我如何克服执行lmer函数时遇到的错误：if（REML）p else 0L中的错误：参数不能解释为逻辑？

Question

我已经检查了这篇文章中讨论的防御方法，以防止出现此错误，但仍然无法解决。

model<-lmer(Proportion~Plot+Treatment+(1|Plot/Treatment),binomial,data=data)

if（REML）p else 0L中的错误：参数不可解释为逻辑

Answer 1

tl; dr您应该改用glmer 。 因为您尚未命名参数，所以R会按位置（顺序）对其进行解释。 lmer的第三个参数是REML ，因此R认为您指定的是REML=binomial ，这不是合法值。 family 是 glmer的第三个参数，因此，如果您使用glmer ，这会起作用（类似：请参见下文），但是如果有可能混淆，通常更安全地明确命名参数。

一个可重现的示例会很好，但是：

model <- glmer(Proportion~Plot+Treatment+(1|Plot/Treatment),
    family=binomial,data=data)

是一个起点。 我预计会有更多问题：

• 如果您的数据不是伯努利（0/1）（我猜不是因为您的回答称为Proportion ），那么您需要包括每次试验中采样的总数，例如通过指定weights参数
• 您的模型中的Plot和Treatment既是固定的，又是随机效果的分组变量； 那行不通。 我看到Crawley 确实在R书 （google图书链接） 中建议了这一点 。

不要按照他的建议去做，这没有任何意义 。 复制：

library(RCurl)
url <- "https://raw.githubusercontent.com/jejoenje/Crawley/master/Data/insects.txt"
dd <- read.delim(text=getURL(url),header=TRUE)
## fix typo because I'm obsessive:
levels(dd$treatment) <- c("control","sprayed") 
library(lme4)
model <- glmer(cbind(dead,alive)~block+treatment+(1|block/treatment),
               data=dd,family=binomial)

如果我们看一下组间标准差，我们会发现两个组的标准差均为零。 对于block它正好为零，因为block已包含在固定效果中。 它不一定是针对treatment:block相互作用（我们具有treatment ，但没有固定作用下的block与treatment之间的相互作用），但这是因为治疗之间的差异很小：

VarCorr(model)
##  Groups          Name        Std.Dev.  
##  treatment:block (Intercept) 2.8736e-09
##  block           (Intercept) 0.0000e+00

从概念上讲，将块视为随机效果更有意义：

dd <- transform(dd,prop=dead/(alive+dead),ntot=alive+dead)
model1 <- glmer(prop~treatment+(1|block/treatment),
               weights=ntot,
               data=dd,family=binomial)
summary(model)
## ...
## Formula: prop ~ treatment + (1 | block/treatment)
## Random effects:
##  Groups          Name        Variance Std.Dev.
##  treatment:block (Intercept) 0.02421  0.1556  
##  block           (Intercept) 0.18769  0.4332  
## Number of obs: 48, groups:  treatment:block, 12; block, 6
## 
## Fixed effects:
##                  Estimate Std. Error z value Pr(>|z|)    
## (Intercept)       -1.1640     0.2042  -5.701 1.19e-08 ***
## treatmentsprayed   3.2434     0.1528  21.230  < 2e-16 ***

有时您可能希望将其视为固定效果：

model2 <- update(model1,.~treatment+block+(1|block:treatment))
summary(model2)
## Random effects:
##  Groups          Name        Variance  Std.Dev. 
##  block:treatment (Intercept) 5.216e-18 2.284e-09
## Number of obs: 48, groups:  block:treatment, 12
## 
## Fixed effects:
##                  Estimate Std. Error z value Pr(>|z|)    
## (Intercept)       -0.5076     0.0739  -6.868 6.50e-12 ***
## treatmentsprayed   3.2676     0.1182  27.642  < 2e-16 ***

现在，逐块处理的交互方差实际上为零（因为如果将块视为固定效应，则块会吸收更多的可变性）。 但是，估计的喷涂效果几乎相同。

如果您担心过度分散，则可以添加单个级别的随机效果（或使用MASS::glmmPQL ； lme4不再适合于拟似然模型）

dd <- transform(dd,obs=factor(seq(1:nrow(dd))))
model3 <- update(model1,.~.+(1|obs))

## Random effects:
##  Groups          Name        Variance  Std.Dev. 
##  obs             (Intercept) 4.647e-01 6.817e-01
##  treatment:block (Intercept) 1.138e-09 3.373e-05
##  block           (Intercept) 1.813e-01 4.258e-01
## Number of obs: 48, groups:  obs, 48; treatment:block, 12; block, 6
## 
## Fixed effects:
##                  Estimate Std. Error z value Pr(>|z|)    
## (Intercept)       -1.1807     0.2411  -4.897 9.74e-07 ***
## treatmentsprayed   3.3481     0.2457  13.626  < 2e-16 ***

观察水平的影响已有效取代了逐块治疗（目前接近零）。 同样，估计的喷涂效果几乎没有改变（但是其标准误差是原来的两倍...）