Ошибки при попытке запустить glmer с парными данными и повторными измерениями (lme4)

Question

Я хочу проанализировать влияние двух обработок на изменение численности видов растений по временному градиенту.

План эксперимента состоит из исключений (обработка = лось), в сочетании с контрольными участками (обработка = лось). Сайт состоит из 1 исключения + 1 контрольный участок. Есть 15 сайтов (таким образом, 15 исключений + 15 парных участков = 30 экспериментальных единиц). Каждое экспериментальное устройство имеет уникальный идентификатор. Численность (пропорция: непрерывное значение от 0 до 1) пихты контролировалась в течение 5 лет (один раз в год = повторные измерения). Таким образом, повторяющиеся меры вложены в "id".

Я хочу проанализировать влияние обработок на численность пихты при контроле парной структуры данных и повторных измерений.

Поскольку данные ответов являются пропорцией (численность от 0 до 1), я был направлен на GLMM с семьей = биномиальным.

Однако я не совсем уверен, как кодировать мою модель. Я старался:

fit = glmer(fir ~ treatment*time + (time|id) + (1|site), data=dat1, family=binomial)

Если я правильно понял, "(1|site)" будет управлять парной структурой, а "(time|id)" будет контролировать повторяющуюся структуру (поскольку "time" вложено в "id").

но я получаю следующие ошибки:

Warning messages:
1: In eval(family$initialize, rho) :
non-integer #successes in a binomial glm!
2: In checkConv(attr(opt, "derivs"), opt$par, ctrl = control$checkConv, :
unable to evaluate scaled gradient
3: In checkConv(attr(opt, "derivs"), opt$par, ctrl = control$checkConv, :
Hessian is numerically singular: parameters are not uniquely determined

Любая идея, что не так с моей моделью и что означают эти сообщения об ошибках?

Спасибо

Answer 1

Я научился включать парные структуры и повторные измерения.

Но сначала я узнал, что вы не можете напрямую использовать пропорции в блеске, поскольку вы теряете информацию о "твердости" этой пропорции. Например, если у вас есть пихта на 1 из 2 участков, вы получаете 50% обилия, но эти 50% менее "надежны", чем 60 участков с пихтой из 120 участков (что также дает 50% обилия). Кроме того, невозможно вставить параметры корреляции в glmer. В нашем эксперименте 4200 было усилием выборки:

dat1$fir2 = round(dat1$fir*4200);
dat1$N = 4200

Чтобы включить как парную структуру, так и повторяющиеся измерения, вы можете использовать обобщенные линейные смешанные модели с использованием штрафованного квази-правдоподобия (или glmmPQL) из библиотеки (MASS). Повторные измерения включаются через параметр корреляции с corCAR1().

Модель для вышеуказанной ситуации будет:

fit2 = glmmPQL(cbind(fir2, N-fir2) ~ treatment*time,
     random=~1|site/treatment, data=dat1, family=binomial,
     correlation=corCAR1(form = ~time|site/treatment))

Ура!