我如何克服執行lmer函數時遇到的錯誤：if（REML）p else 0L中的錯誤：參數不能解釋為邏輯？

Question

我已經檢查了這篇文章中討論的防御方法，以防止出現此錯誤，但仍然無法解決。

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

if（REML）p else 0L中的錯誤：參數不可解釋為邏輯

Answer 1

tl; dr您應該改用glmer 。 因為您尚未命名參數，所以R會按位置（順序）對其進行解釋。 lmer的第三個參數是REML ，因此R認為您指定的是REML=binomial ，這不是合法值。 family 是 glmer的第三個參數，因此，如果您使用glmer ，這會起作用（類似：請參見下文），但是如果有可能混淆，通常更安全地明確命名參數。

一個可重現的示例會很好，但是：

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

是一個起點。 我預計會有更多問題：

• 如果您的數據不是伯努利（0/1）（我猜不是因為您的回答稱為Proportion ），那么您需要包括每次試驗中采樣的總數，例如通過指定weights參數
• 您的模型中的Plot和Treatment既是固定的，又是隨機效果的分組變量； 那行不通。 我看到Crawley 確實在R書 （google圖書鏈接） 中建議了這一點 。

不要按照他的建議去做，這沒有任何意義 。 復制：

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)

如果我們看一下組間標准差，我們會發現兩個組的標准差均為零。 對於block它正好為零，因為block已包含在固定效果中。 它不一定是針對treatment:block相互作用（我們具有treatment ，但沒有固定作用下的block與treatment之間的相互作用），但這是因為治療之間的差異很小：

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

從概念上講，將塊視為隨機效果更有意義：

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 ***

有時您可能希望將其視為固定效果：

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 ***

現在，逐塊處理的交互方差實際上為零（因為如果將塊視為固定效應，則塊會吸收更多的可變性）。 但是，估計的噴塗效果幾乎相同。

如果您擔心過度分散，則可以添加單個級別的隨機效果（或使用MASS::glmmPQL ； lme4不再適合於擬似然模型）

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 ***

觀察水平的影響已有效取代了逐塊治療（目前接近零）。 同樣，估計的噴塗效果幾乎沒有改變（但是其標准誤差是原來的兩倍...）