Modelle konvergieren nicht bei Verwendung von MuMIn :: dredge

Question

Ich bekomme einen Fehler von der MuMIn::dredge Funktion in R und weiß nicht, wie ich es lösen soll.

Here ist meine Daten ...

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

ich ein globales Modell aufgebaut:

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) 

ich folgende Fehlermeldung erhalten, die ich weiß nicht, warum geschieht. Zur Verdeutlichung sind yld.res Reste, die aus der linearen Regression von yld gegen für jede state erhalten werden. dredge funktioniert gut, wenn ich yld als Antwort verwende. Jede Hilfe oder Anregung wäre willkommen.

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

tl; dr Ich denke, diese Fehlalarme sind. Ich sehe in den Daten oder den Modellen nichts Fischiges. Die Wahrscheinlichkeitskurve ist am Rand des geschätzten Raums völlig flach, was die Konvergenzprüfungen erschwert (das ist ungewöhnlich, aber es ist nichts falsch daran).

Replizieren Ihr Setup:

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) 

Check-out Daten:

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") 

Nicht viel los hier, aber auch nichts zu bizarr aussehende.

Blick auf Koeffizienten von standardisierten Modell:

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

keine großen paarweise Korrelationen zwischen den Prädiktoren:

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

ist eines der Modelle finden lassen, die bricht :

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

Und probieren Sie es aus:

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

Schauen Sie genauer:

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) 

Wieder nichts zu komisch aussehend.

Lassen Sie uns das Modell von Hand untersuchen: Es gibt nur einen expliziten Parameter (die Standardabweichung zwischen den Zuständen).

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

sieht gut aus.