R：自举混合模型二元logistic回归

我需要引导我的混合模型二元逻辑回归。该模型本身运行良好，并得到了专家朋友的批准和纠正，但自举版本存在缺陷。引导版本之前已经被CrossValidated的另一位专家朋友批准，但后来mods删除了我的帖子，说它不属于CrossValidated。但同样的代码恰好适用于简单的固定效应多元逻辑回归，尽管在这种情况下也有许多类似于此处警告的警告[除了针对lmer函数的单一警告：在mer_finalizeans:false convergence 8中]

您能告诉我错误在哪里以及如何调试它吗

非常感谢

我的代码是：我暂时将复制数保持得太低，无法调试代码：

library(boot)
library(lme4)

mixedGLM <- function(formula, data, indices) {
        d <- data[indices, ]
        (fit <- lmer(DV ~ (Demo1 +Demo2+Demo3 +Demo4 +Trt)^2 
                     + (1 | PatientID) + (0 + Trt | PatientID)
                     , family=binomial(logit), d))
        return(coef(fit))
      }

results <- boot(data=MixedModelData4 , statistic = mixedGLM, R= 2, formula= DV~Demo1 +Demo2 +Demo3 +Demo4 +Trt)

我不知道如何调试它，或者问题是否出在我的数据集上？我应该补充一点，我的数据集对所有变量都是以均值为中心的。DV只会被否定，因为均值为中心不允许R工作，而对二进制结果进行否定也会起到同样的作用

-----------------------------更新-------------------------------

我按照Henrik的建议将方法的PB值更改为LRT，拟合模型的过程已经完成，但获取p值的过程并未开始：

> results4 <- mixed(DV ~ (Demo1 +Demo2+Demo3 +Demo4 +Trt)^2 
+                   + (0 + Trt | PatientID),
+                   family=binomial(logit), data = MixedModelData4,
+                   method = "LRT", args.test = list(nsim = 2))
Fitting 17 lmer() models:
[.................]
Warning message:
In mixed(DV ~ (Demo1 + Demo2 + Demo3 + Demo4 + Trt)^2 + (0 + Trt |  :
  Due to missing values, reduced number of observations to 90

---

事实证明，在使用LRT时，p值不是通过自举获得的。因此，虽然没有自举，但结果已经准备好了。

如果您想从带有参数自举的GLMM获得p值，可以使用来自包afex的混合函数，该函数通过pbkrtest:：PBmodcomp获得：

您甚至可以首先定义一个本地集群，即使用多个核心：

cl <- makeCluster(rep("localhost", 4))
results <- mixed(DV ~ (Demo1 +Demo2+Demo3 +Demo4 +Trt)^2 
                     + (1 | PatientID) + (0 + Trt | PatientID),
                     family=binomial(logit), data = d,
                     method = "PB", args.test = list(nsim = 1000, cl = cl))

最好安装所有三个软件包的开发版本，因为当前版本的pbkrtest是为lme4 1.0设计的，而lme4 1.0尚未在cran上：

r-forge的afex:install.packagesafex，repos=http://R-Forge.R-project.org PBKR测试来自： 来自github的lme4：

---

如果您想从带有参数引导的GLMM获得p值，可以使用afex包中的函数mixed，该函数通过pbkrtest:：PBmodcomp:

您甚至可以首先定义一个本地集群，即使用多个核心：

cl <- makeCluster(rep("localhost", 4))
results <- mixed(DV ~ (Demo1 +Demo2+Demo3 +Demo4 +Trt)^2 
                     + (1 | PatientID) + (0 + Trt | PatientID),
                     family=binomial(logit), data = d,
                     method = "PB", args.test = list(nsim = 1000, cl = cl))

最好安装所有三个软件包的开发版本，因为当前版本的pbkrtest是为lme4 1.0设计的，而lme4 1.0尚未在cran上：

r-forge的afex:install.packagesafex，repos=http://R-Forge.R-project.org PBKR测试来自： 来自github的lme4：

---

两条快速评论：？引导-定义统计“传递的第一个参数将始终是原始数据。第二个参数将是索引向量”。此外，mixedGLM参数中的公式在mixedGLM中未定义。如果以长格式从数据中采样，将破坏重复度量中的相关性。非常感谢。您是吗u谈论这句话：结果请注意，我没有真正的重复测量，而是一个伪复制。我的患者在长格式数据集中重复。所以我不知道重复测量之间是否有真正的相关性或100%的伪相关性？我的演示变量在患者级别，但Trt治疗在患者级别治疗水平，对每名服用真实药物和安慰剂的患者重复……有关详细信息，请查看该链接。如果您定义了mixedGLM函数，则您的第一个参数是“公式”，但您尚未在mixedGLM函数体中定义“公式”。定义函数时，第一个参数应为实际数据&seco第二个指标。如果你从长格式中取样，你可能在第一次干预时，每个受试者在时间上只能得到一个测量值。最好在受试者级别转换为宽格式和取样。一些评论：1查看即将发布的lme4开发版本是一个非常好的主意，该版本具有一些内置功能[bootMer和confint…，method=boot]还有2个refit函数，它大大加快了速度；3在一些引导复制中经常会看到失败。下面是一些简短的注释：？引导-定义统计信息“传递的第一个参数始终是原始数据。第二个参数将是索引向量”。此外，mixedGLM参数中的公式在mixedGLM中没有定义。如果如果你从长格式的数据中取样，你将破坏重复测量中的相关性。非常感谢。你是在谈论这样的陈述：结果请注意，我没有真正的重复测量，而是一个伪复制。我的患者在长格式数据集中重复。所以我不知道我是否与即使是重复测量或100%伪相关性？我的演示变量在患者层面，但Trt治疗是在治疗层面，对每个服用真实药物和安慰剂的患者重复……有关详细信息，请查看该链接。在定义mixedGLM功能的地方，您可以

---

r第一个参数是“公式”，但您尚未在mixedGLM函数体中定义“公式”。定义函数时，第一个参数应该是实际数据，第二个参数是索引。如果你从长格式中取样，你可能在第一次干预时，每个受试者只能得到一次测量。最好在主题级别转换为广域和示例。一些评论：1查看即将发布的lme4开发版本，这将是一个非常好的主意，它具有一些内置功能[bootMer和confint…，method=boot]，以及2可以大大加快速度的改装功能；3在一些引导复制中经常会看到失败。我只能说太棒了！：我正在安装R3并尝试您友好地链接到的软件包。这个问题是已知的，pbkrtest的作者正在解决它：但这意味着，您的模型/数据并没有真正表现良好。它在特定型号上失败了吗？或者尝试method=LRT而不是PB，并仅在有趣的比较中使用PBmodcomp。顺便说一句，method=LRT不基于参数引导计算p值，而是基于似然比测试。@vic如果使用method=LRT，则不是引导。只有method=PB使用引导。如果你使用的是大于1000的足够大的样本，这就是你的引导过程。@Vic正如我所说，pbkrtest的作者知道这个问题，并且正在研究它，但我不知道什么时候可以解决这个问题。因此，您可以从CRAN档案中使用旧版本的lme4<1和pbkrtest 0.3.4:。这应该更有效。我只能说太棒了！：我正在安装R3并尝试您友好地链接到的软件包。这个问题是已知的，pbkrtest的作者正在解决它：但这意味着，您的模型/数据并没有真正表现良好。它在特定型号上失败了吗？或者尝试method=LRT而不是PB，并仅在有趣的比较中使用PBmodcomp。顺便说一句，method=LRT不基于参数引导计算p值，而是基于似然比测试。@vic如果使用method=LRT，则不是引导。只有method=PB使用引导。如果你使用的是大于1000的足够大的样本，这就是你的引导过程。@Vic正如我所说，pbkrtest的作者知道这个问题，并且正在研究它，但我不知道什么时候可以解决这个问题。因此，您可以从CRAN档案中使用旧版本的lme4<1和pbkrtest 0.3.4:。这应该更有效。

Fitting 17 lmer() models:
[.................]
Obtaining 16 p-values:
[....
Error: pwrssUpdate did not converge in 30 iterations
In addition: Warning messages:
1: In mixed(DV ~ (Demo1 + Demo2 + Demo3 + Demo4 + Trt)^2 + (0 + Trt |  :
  Due to missing values, reduced number of observations to 90
2: In (function (fn, par, lower = rep.int(-Inf, n), upper = rep.int(Inf,  :
  failure to converge in 10000 evaluations
3: In (function (fn, par, lower = rep.int(-Inf, n), upper = rep.int(Inf,  :
  failure to converge in 10000 evaluations
4: In (function (fn, par, lower = rep.int(-Inf, n), upper = rep.int(Inf,  :
  failure to converge in 10000 evaluations
5: In (function (fn, par, lower = rep.int(-Inf, n), upper = rep.int(Inf,  :
  failure to converge in 10000 evaluations
6: In (function (fn, par, lower = rep.int(-Inf, n), upper = rep.int(Inf,  :
  failure to converge in 10000 evaluations

> results4 <- mixed(DV ~ (Demo1 +Demo2+Demo3 +Demo4 +Trt)^2 
+                   + (0 + Trt | PatientID),
+                   family=binomial(logit), data = MixedModelData4,
+                   method = "LRT", args.test = list(nsim = 2))
Fitting 17 lmer() models:
[.................]
Warning message:
In mixed(DV ~ (Demo1 + Demo2 + Demo3 + Demo4 + Trt)^2 + (0 + Trt |  :
  Due to missing values, reduced number of observations to 90

library(afex)
results <- mixed(DV ~ (Demo1 +Demo2+Demo3 +Demo4 +Trt)^2 
                     + (1 | PatientID) + (0 + Trt | PatientID),
                     family=binomial(logit), data = d,
                     method = "PB", args.test = list(nsim = 1000))

cl <- makeCluster(rep("localhost", 4))
results <- mixed(DV ~ (Demo1 +Demo2+Demo3 +Demo4 +Trt)^2 
                     + (1 | PatientID) + (0 + Trt | PatientID),
                     family=binomial(logit), data = d,
                     method = "PB", args.test = list(nsim = 1000, cl = cl))