Modèle de sommation d`opter

    À partir de lme4 version 1.1-19, cette fonctionnalité est disponible en tant que isSingular (modèle). -Dans MCMCglmm, les modèles singuliers ou quasi-singuliers provoqueront une erreur et une exigence de spécifier un plus fort avant. Dans ce cas (par exemple, un pic de zéros au centre d`une distribution autrement continue), le modèle d`obstacle est probablement le plus sensé. La plupart des messages d`erreur suivants sont relativement inhabituels, et se produisent principalement avec des modèles complexes/volumineux/instables. Il n`y a souvent pas de solution simple; les suggestions standard de dépannage sont (1) essayer le réalignement et/ou les prédicteurs de centrage; (2) voir si un modèle plus simple peut être fait pour fonctionner; (3) Rechercher un manque d`équilibre sévère et/ou une séparation complète dans l`ensemble de données. Par exemple, un modèle de poisson relativement simple avec des erreurs spatialement corrélées peut ressembler à ceci: l`approche générale de la gestion de la séparation complète dans la régression logistique est appelée régression pénalisée; Il est disponible dans les packages brglm, brglm2, logistf et RMS. Cependant, ces packages ne gèrent pas les modèles mixtes, de sorte que la meilleure approche générale disponible est d`utiliser une méthode bayésienne qui vous permet de définir un précédent sur les effets fixes, par exemple un gaussien avec un écart-type de 3; Cela peut être fait dans l`un des paquets bayésiens GLMM (par exemple blme, MCMCglmm, BRMS,…) (Voir le matériel supplémentaire pour Fox et al. 2016 pour un exemple travaillé.) L`interception, qui est le paramètre correspondant à la colonne de tous les 1 dans les matrices de modèle (x_i ), est traitée différemment de tous les autres paramètres, quand il est présent. En tant que paramètre, il est considéré comme étant estimé au niveau 0 parce qu`il est externe à tous les facteurs de regroupement. Cependant, ses degrés de liberté de dénominateur sont calculés comme s`il était estimé au niveau (Q + 1 ).

    Cela est dû au fait que l`interception est le seul paramètre qui pools les informations de toutes les observations à un niveau, même lorsque la colonne correspondante dans (x_i ) ne change pas avec le niveau. Les données de proportion où le dénominateur (par exemple le nombre maximal possible de succès pour une observation donnée) ne sont pas connues peuvent être modélisées à l`aide d`une distribution bêta. Smithson et Verkuilen (2006) est une bonne introduction pour les non-statisticiens (pas dans le cas du modèle mixte), et le paquet betareg (Cribari-Neto et Zeileis 2009) gère les régressions bêta non mixtes. Les paquets glmmTMB et BRMS gèrent les modèles mixtes bêta (BRMS gère également les modèles gonflés à zéro et à zéro). Dans le nLME, ces structures dites de R-Side (R pour les «résidus») sont accessibles via les arguments de pondération/VarStruct (hétérocedasticité) et de corrélation/corStruct (corrélation spatiale ou temporelle) et les structures de données.