Задача
Я пытаюсь подобрать модели glmer с переменными, варьирующимися от 0 до 1, используя lme4 в R, но я всегда получаю ошибку «единственного соответствия». Я пробовал разные вещи, но до сих пор было невозможно избавиться от этой ошибки. (У меня точно такая же ошибка для другой модели, в которой переменные варьируются от -1 до 1)
Фоны и вещи, которые я пробовал
Я хочу предсказать, как движение между птицами в день X (mvt_index) предсказать индекс ассоциации в день X + 1 (sbs_nextday). У меня есть 6 стад (вольеров) из 28 птиц из 3 линий (высокий, низкий, дикий тип) на период 28 дней. Вот 5 случайно выбранных строк моего набора данных (fulldata_mod1.2):
date pair_id aviaries lines sbs_nextday mvt_index
57552 2017-06-15 70_83 G3 W 0.007614837 0.0000000
118075 2017-06-24 158_159 G6 H 0.001187648 0.0000000
13727 2017-06-28 125_143 G2 L 0.001333333 0.0000000
106103 2017-06-18 65_82 G3 W 0.002484913 0.1666667
24790 2017-07-06 41_52 G5 L 0.004279601 0.2500000
Индекс ассоциации (sbs_nextday) и индекс движения (mvt_index) варьируются между 0 и 1. В следующей модели (mod1.2) каждая точка данных представляет значение индекса ассоциации и индекса движения по диаде (pair_id) и по дням ( Дата). Первая модель, которую я запускал, была такой:
mod1.2 <- lmer(sbs_nextday ~ mvt_index + (1|pair_id) + (1|date) + (1|aviaries) + (1|lines),data=fulldata_mod1.2, lmerControl(optCtrl = list(maxfun = 10000)))
Error in if (REML) p else 0L : argument is not interpretable as logical
In addition: Warning message:
In if (REML) p else 0L :
the condition has length > 1 and only the first element will be used
Подумав немного о моей модели, я решил убрать дату как случайный эффект, потому что, поскольку у меня есть одно значение на диаду и на день, pair_id и date будут объяснять одну и ту же дисперсию, если оба будут использоваться в качестве случайных эффектов. Затем каждый вольер имеет свой набор индивидуальных идентификаторов (и pair_id). Следовательно, я использовал pair_id как вложенный случайный эффект в вольерах. Наконец, поскольку я обрезал данные (от 0 до 1), я не могу использовать lmer, потому что он будет пытаться соответствовать гауссовскому распределению, и это невозможно с моими данными. Кроме того, у меня есть набор данных с нулевым раздувом, поэтому я использовал модель glmer с биномиальным семейством и функцией logit link следующим образом:
mod1.2 <- glmer(cbind(sbs_nextday, (1-sbs_nextday)) ~ mvt_index + (1|aviaries/pair_id), data=fulldata_mod1.2, family=binomial(link='logit'))
boundary (singular) fit: see ?isSingular
Warning message:
In eval(family$initialize, rho) : non-integer counts in a binomial glm!
summary(mod1.2)
Generalized linear mixed model fit by maximum likelihood (Laplace Approximation) ['glmerMod']
Family: binomial ( logit )
Formula: cbind(sbs_nextday, (1 - sbs_nextday)) ~ mvt_index + (1 | aviaries/pair_id)
Data: fulldata_mod1.2
AIC BIC logLik deviance df.resid
392.5 426.7 -192.2 384.5 39069
Scaled residuals:
Min 1Q Median 3Q Max
-0.0406 -0.0076 0.0700 0.4228 30.1497
Random effects:
Groups Name Variance Std.Dev.
pair_id:aviaries (Intercept) 0 0
aviaries (Intercept) 0 0
Number of obs: 39073, groups: pair_id:aviaries, 2254; aviaries, 6
Fixed effects:
Estimate Std. Error z value Pr(>|z|)
(Intercept) -7.6670 0.2554 -30.024 <2e-16 ***
mvt_index 1.2567 0.5989 2.098 0.0359 *
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
Correlation of Fixed Effects:
(Intr)
mvt_index -0.577
convergence code: 0
boundary (singular) fit: see ?isSingular
Я посмотрел? IsSingular и проверил матрицу дисперсии-ковариации:
VarCorr(mod1.2)
Groups Name Std.Dev.
pair_id:aviaries (Intercept) 0
aviaries (Intercept) 0
Затем я проверил, сбалансирован ли мой набор данных для каждой переменной в модели:
lines:
table(fulldata_mod1.2$lines)
H L W
12171 13988 12914
aviaries:
table( fulldata_mod1.2$aviaries)
G1 G2 G3 G4 G5 G6
5176 6822 7193 5721 7166 6995
date:
table( fulldata_mod1.2$date)
2017-06-12 2017-06-13 2017-06-14 2017-06-15 2017-06-16 2017-06-17 2017-06-18 2017-06-19 2017-06-20 2017-06-21
1113 1914 1995 1839 1861 1788 1652 1703 1574 1398
2017-06-22 2017-06-23 2017-06-24 2017-06-25 2017-06-26 2017-06-27 2017-06-28 2017-06-29 2017-06-30 2017-07-01
1854 1497 1578 1457 1204 1494 1179 1128 826 1220
2017-07-02 2017-07-03 2017-07-04 2017-07-05 2017-07-06 2017-07-07 2017-07-08 2017-07-09
486 1300 1049 1087 1471 1054 1256 1096
Затем я использовал glm, чтобы проверить, работает ли модель без случайных эффектов:
mod1.4 <- glm(cbind(sbs_nextday, (1-sbs_nextday)) ~ mvt_index ,data=fulldata_mod1.2,family=binomial(link='logit'))
Warning message:
In eval(family$initialize) : non-integer counts in a binomial glm!
summary(mod1.4)
Call:
glm(formula = cbind(sbs_nextday, (1 - sbs_nextday)) ~ mvt_index,
family = binomial(link = "logit"), data = fulldata_mod1.2)
Deviance Residuals:
Min 1Q Median 3Q Max
-0.25747 -0.17050 -0.13572 -0.04642 2.17994
Coefficients:
Estimate Std. Error z value Pr(>|z|)
(Intercept) -4.22387 0.04689 -90.083 < 2e-16 ***
mvt_index 0.83360 0.12672 6.578 4.76e-11 ***
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
(Dispersion parameter for binomial family taken to be 1)
Null deviance: 2011.4 on 39072 degrees of freedom
Residual deviance: 1973.3 on 39071 degrees of freedom
AIC: 1488.1
Number of Fisher Scoring iterations: 7
Так что, когда я сравниваю резюме glm и glmer, я получаю примерно одинаковые результаты. Но я хочу контролировать случайные эффекты, и модель все еще не работает. Я буду очень признателен, если вы сможете дать мне несколько советов, и я уже благодарю вас за то время, которое вы потратите на это.