我怎樣才能讓 lme4::glmer 運行

Question

我有這個 csv 文件

名稱	ID	年	游客	反饋
阿努比斯	1個	2014	真的	0:01:17
雅典娜	2個	2014	錯誤的	0:01:53

我正在嘗試使用 lme4 運行一般線性混合 model 但我正在努力讓它運行。

我的代碼是

library(tidyverse)
library(lme4)
library(lattice)

Feedbout=read.csv("Av_Fe_Bout3.csv")
head(Feedbout)

Feedbout$Tourist=as.logical(Feedbout$Tourist)
Av_Fe_Bout3 <- glmer(Feed.bout ~ Year + Tourist + Year:Tourist + (1|ID), family = poisson, data = Feedbout)
summary(Av_Fe_Bout3)

我不斷得到

Error in mkRespMod(fr, family = family) : 
  response must be numeric or factor
In addition: Warning message:
Some predictor variables are on very different scales: consider rescaling

我在沒有家庭的情況下嘗試過，也嘗試過二項式。

如果我更改任何其他內容， Feed.bout將更改為NA並且我不知道如何將其更改回來。

我認為問題出在Feed.bout但我不確定該怎么做。

我也試過跑步

read.zoo(file = "Av_Fe_Bout3.csv", format = "%H:%M:%S")

嘗試更改Feed.bout的格式，但它只是說

Error in read.csv.zoo(file = "Av_Fe_Bout3.csv", format = "%H:%M:%S") : 
  could not find function "read.csv.zoo"

Answer 1

很難模仿您所做的事情，但在這里我將提供一個使用二進制數據集的工作示例，以向您展示我認為可能是問題所在。 首先，我將加載必要的包。 然后我會設置一個隨機種子，這樣你就可以嘗試我在這里的東西（希望在你自己的數據上）。

#### Load Libraries and Random Seed ####
library(lmerTest)
library(tidyverse)
set.seed(123)

從這里開始，無需將結果轉換為該特定數據集的因子或數值，但我這樣做只是為了向您展示如何操作。 我還創建了一個名為fake的模擬值以添加到lme4的 Verbagg 數據中，因為此數據集中沒有其他數字預測變量。 由於有 7585 個觀測值，我在下面模擬了同樣多的觀測值。

#### Convert Variable to Factor ####
VerbAgg <- VerbAgg %>% 
  mutate(r2 = factor(r2),
         fake = rnorm(n=7584))

然后我一如既往地適合model。 在這種情況下，我將scale function 放在交互項中的兩個數字預測變量周圍nAGQ參數僅在此處運行以加快運行速度，因為此數據通常擬合起來很慢。

#### Fit Data to Model ####
fit <- glmer(r2 
             ~ scale(Anger)*scale(fake)
             + (1|id) 
             + (1|item),
        family = binomial,
        data = VerbAgg,
        nAGQ=0L)

最后從那里你只需用summary(fit)總結 model ，它給你這個：

Generalized linear mixed model fit by maximum likelihood (Adaptive
  Gauss-Hermite Quadrature, nAGQ = 0) [glmerMod]
 Family: binomial  ( logit )
Formula: r2 ~ scale(Anger) * scale(fake) + (1 | id) + (1 | item)
   Data: VerbAgg

     AIC      BIC   logLik deviance df.resid 
  8203.1   8244.7  -4095.5   8191.1     7578 

Scaled residuals: 
    Min      1Q  Median      3Q     Max 
-5.8761 -0.6234 -0.1787  0.6240 14.0824 

Random effects:
 Groups Name        Variance Std.Dev.
 id     (Intercept) 1.815    1.347   
 item   (Intercept) 1.275    1.129   
Number of obs: 7584, groups:  id, 316; item, 24

Fixed effects:
                          Estimate Std. Error z value Pr(>|z|)   
(Intercept)              -0.155244   0.244350  -0.635  0.52521   
scale(Anger)              0.261487   0.081500   3.208  0.00133 **
scale(fake)               0.001112   0.028515   0.039  0.96890   
scale(Anger):scale(fake)  0.026135   0.029000   0.901  0.36747   
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Correlation of Fixed Effects:
            (Intr) scl(A) scl(f)
scale(Angr)  0.000              
scale(fake)  0.002 -0.003       
scl(Ang):() -0.001  0.011  0.001