据情况下，模型无法收敛 (In checkConv(attr(opt, "derivs"), opt$par, control$checkConv Model failed to converge with max|grad| = 0.00248588 (tol = 0.001, component 1))。
Warning message:
In checkConv(attr(opt, "derivs"), opt$par, ctrl = control$checkConv, :
Model is nearly unidentifiable: very large eigenvalue
- Rescale variables?
但是，设置 nAGQ=0 (fm0) 或将其作为常规固定效应模型 (fm2) 运行时不会出现此问题。
有没有人建议如何做才能避免此警告消息背后的问题（并导致真实数据中的收敛问题）？预测变量的规模都相当小，所以无需重新调整这些变量。我可能会重新调整我的结果变量以具有更小的值 (td$mig=round(td$mig/1000,0)) 但这会改变分布并且不应该按照this post 中的指示进行。
【问题讨论】：
-
参见this cross-validated 对收敛失败的讨论。如果你还没有。
-
我刚刚看了关于收敛失败的讨论。但我不完全确定我的问题是否与求解器问题有关，或者更多的是当计数值过高时无法使用泊松模型的一般问题。另一方面，泊松模型是专门为这类计数数据设计的，我真的不明白为什么“模型几乎无法识别”。
-
我的回答解决了您的问题/回答了您的问题吗？
-
@BenBolker 是的，感谢您的帮助！虽然它不能解决我在真实数据中遇到的问题，但使用不同的优化器可以消除用例中的警告。