Ошибка и предупреждение при моделировании данных подсчета с использованием glmmTMB

Question

Я пытаюсь согласовать модель случайных эффектов с нулевым коэффициентом Пуассона с данными счета, используя glmmTMB.Однако я получил несколько ошибок и предупреждений.

head(data)

  count time study    
1     0  259     1 
2     0  199     1 
3     0  571     1 
4     0  927     1 
5     7  254     1 
6     0  877     1 

str(data)

 'data.frame':  959 obs. of  3 variables:
 $ count : int  0 0 0 0 7 0 0 0 0 0 ...
 $ time  : int  259 199 571 927 254 877 555 158 1014 705 ...
 $ study : Factor w/ 10 levels "1","2","3","4",..: 1 1 1 1 1 1 1 1 1 1 ...

время - это смещенный термин, а исследование - это случайный эффект, который я должен добавить.

Ошибка 1

Если я добавлю случайный эффект, то следующие модели со случайным эффектом сообщают о той же ошибке

f1<-glmmTMB(count~1+offset(time)+1|study, data = data, family = poisson, ziformula = ~1|study)

f2<-glmmTMB(count~1+offset(time)+1|study, data = subset(data, study=="1"), family = poisson, ziformula = ~1|study)

NA/NaN function evaluationError in nlminb(start = par, objective = fn, gradient = gr, control = control$optCtrl) : 
 gradient function must return a numeric vector of length 4

Ошибка 2

Я думал, что мне нужнопопробовать более простую модель, и поэтому я отбросил случайный эффект.К сожалению, я получил другую ошибку.

f3<-glmmTMB(count~1+offset(time), data = data, family = poisson, ziformula = ~1)

f4<-glmmTMB(count~1+offset(time), data = subset(data, study=="1"), family = poisson, ziformula = ~1)

NA/NaN function evaluationError in nlminb(start = par, objective = fn, gradient = gr, control = control$optCtrl) : 
  NA/NaN gradient evaluation

Предупреждение 1

OK.Интересно, как я могу получить вывод без каких-либо ошибок.Итак, я отбросил смещение вместо случайного эффекта и таким образом получил предупреждение вместо ошибки.

f5<-glmmTMB(count~1+1|study, data = data, family = poisson, ziformula = ~1|study)

f6<-glmmTMB(count~1+1|study, data = subset(data, study=="1"), family = poisson, ziformula = ~1|study)

Cholmod warning 'matrix not positive definite' at file ../Supernodal/t_cholmod_super_numeric.c, line 729Cholmod warning 'matrix not positive definite' at file ../Supernodal/t_cholmod_super_numeric.c, line 729Cholmod warning 'matrix not positive definite' at file ../Supernodal/t_cholmod_super_numeric.c, line 729Cholmod warning 'matrix not positive definite' at file ../Supernodal/t_cholmod_super_numeric.c, line 729Cholmod warning 'matrix not positive definite' at file ../Supernodal/t_cholmod_super_numeric.c, line 729Cholmod warning 'matrix not positive definite' at file ../Supernodal/t_cholmod_super_numeric.c, line 729Cholmod warning 'matrix not positive definite' at file ../Supernodal/t_cholmod_super_numeric.c, line 729Cholmod warning 'matrix not positive definite' at file ../Supernodal/t_cholmod_super_numeric.c, line 729

«Хорошее» соответствие без ошибок и предупреждений

После нескольких обновлений я обнаружил, что если я уроню хотя бы один из двух терминов со случайным эффектом и смещения, модели не сообщат ни об ошибке, ни о предупреждении.

f7<-glmmTMB(count~1+1|study, data = data, family = poisson, ziformula = ~1)

f8<-glmmTMB(count~1, data = data, family = poisson, ziformula = ~1|study)

Вопрос

Какие проблемы вызвали эти ошибки и возникли проблемы?Если возможно, как я могу подогнать модель со смешанным эффектом ZIP и не получить ни ошибки, ни предупреждения?

Пример

У меня есть воспроизводимый пример, который выдал предупреждение 1

count.ex<-rpois(500, 0.2)
study.ex<-as.factor(sample(1:5, 500, replace = TRUE))
time.ex<-rexp(500, 150)

fit.ex<-glmmTMB(count.ex~1+offset(time.ex)+1|study.ex, family = poisson, ziformula = ~1|study.ex)

Cholmod warning 'matrix not positive definite' at file ../Supernodal/t_cholmod_super_numeric.c, line 729Cholmod warning 'matrix not positive definite' at file ../Supernodal/t_cholmod_super_numeric.c, line 729Cholmod warning 'matrix not positive definite' at file ../Supernodal/t_cholmod_super_numeric.c, line 729Model convergence problem; non-positive-definite Hessian matrix. See vignette('troubleshooting')

Answer 1

Это довольно сложно без воспроизводимого примера!

• Существует одна очевидная проблема с вашей моделью: вы указали offset(time) в своей модели, вы почти наверняка захотите использоватьoffset(log(time)).Ваши значения time велики (значения, которые я вижу в вашем диапазоне str() от 500 до 1000; смещение вводит прогнозируемое значение в модели как exp(offset), что либо смехотворно велико (if `offset

• Следует соблюдать осторожность, чтобы защитить термины со случайным эффектом скобками (например, вы используете ~1 + 1|study вместо ~1 + (1|study); я не думаю, что это вызывает проблемы в примерах, которые вы здесь показываете, но в целом оператор pipe (|) имеет низкий приоритет, что означает, что, например, ~1+a+b|study эквивалентно ~(1+a+b)|study...

Если я использую

 ~count.ex~1+offset(log(time.ex))+(1|study.ex)

в вашем примере, я не получу никаких предупреждений.