费舍尔评分未能从最初的估计收敛。？答案

【问题标题】：Fisher Scoring fails to converge from the initial estimates.?费舍尔评分未能从最初的估计收敛。？
【发布时间】：2018-03-08 14:50:28
【问题描述】：

head(quart)
str(quart)
#PDB    PMTB   RNB y
#1 391204.2 1030127 -3.10 0
#2 396498.0 1066861  1.60 0
#'data.frame':  55 obs. of  4 variables:
#$ PDB : num  391204 396498 399217 411447 399135 ...
#$ PMTB: num  1030127 1066861 1165360 1190639 1183382 ...
#$ RNB : num  -3.1 1.6 3.1 0.83 0.3 0.6 -1.6 1.04 3.5 2.2 ...
#$ y   : int  0 0 0 0 0 0 0 0 0 0 ...
glmMod<-glm(formula = y~PMTB+RNB, data = quart, family = binomial(link 
logit),na.action = na.omit,  x=TRUE)
x<-glmMod$x
X<-as.matrix(x)
y1<-quart$y
n1<-rep(1, length(quart$y))
y<-cbind(y1,n1-y1)
Y<-as.matrix(y)
library(glarma)
glarMod<-glarma(y,x,type="Bin",phiLags = c(1:2),method = "FS", maxit=100, 
grad = 1e-6) #NotError
glarMod<-glarma(y,x,type="Bin",thetaLags = c(1:2),method = "FS", maxit=100, 
grad = 1e-6) #Not Error
glarMod<-glarma(y,x,type="Bin",phiLags = c(1:4),method = "FS", maxit=100, 
grad = 1e-6) #Error in glarma(y, x, type = "Bin", phiLags = c(1:4), method = 
"FS", maxit 100, :  Fisher Scoring fails to converge from the initial 
estimates.

glarMod<-glarma(y,x,type="Bin",phiLags = c(1:4),thetaLags = c(1:4), method 
="FS",maxit=100, grad = 1e-6) #Error in GL$cov %*% GL$ll.d :   requires 
numeric/complex matrix/vector arguments

我在最后两行中得到一个错误。我尝试在我的格拉玛模型中进行一些组合。当我尝试 AR 和 MA 的高滞后时，我发现了错误

【问题讨论】：

你遇到了什么错误？
当我尝试使用自回归 (AR) 和移动平均 (MA) 组合运行模型时，Glarma 的包会出错。错误是： 1. Reqierue 数字/复数矩阵/向量参数 2. Fisher Scoring 无法从初始估计收敛。但是，如果我尝试仅使用 AR 或 MA 运行。这是工作。

标签： r

【解决方案1】：

从广义上讲，问题在于AR和MA模型组件之间的共线性，即phiLags和thetaLags的选择。每当这些参数共享相似的组件（代码中的 1、2、3、4）时，就会引入相互依赖的模型参数。当要估计这些模型参数时，在基础数值优化过程中会出现收敛问题。

因此，phiLags 和thetaLags 的列表/向量分量必须不重叠。这就是为什么 phiLags 和 thetaLags 在 GLARMA 包中被指定为列表/向量的原因，而不是像大多数类似 ARMA 的情况那样按照最大顺序 p 和 q型号规格。其他图书馆。不幸的是，https://cran.r-project.org/web/packages/glarma/glarma.pdf 或小插图中没有充分记录这一点。

总而言之，您只需选择哪个组件获得哪个延迟。例如， phiLags = c(1:2), thetaLags = c(3:4) 有效，因为这些集合不重叠。这同样适用于 phiLags = c(1,3), thetaLags = c(2,4)等

此外，这解释了为什么将所有滞后分别分配给 MA 或 AR 组件时没有出现收敛错误。

但是，请注意，当涉及到二项式响应时，GLARMA 模型在数值上本质上是不稳定的，就像您的情况一样。因此，在选择适当的滞后时需要非常小心和耐心。

【讨论】：