Почему я получаю NA в сводных результатах модели? GLMM с нулевым накачиванием с glmmTMB()
Я пытаюсь запустить отрицательную биномиальную GLMM с нулевым накачиванием с помощью glmmTMB; однако я получаюNAс в z а также pзначения итогового вывода моей модели. Я не уверен, в чем причина; Я следил за виньеткой и онлайн-справкой, но думаю, что должна быть проблема с моими данными и техникой, которую я пытаюсь использовать. Мои данные похожи наSalamanders Пример, использованный в сопроводительной документации: отрицательное биномиальное распределение, завышенное нулем, с той же структурой данных.
В чем проблема? Подходят ли эти данные для использованияfamily = nbinom2?
данные:
> head(abun_data)
depl_ID Keyword_1 depl_dur logging n AmbientTemperature ElNino
1 B1-1-14_1 Bearded Pig 82 pre-logging 3 23.33333 before
2 B1-1-14_1 Malayan Porcupine 82 pre-logging 0 24.33333 before
3 B1-1-14_1 Pig-tailed Macaque 82 pre-logging 3 24.33333 before
4 B1-1-14_1 Sambar Deer 82 pre-logging 0 24.00000 before
5 B1-1-14_1 Red Muntjac 82 pre-logging 2 24.00000 before
6 B1-1-14_1 Lesser Mouse-deer 82 pre-logging 1 23.00000 before
> str(abun_data)
'data.frame': 1860 obs. of 7 variables:
$ depl_ID : Factor w/ 315 levels "B1-1-14_1","B1-1-14_2",..: 1 1 1 1 1 1 2 2 2 2 ...
$ Keyword_1 : Factor w/ 6 levels "Bearded Pig",..: 1 2 3 4 5 6 1 2 3 4 ...
$ depl_dur : num 82 82 82 82 82 82 26 26 26 26 ...
$ logging : Factor w/ 3 levels "logging","post-logging",..: 3 3 3 3 3 3 3 3 3 3 ...
$ n : int 3 0 3 0 2 1 2 0 0 0 ...
$ AmbientTemperature: num 23.3 24.3 24.3 24 24 ...
$ ElNino : Factor w/ 3 levels "after","before",..: 2 2 2 2 2 2 2 2 2 2 ...
Моя модель:
> zinb <- glmmTMB(n ~ Keyword_1 * logging + (1|depl_ID), zi = ~ Keyword_1 * logging,
+ data = abun_data, family = "nbinom2")
Warning message:
In fitTMB(TMBStruc) :
Model convergence problem; non-positive-definite Hessian matrix. See vignette('troubleshooting')
> summary(zinb)
Family: nbinom2 ( log )
Formula: n ~ Keyword_1 * logging + (1 | depl_ID)
Zero inflation: ~Keyword_1 * logging
Data: abun_data
AIC BIC logLik deviance df.resid
NA NA NA NA 1822
Random effects:
Conditional model:
Groups Name Variance Std.Dev.
depl_ID (Intercept) 0.5413 0.7358
Number of obs: 1860, groups: depl_ID, 310
Overdispersion parameter for nbinom2 family (): 1.29
Conditional model:
Estimate Std. Error z value Pr(>|z|)
(Intercept) 0.99965 NA NA NA
Keyword_1Malayan Porcupine -1.30985 NA NA NA
Keyword_1Pig-tailed Macaque -0.90110 NA NA NA
Keyword_1Sambar Deer -1.34268 NA NA NA
Keyword_1Red Muntjac -0.76250 NA NA NA
Keyword_1Lesser Mouse-deer -16.21798 NA NA NA
loggingpost-logging 0.83935 NA NA NA
loggingpre-logging 0.58252 NA NA NA
Keyword_1Malayan Porcupine:loggingpost-logging -0.53276 NA NA NA
Keyword_1Pig-tailed Macaque:loggingpost-logging -5.52093 NA NA NA
Keyword_1Sambar Deer:loggingpost-logging -0.73450 NA NA NA
Keyword_1Red Muntjac:loggingpost-logging 0.04825 NA NA NA
Keyword_1Lesser Mouse-deer:loggingpost-logging -9.74912 NA NA NA
Keyword_1Malayan Porcupine:loggingpre-logging -0.18893 NA NA NA
Keyword_1Pig-tailed Macaque:loggingpre-logging -0.08802 NA NA NA
Keyword_1Sambar Deer:loggingpre-logging 0.72087 NA NA NA
Keyword_1Red Muntjac:loggingpre-logging 0.51223 NA NA NA
Keyword_1Lesser Mouse-deer:loggingpre-logging 15.10588 NA NA NA
Zero-inflation model:
Estimate Std. Error z value Pr(>|z|)
(Intercept) -1.3469 NA NA NA
Keyword_1Malayan Porcupine -11.7164 NA NA NA
Keyword_1Pig-tailed Macaque 1.5618 NA NA NA
Keyword_1Sambar Deer 0.6967 NA NA NA
Keyword_1Red Muntjac -17.6199 NA NA NA
Keyword_1Lesser Mouse-deer 18.7331 NA NA NA
loggingpost-logging -19.2344 NA NA NA
loggingpre-logging -2.1708 NA NA NA
Keyword_1Malayan Porcupine:loggingpost-logging 32.6525 NA NA NA
Keyword_1Pig-tailed Macaque:loggingpost-logging -1.2560 NA NA NA
Keyword_1Sambar Deer:loggingpost-logging 19.1848 NA NA NA
Keyword_1Red Muntjac:loggingpost-logging -3.4218 NA NA NA
Keyword_1Lesser Mouse-deer:loggingpost-logging 7.4168 NA NA NA
Keyword_1Malayan Porcupine:loggingpre-logging 14.3338 NA NA NA
Keyword_1Pig-tailed Macaque:loggingpre-logging -22.1736 NA NA NA
Keyword_1Sambar Deer:loggingpre-logging 1.6785 NA NA NA
Keyword_1Red Muntjac:loggingpre-logging 17.0664 NA NA NA
Keyword_1Lesser Mouse-deer:loggingpre-logging -14.3445 NA NA NA
1 ответ
Первая подсказка - это предупреждение
Проблема сходимости модели; неположительно определенная матрица Гессе. См. Виньетку ("устранение неполадок")
Это означает, что модель не сходилась или не думает, что да, к решению, в котором поверхность логарифмического правдоподобия изогнута вниз (то есть является истинным максимумом). Вот почему стандартные ошибки не могут быть рассчитаны (если бы вы провели обычный расчет, они бы вышли отрицательными или сложными). Логарифмическое правдоподобие можно рассчитать, но соответствие модели сомнительно, поэтому glmmTMB возвращаетNA вместо.
Следующий вопрос: почему? Иногда это загадочно и трудно диагностировать, но в этом случае у нас есть хорошая подсказка: когда вы видите экстремальные значения параметров (например, |beta|>10) в (неидентификационной ссылке) GLM, это почти всегда означает, что некоторая форма от полного разделения происходит. То есть есть несколько комбинаций ковариат (например,Keyword_1==Lesser Mouse-deer), где у вас всегда нулевой счет. В логарифмической шкале это означает, что плотность бесконечно ниже, чем ковариантные комбинации, где у вас есть положительное среднее. Параметр составляет около -16, что соответствует ожидаемой разнице мультипликативной плотности.exp(-16) = 1e-07. Это не бесконечно мало, но достаточно мало, чтобы glmmTMB получал достаточно малые различия в логарифмической вероятности остановки оптимизатора. Однако, поскольку поверхность вероятности почти плоская, она не может вычислить кривизну и т. Д.
Вы можете объединить или отбросить категории или провести некоторую форму регуляризации (например, см. Здесь или здесь...); также может иметь смысл лечить вашKeyword_1 переменная как случайный эффект, который также будет иметь эффект регуляризации оценок.