1

我试图用来glmmTMB运行我的模型的多次迭代，但不断收到相同的持续错误。我试图在下面解释我的实验并插入我试图运行的完整模型。

实验背景

我试图建模的因变量是细菌 16S 基因拷贝数，在这种情况下用作细菌生物量的代表。

实验设计是我有来自 8 条河流的河流沉积物，这些河流沿着污染梯度下降（影响到原始）。（因子 1 = 流，有 8 个级别）。

对于 8 个流中的每一个，执行以下操作，将沉积物添加到 6 个托盘中。将这些托盘中的 3 个置于加热至 13°C 的人工流道中，而将其他 3 个加热至 17°C（因素 2 = 加热处理，具有 2 个级别）。总共有 16 个通道，温热处理被随机分配到一个通道。

然后我在四个时间点重复测量每个流通道中的 3 个托盘（因子 3 = 天，有 4 个级别）。

目前，我将托盘视为真正的生物复制品，而不是伪复制品，因为托盘在通道中彼此相距相当远，但这有待探索。

总结一下：模型项是（都被指定为因子）：

  • 加温处理（13 与 17oC）
  • 流 ID (1,2,3,4,5,6,7,8)
  • 第一天（T1、T4、T7、T14）

我提出的完整模型是， 

X4_tmb.nb2<-glmmTMB(CopyNo~Treatment*Stream*Time, family=nbinom2, data=qPCR)

即使这个版本的模型不包含随机效果，我想使用glmmTMB包而不是运行这个 using lme4，因为我想探索添加模型组件以解决分散问题的想法，并探索添加的选项托盘作为随机效果（不确定这是否正确）。通过在 中运行模型的所有版本glmmTMB，我可以自信地比较他们的 AIC 分数。如果我在没有色散组件的情况下运行完整模型而lme4其他使用glmmTMB.

不幸的是，对于使用 glmmTMB 时完整模型的大多数迭代（我的意思是按顺序删除模型项），我会收到相同的持续警告：

警告信息： In fitTMB(TMBStruc) : 模型收敛问题；错误收敛 (8)。见小插图（'疑难解答'）

我试图理解错误，但我很难理解，因为令人困惑的是，当我使用 lme4 运行完整模型时，它运行时没有错误。

这是在 lme4 中运行的完整模型的版本，

X4 = glm.nb(CopyNo~Treatment*Stream*Time, data = qPCR

据我通过阅读https://www.biorxiv.org/content/10.1101/132753v1.full.pdf @ line 225 了解到，可以使用此包在 GLM 和 GLMM 之间进行交叉比较。你知道我是否理解正确吗？

我还使用该DHARMa软件包来帮助验证模型和未能收敛的版本glmmTMB，通过 KStest、分散测试、异常值测试和组合调整分位数测试，但理想情况下我不希望收敛错误。

任何帮助将不胜感激。

4

1 回答 1

0

这里有一堆。

警告信息

不幸的是，很难做到这一点：这是一个出了名的晦涩难懂的错误信息。正如twitter 上的建议，您可以尝试不同的优化器，例如包括

 control = glmmTMBControl(optimizer = optim, optArgs = list(method="BFGS"))

在您的通话中。希望这将给出一个非常相似的答案（在这种情况下，您得出结论认为收敛警告可能是误报，因为不同的优化器不太可能以相同的方式失败）而没有警告。（您可以尝试method="CG"以上作为第三种选择。）（请注意，在使用最近修复的替代优化器时，打印和汇总输出存在一个小错误；如果您在修复传播之前正在处理此问题，则可能需要安装开发版本到克兰。）

“lme4”模型

该glm.nb()功能不是来自lme4包，而是来自MASS包。如果您将使用的模型中有随机效应glmer.nb()，它在包中lme4......与上面的优化器切换测试一样，如果您得到类似的答案glmmTMB并且glm.nb您可以得出结论，警告来自glmmTMB（实际上，它来自nlminb()优化器内部glmmTMB调用）可能是误报。

检查来自不同包的可能性/AIC 是否相称的最简单方法是在两个包中拟合相同的模型，如果可能的话，例如

library(MASS)
library(glmmTMB)

quine.nb1 <- glm.nb(Days ~ Sex/(Age + Eth*Lrn), data = quine)
quine.nb2 <- glmmTMB(Days ~ Sex/(Age + Eth*Lrn), data = quine,
                     family=nbinom2)
all.equal(AIC(quine.nb1),AIC(quine.nb2))  ## TRUE

其他详情

您的模型可能存在的问题之一是，通过拟合三个分类变量的完整三向交互，您试图估计 (2*4*8=) 64 个参数，到 64*3=192 个观察值（如果我理解你的实验设计正确）。这更有可能遇到数值问题（如上所述）并且可能给出不精确的结果。尽管有些人推荐它，但我个人并不推荐模型选择方法（所有子集或顺序，基于 AIC 或基于 p 值）；我建议将 Stream 变成随机效果，即

CopyNo ~ Treatment + (Treatment|StreamID) + (1|Time/StreamID)

这符合（1）整体治疗效果；(2) 跨流的变化，跨流的处理效果的变化；(3) 时间点内跨时间和跨流的变化。这仅使用 2（固定：截距 + 处理）+ 3（截距方差、处理方差及其跨流的协方差）+ 2（时间和流之间的时间方差）。这不是“最大”模型；由于在每个流中每次都测量两种处理，因此最后一项可能是 (Treatment|Time/StreamID)，但这会增加很多模型复杂性。由于 4 组对于随机效果来说并不多，您可能会发现您希望将最后一项设为Time + (1|Time:StreamID)，这将适合 Time 作为固定且（在时间内流）作为随机...

于 2020-06-19T23:49:35.933 回答