lmer 错误：分组因子必须是 < 观察次数答案

【问题标题】：lmer error: grouping factor must be < number of observationslmer 错误：分组因子必须是 < 观察次数
【发布时间】：2013-10-31 17:39:43
【问题描述】：

我正在尝试对一些数据运行混合效应模型，但在其中一个固定效应上苦苦挣扎，我认为主要是因为它是一个因素？！

样本数据：

data4<-structure(list(code = structure(1:10, .Label = c("10888", "10889", 
"10890", "10891", "10892", "10893", "10894", "10896", "10897", 
"10898", "10899", "10900", "10901", "10902", "10903", "10904", 
"10905", "10906", "10907", "10908", "10909", "10910", "10914", 
"10916", "10917", "10919", "10920", "10922", "10923", "10924", 
"10925", "10927"), class = "factor"), speed = c(0.0296315046039244, 
0.0366986630049636, 0.0294297725505692, 0.048316183511095, 0.0294275666501456, 
0.199924957584131, 0.0798850288176711, 0.0445886457047146, 0.0285993712316451, 
0.0715158276875623), meanflow = c(0.657410742496051, 0.608271363339857, 
0.663241108786611, 0.538259450171821, 0.666299529534762, 0.507156583629893, 
0.762448863636364, 37.6559178370787, 50.8557196935557, 31.6601587837838
), length = c(136, 157, 132, 140, 135, 134, 144, 149, 139, 165
), river = structure(c(2L, 2L, 2L, 2L, 2L, 2L, 2L, 1L, 1L, 1L
), .Label = c("c", "f"), class = "factor")), .Names = c("code", 
"speed", "meanflow", "length", "river"), row.names = c(2L, 4L, 
6L, 8L, 10L, 12L, 14L, 16L, 18L, 20L), class = "data.frame")

我的模型是这样的：

model1<-lmer(speed ~ river + length +(1|meanflow)+(1|code), data4)

当运行返回错误信息时：

Error in checkNlevels(reTrms$flist, n = n, control) : 
number of levels of each grouping factor must be < number of observations

我在网上搜索了found one response

但是对于我的生活，我不明白对问题的回答！

【问题讨论】：

标签： r lme4 mixed-models nlme

【解决方案1】：

这里有两个问题：

看起来您对code 的每个值都有一个观察结果。这意味着您无法同时估计残差方差（内置于lmer 和更普遍的线性混合模型）和中间code 方差——这两个参数都将试图估计相同方差分量，以及 var(residual) 和 var(code) 的任何组合加起来相同的值将表示对数据的拟合效果同样好。
对于meanflow 的每个值，您也有一个观察结果；这是因为meanflow 是一个连续变量，通常不希望在模型中用作分组变量。我不确定你想用这个词表达什么。

如果您坚持使用lmerControl 绕过检查，您实际上可以拟合这些模型，但您不一定会得到合理的结果！

model2 <- lmer(speed ~ river + length +(1|meanflow)+(1|code), data4,
    control=lmerControl(check.nobs.vs.nlev = "ignore",
     check.nobs.vs.rankZ = "ignore",
     check.nobs.vs.nRE="ignore"))

这里的方差被大致分成三等分：

 VarCorr(model2)
 ##  Groups   Name        Std.Dev.
 ##  meanflow (Intercept) 0.035354
 ##  code     (Intercept) 0.032898
 ##  Residual             0.033590

如果我们只使用一种（仍然不合适的）随机效应，

model0 <- lmer(speed ~ river + length +(1|meanflow), data4,
    control=lmerControl(check.nobs.vs.nlev = "ignore",
     check.nobs.vs.rankZ = "ignore",
     check.nobs.vs.nRE="ignore"))

现在方差被精确地分成两半：

VarCorr(model0)
##  Groups   Name        Std.Dev.
##  meanflow (Intercept) 0.041596
##  Residual             0.041596

【讨论】：

好的，我现在可以删除模型的“代码”部分，我了解它是如何工作的。通过将“平均流量”作为随机效应，我希望这可以消除模型中“平均流量”引起的变化，从而可以评估“河流”和“长度”的直接影响。
我认为只需将meanflow 包含为固定效果。

【解决方案2】：

您可以使用 minque 包，一个用于线性混合模型的 R 包来解决您的问题：

  library(minque)
  OUT<-lmm(speed ~ river + length+1|meanflow+code,method=c("reml"),data=data4)
  OUT[[1]]$Var
  OUT[[1]]$FixedEffect
  OUT[[1]]$RandomEffect

有时 lme4 无法适应某些模型。

【讨论】：

我不喜欢这个答案，因为它忽略了模型公式有问题的事实。