4

Rパッケージ「lme4」のglmerを使用して、ポアソン一般化混合モデルを使用して、鳥の種の豊富さをモデリングしています。私のデータの例:

abund      point_id  patch_area vis_per_year year
6      EL_03Plot035   244.69412          C_5 2003
0         RC_BBSM08   101.68909          C_2 2004
0  RP_211021_HSH088  1348.89935          C_3 2011
0         RC_LRSM04   111.74057          C_4 2008
0      RP_225155_p5     1.34007          C_3 2012
0       HO_YORUP105   141.66933          C_3 1998
1         RC_SPSM07   179.16088          C_2 2006
0     BH_MB12_bmh42 16937.30694         <NA> 2002
1         RC_MOSM11   104.43196          C_4 2012
1         RC_YOSM06   141.66933          C_4 2010
0  RP_244006_HMD366 27778.83482          C_3 2012
0      RP_247155_p5  7688.64751          C_3 2012
0      EL_08Plot127          NA          C_5 2008
2        HO_LITRR10   160.81729          C_4 1997
0         RC_BPSM07    38.23207          C_4 2009
0        HO_HARRIV5    10.46441          C_3 1999
1         RC_SPSM16   179.16088          C_4 2009
0         RC_YOSM01   141.66933          C_3 2002
0  RP_222799_HSH360    14.94866          C_3 2012
1         RC_WESM33   381.19813          C_2 2006
0  RP_209841_HSH017  2269.11227          C_3 2011
0         RC_LRSM03   111.74057          C_3 2001
0   RP_26718_HHO097    26.95666          C_3 2012
0     RP_236935_p14  7979.05373          C_3 2012
0 BD_miles_medium_2          NA          C_2 2003

"abund" は、その地点で毎年検出された鳥の最大数のカウント データです。"point_id" は調査ポイントの名前です。因子観測レベルの共変量は、ポイントが 1 年間に何回訪れたかを示し、「年」は観測の年を示します。いくつかの例外を除いて、1 年に各ポイントの存在量 (行) は 1 つだけです。

私のモデルの仕様は次のとおりです。 

model=glmer(abund ~ scale(year) + (1|vis_per_year) + (1|patchid/point_id), family = poisson, data)

これまでのところ、診断のために、パッケージ「aods3」のgofを使用してモデルの過分散をチェックし、ランダム効果のQQプロットを調べ、固定効果を含むモデル（私は1つしか持っていません）を、 "lmerTest" の anova コマンドを使用したランダム効果構造。このモデルはわずかに分散不足であり、AIC または anova 基準のいずれかを使用してヌル モデルよりも高くランク付けされています。

最終モデルの R^2 を計算しようとしています。https://ecologyforacrowdedplanet.wordpress.com/2013/02/26/r-squared-for-mixed-models/のブログ エントリとそれに続く投稿の更新、および関連する原稿を読み、MuMIn パッケージを限界および条件付き R^2 の計算に使用します。ただし、r.squared.GLMM(Model) を使用しようとすると、次のエラーがスローされます。

Error in glmer(formula = SALS ~ scale(year) + (1 | vis_per_year) + (1 |  : 
  fitting model with the observation-level random effect term failed. Add the term manually

さらに: 警告メッセージ:

In t(mm[!is.na(ff), ]) :
  error in evaluating the argument 'x' in selecting a method for function 't': Error in mm[!is.na(ff), ] : (subscript) logical subscript too long

エラーの原因を特定するために、point_id と visit_per year なしでモデルを実行しようとしましたが、これらの共変量が含まれていないと同じエラーがスローされます。このエラーは正確には何を意味していますか? 観察項を手動でモデルに追加するにはどうすればよいですか? MuMIN のドキュメントを読みましたが、1) エラーの正確な意味と 2) 修正方法について途方に暮れています。どんな助けでも大歓迎です。データセット全体を提供しないと再現可能な例を作成できないと思いますが、このエラーの正確な意味を知っていると、途中で役立ちます。

アップデート：

エラー メッセージといくつかの説明の推奨事項 (スタック オーバーフローに感謝します!) で、個人レベルの効果を手動でモデルに含めました。今、私は別のエラーが発生します:

Warning message:
In r.squaredGLMM.merMod(model) :
  exp(beta0) of 0.2 is too close to zero, estimate may be unreliable

これは、固定効果の予想されるベータがゼロに近すぎるということですか?

4

2 に答える 2

4

同じエラーメッセージで同じ問題が発生しました。NA値を削除した後、私にとってはうまくいきました。glmer は NA 値で問題ありませんが、r.squaredGLMM には問題があるようです。

于 2015-09-20T18:02:32.487 に答える