Модели не сходятся при использовании MuMIn::dredge

Question

Я получаю некоторую ошибку от MuMIn::dredge функция в R и не знаю, как ее решить.

Вот мои данные...

library(lme4)
library(MuMIn)
library(arm)

Я построил глобальную модель:

options(na.action = "na.fail") 
global.model<-lmer(yld.res ~ rain + brk+ act + 
    onset + wid + (1|state),data=dat,REML=FALSE)
stdz.model <- standardize(global.model,standardize.y = FALSE)
model.set <- dredge(stdz.model)

Я получаю следующую ошибку, которую я не знаю, почему происходит. В целях разъяснения, yld.res является невязкой, которая получается из линейной регрессии yld против year для каждого state, dredge работает нормально, если я использую yld как ответ. Любая помощь или предложение будут оценены.

Fixed term is "(Intercept)"
Warning messages:
1: In checkConv(attr(opt, "derivs"), opt$par, ctrl = control$checkConv,  :
 unable to evaluate scaled gradient
2: In checkConv(attr(opt, "derivs"), opt$par, ctrl = control$checkConv,  :
 Model failed to converge: degenerate  Hessian with 1 negative eigenvalues
3: In checkConv(attr(opt, "derivs"), opt$par, ctrl = control$checkConv,  :
 unable to evaluate scaled gradient
4: In checkConv(attr(opt, "derivs"), opt$par, ctrl = control$checkConv,  :
 Model failed to converge: degenerate  Hessian with 1 negative eigenvalues
5: In checkConv(attr(opt, "derivs"), opt$par, ctrl = control$checkConv,  :
 unable to evaluate scaled gradient
6: In checkConv(attr(opt, "derivs"), opt$par, ctrl = control$checkConv,  :
 Model failed to converge: degenerate  Hessian with 1 negative eigenvalues
7: In checkConv(attr(opt, "derivs"), opt$par, ctrl = control$checkConv,  :
unable to evaluate scaled gradient
8: In checkConv(attr(opt, "derivs"), opt$par, ctrl = control$checkConv,  :
Model failed to converge: degenerate  Hessian with 1 negative eigenvalues

Answer 1

Я думаю, что это ложные срабатывания. Я не вижу ничего подозрительного в данных или моделях. Кривая правдоподобия совершенно плоская на краю предполагаемого пространства, что испортит проверки сходимости (это необычно, но в этом нет ничего плохого).

Репликация вашей настройки:

dd <- read.csv("SOtmpdat.csv")
library(lme4)
library(MuMIn)
library(arm)
options(na.action = "na.fail") 
global.model <- lmer(yld.res ~ rain + brk+ act + onset +
                   wid + (1|state), data=dd,REML=FALSE)
stdz.model <- standardize(global.model,standardize.y = FALSE)
model.set <- dredge(stdz.model)

Проверьте данные:

library(ggplot2); theme_set(theme_bw())
library(reshape2)
mm <- melt(dd,id.var=c("year","state","yld.res"))
ggplot(mm,aes(value,yld.res,colour=state))+geom_point()+
    facet_wrap(~variable,scale="free")+geom_smooth(method="lm")

Не много здесь происходит, но и ничего странного.

Посмотрите на коэффициенты стандартизированной модели:

library(dotwhisker)
dwplot(stdz.model)+geom_vline(xintercept=0,lty=2)

Нет огромных парных корреляций между предикторами:

cor(as.matrix(dd[,3:8]))
pairs(as.matrix(dd[,3:8]),gap=0,cex=0.5)

Давайте найдем одну из моделей, которая ломается:

options(warn=1)
model.set <- dredge(stdz.model,trace=TRUE)

И попробуй это:

test1 <- lmer(formula = yld.res ~ z.brk + z.onset + (1 | state),
       data = model.frame(stdz.model),
       REML = FALSE)

Посмотри внимательнее:

mf <- transform(model.frame(stdz.model),
                z.onset.cat=cut_number(z.onset,4))
ggplot(mf,
       aes(z.brk,yld.res,
           colour=state))+geom_point()+
    facet_wrap(~z.onset.cat)

Опять же, ничего смешного.

Давайте рассмотрим модель подбора вручную: есть только один явный параметр (стандартное отклонение между штатами).

tt <- as.function(test1)
tvec <- seq(0,1,length=501)
dvec <- sapply(tvec,tt)
par(las=1,bty="l")
plot(tvec,dvec,type="l")

Выглядит хорошо.