Предупреждение появляется в модели со смешанным эффектом, используя spss

Question

Я использую spss для создания модели со смешанным эффектом следующего проекта: Участнику задают несколько открытых вопросов, и их ответы записываются.

Например, если ответ участника связан с равенством, переменная «равенство» кодируется как «1». В противном случае он кодируется как «0». Следовательно, зависимой переменной является переменная «равенство».

Фиксированные эффекты :
- страна участника (азиаты против западников)
- пол (мужчина против женщины)
- возрастная группа (младшая возрастная группа против старшего) возрастная группа)
- состояние (контрольная группа или группа вмешательства)

Случайный эффект : Идентификатор субъекта (участники)

Размер выборки : более 600 участников

Мой синтаксис в spss:

MIXED  Equality BY Country Gender AgeGroup Condition 
/CRITERIA=CIN(95) MXITER(100) MXSTEP(10) SCORING(1) SINGULAR(0.000000000001) HCONVERGE(0, ABSOLUTE) LCONVERGE(0, ABSOLUTE) PCONVERGE(0.000001, ABSOLUTE)
/FIXED= Country Gender AgeGroup Condition  | SSTYPE(3)
/METHOD=ML
/PRINT=SOLUTION TESTCOV
/RANDOM=INTERCEPT | SUBJECT(SubID_R) COVTYPE(VC).

При выполнении этого анализа в spss появляется следующее предупреждение:

Итерация была прервана, но конвергенция не был достигнут.

Процедура MIXED продолжается, несмотря на это предупреждение. Последующие полученные результаты основаны на последней итерации. Срок действия модели подгонки неясен.

Я пытаюсь увеличить число «MXSTEP» с синтаксиса с 10 до 10000, но появляется другое предупреждение:

Окончательная матрица Гессе не является положительно определенной, хотя все критерии сходимости удовлетворен.

MIXED процедура продолжается, несмотря на это предупреждение. Достоверность последующих результатов не может быть установлена.

Я также пытаюсь увеличить количество «MXITER», но предупреждение остается. Могу ли я спросить, как бороться с этой проблемой, чтобы избавиться от предупреждения?

Answer 1

Помимо того, что вы уже попробовали, в некоторых случаях может быть полезно увеличение количества шагов подсчета очков Фишера, но это может быть случай, когда ваша случайная дисперсия перехвата действительно избыточна, и вы не сможете ее решить. проблема с этими данными и этой моделью.

Кроме того, обычно вы бы не использовали линейную модель для двоичной переменной ответа, но использовали бы что-то вроде модели logisti c (это можно сделать в GENLINMIXED, в разделе Анализ> Смешанные модели> Обобщенная линейная в меню).