Как справиться с единичным соответствием в линейной смешанной модели (lme4)?

Question

Я использую несколько линейных смешанных моделей для исследования птиц с переменным гнездом в качестве случайной величины.Дело в том, что в некоторых из этих моделей я получаю то, что называется «единичным соответствием»: моя случайная переменная в гнезде имеет дисперсию и ошибку st 0,00.

Некоторые сведения: я работаю с дикими птицами, чтобы увидетьВлияние жизни в шумной среде на некоторые параметры окислительного стресса.Для этого мы взяли образец крови для каждого из птенцов каждого гнезда, чтобы выполнить лабораторные работы.Из-за ограниченного образца крови некоторые параметры окислительного стресса не могли быть измерены для каждого птенца.

model <- lmer(antioxidant_capacity~age+sex+clutch+zone+(1|nestID),
 data=data, contrasts=list(sex=contr.sum, zon=contr.sum, clutch=contr.sum))

Тогда я получаю:

singular fit

Это таблица:

REML criterion at convergence: 974.3

Scaled residuals: 
 Min       1Q   Median       3Q      Max 
-2.72237 -0.61737  0.06171  0.69429  2.88008 

Random effects:
Groups   Name        Variance     Std.Dev.
nestID (Intercept)      0          0.00   
Residual               363        19.05   
Number of obs: 114, groups:  nido_mod, 46

Fixed effects:
        Estimate      Std. Error  df        t value Pr(>|t|)    
(Intercept) 294.5970    36.8036  109.0000   8.005   1.41e-12 ***
age          -0.2959     3.0418  109.0000  -0.097   0.922685    
clutch1      -0.5242     2.0940  109.0000  -0.250   0.802804    
sex1          2.3167    1.8286 109.0000     1.267   0.207885    
zone1         6.2274     1.7958  109.0000   3.468   0.000752 ***
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Correlation of Fixed Effects:
      (Intr) age  clutch1 sex1 
age  -0.999                     
clutch1   0.474 -0.465              
sex1      0.060 -0.054 -0.106       
zone1    -0.057  0.061 -0.022  0.058
convergence code: 0
singular fit

Я читал о проблемах сингулярности, и если я хорошо понял,Сингулярность связана с переоснащением.Может ли это быть связано с тем, что для некоторых переменных ответа у меня есть гнезда только с одним птенцом, в то время как есть гнездо с большим количеством птенцов?Как я могу решить это?Любая рекомендация?

Большое вам спасибо.

Answer 1

В lmer единственное соответствие может быть вызвано коллинеарностью в фиксированных эффектах, как в любой другой линейной модели. понадобится чтобы пересмотреть свою модель, удалив термины.Но в некоторых случаях это (или предупреждение о «предельной (единственной) подгонке») границе) также может срабатывать в довольно простых моделях, когда случайная дисперсия эффекта оценивается очень близко к нулю и (очень слабо) данные не являются достаточно информативными, чтобы перетащитьоценить от нулевого начального значения.

Формальный ответ в общем и целом одинаков;отбросьте члены, которые оценивают как ноль.И это остается разумным, по крайней мере, пока вы не знаете, какой термин вызывает проблему.Но бывают случаи, когда маловероятно маловероятное отклонение, но вы хотели бы сохранить его в модели;например, потому что вы совершенно сознательно ищете интервалы для, возможно, небольших отклонений или, возможно, проводите несколько похожих экспериментов и предпочли бы последовательно извлекать все отклонения.Если вы уверены в том, что происходит, вы можете подавить эти предупреждения с помощью lmerControl, который можно настроить так, чтобы не использовать соответствующие тесты.Например, вы можете включить

control=lmerControl(check.conv.singular = .makeCC(action = "ignore",  tol = 1e-4))

в свой вызов lmer.Это оставляет допуск по умолчанию (который нужен makeCC), но подавляет тест единственного соответствия.(По умолчанию action = "warning", которая запускает тест и выдает предупреждение).

Answer 2

Вас действительно интересует, имеет ли эффект каждый из фиксированных эффектов в вашей модели?Например, возраст или пол могут объяснить некоторые различия, но, возможно, вы могли бы включить их в качестве случайного эффекта, а не фиксированного эффекта.Изменение его на случайный эффект (если это рационально) может решить проблему чрезмерной дисперсии.

Моя интерпретация проблемы сингулярности, которая, безусловно, может быть неверной, заключается в том, что каждая из комбинаций вашей модели имеет только одно наблюдение / измерение.Поэтому у вас может не хватить наблюдений, чтобы включить все эти переменные в качестве фиксированных эффектов.