Предупреждающие сообщения при попытке запустить мерцание в r

Дорогое сообщество,

В настоящее время я пытаюсь повторно запустить старый анализ данных, модель биномиального глянца (с начала 2013 года) в последней версии R и lme4, потому что у меня больше нет старых версий R и lme4. Тем не менее, у меня есть аналогичные предупреждающие сообщения как предыдущие потоки dmartin и carine (первое предупреждение) и другие потоки вне (предупреждения 2 и 3). Эти предупреждающие сообщения не отображались в более ранней версии R и lme4, которые я использовал, поэтому она должна иметь какое-то отношение к последним обновлениям?

Подмножество моего набора данных:

df <- structure(list(SUR.ID = structure(c(1L, 1L, 2L, 2L, 3L, 3L, 1L, 1L, 2L, 2L, 3L, 3L, 1L, 1L, 2L, 2L, 3L, 3L, 1L, 1L, 2L, 2L, 3L, 3L, 1L, 1L, 2L, 2L, 3L, 3L, 1L, 1L, 2L, 2L, 3L, 3L, 1L, 1L, 2L, 2L, 3L, 3L, 1L, 1L, 2L, 2L, 3L, 3L, 1L, 1L, 2L, 2L, 3L, 3L, 1L, 1L, 2L, 2L, 3L, 3L, 1L, 1L, 2L, 2L, 3L, 3L, 1L, 1L, 2L, 2L, 3L, 3L, 1L, 1L, 2L, 2L, 3L, 3L, 1L, 1L, 2L, 2L, 3L, 3L, 1L, 1L, 2L, 2L, 3L, 3L, 1L, 1L, 2L, 2L, 3L, 3L, 1L, 1L, 2L, 2L, 3L, 3L, 1L, 1L, 2L, 2L, 3L, 3L, 1L, 1L, 2L, 2L, 3L, 3L, 1L, 1L, 2L, 2L, 3L, 3L, 1L, 1L, 2L, 2L, 3L, 3L, 1L, 1L, 2L, 2L, 3L, 3L, 1L, 1L, 2L, 2L, 3L, 3L, 1L, 1L, 2L, 2L, 3L, 3L, 1L, 1L, 2L, 2L, 3L, 3L, 1L, 1L, 2L, 2L, 3L, 3L, 1L, 1L, 2L, 2L, 3L, 3L, 1L, 1L, 2L, 2L, 3L, 3L, 1L, 1L, 2L, 2L, 3L, 3L, 1L, 1L, 2L, 2L, 3L, 3L, 1L, 1L, 2L, 2L, 3L, 3L, 1L, 1L, 2L, 2L, 3L, 3L, 1L, 1L, 2L, 2L, 3L, 3L, 1L, 1L, 2L, 2L, 3L, 3L, 1L, 1L, 2L, 2L, 3L, 3L, 1L, 1L, 2L, 2L, 3L, 3L, 1L, 1L, 2L, 2L), .Label = c("10185", "10186", "10250"), class = "factor"), tm = structure(c(1L, 2L, 2L, 1L, 2L, 1L, 2L, 1L, 2L, 1L, 1L, 2L, 2L, 1L, 2L, 1L, 2L, 1L, 1L, 2L, 2L, 1L, 1L, 2L, 1L, 2L, 1L, 2L, 1L, 2L, 1L, 2L, 2L, 1L, 1L, 2L, 1L, 2L, 2L, 1L, 1L, 2L, 2L, 1L, 2L, 1L, 1L, 2L, 2L, 1L, 1L, 2L, 1L, 2L, 1L, 2L, 2L, 1L, 1L, 2L, 2L, 1L, 2L, 1L, 2L, 1L, 2L, 1L, 2L, 1L, 2L, 1L, 2L, 1L, 2L, 1L, 2L, 1L, 2L, 1L, 2L, 1L, 2L, 1L, 2L, 1L, 2L, 1L, 2L, 1L, 2L, 1L, 2L, 1L, 2L, 1L, 2L, 1L, 2L, 1L, 2L, 1L, 2L, 1L, 2L, 1L, 2L, 1L, 2L, 1L, 2L, 1L, 2L, 1L, 2L, 1L, 2L, 1L, 2L, 1L, 2L, 1L, 1L, 2L, 2L, 1L, 1L, 2L, 2L, 1L, 2L, 1L, 2L, 1L, 2L, 1L, 2L, 1L, 2L, 1L, 2L, 1L, 2L, 1L, 2L, 1L, 2L, 1L, 2L, 1L, 2L, 1L, 2L, 1L, 2L, 1L, 2L, 1L, 2L, 1L, 2L, 1L, 2L, 1L, 2L, 1L, 2L, 1L, 2L, 1L, 2L, 1L, 2L, 1L, 2L, 1L, 2L, 1L, 2L, 1L, 2L, 1L, 2L, 1L, 2L, 1L, 2L, 1L, 2L, 1L, 2L, 1L, 1L, 2L, 1L, 2L, 2L, 1L, 1L, 2L, 1L, 2L, 1L, 2L, 1L, 2L, 1L, 2L, 1L, 2L, 1L, 2L, 1L, 2L, 1L, 2L, 1L, 2L, 1L, 2L ), .Label = c("CT", "PT-04"), class = "factor"), ValidDetections = c(0L, 0L, 6L, 5L, 1L, 7L, 0L, 0L, 5L, 8L, 7L, 3L, 0L, 0L, 1L, 4L, 1L, 0L, 0L, 0L, 0L, 1L, 2L, 1L, 0L, 0L, 0L, 0L, 2L, 0L, 0L, 0L, 3L, 5L, 5L, 4L, 0L, 0L, 6L, 7L, 6L, 5L, 0L, 0L, 0L, 1L, 2L, 1L, 0L, 0L, 0L, 0L, 1L, 0L, 0L, 0L, 0L, 0L, 0L, 0L, 23L, 21L, 15L, 28L, 11L, 27L, 22L, 31L, 29L, 30L, 32L, 45L, 18L, 19L, 29L, 26L, 32L, 43L, 7L, 5L, 7L, 4L, 6L, 10L, 0L, 0L, 0L, 0L, 0L, 0L, 24L, 22L, 19L, 23L, 21L, 34L, 9L, 13L, 30L, 25L, 33L, 21L, 4L, 18L, 22L, 29L, 11L, 38L, 2L, 7L, 5L, 7L, 6L, 9L, 0L, 0L, 0L, 0L, 0L, 0L, 23L, 20L, 24L, 26L, 29L, 34L, 6L, 7L, 5L, 4L, 6L, 10L, 0L, 0L, 3L, 0L, 1L, 6L, 0L, 0L, 0L, 1L, 1L, 1L, 0L, 0L, 0L, 2L, 0L, 5L, 0L, 0L, 0L, 0L, 0L, 1L, 0L, 0L, 0L, 3L, 1L, 11L, 0L, 0L, 2L, 5L, 1L, 2L, 0L, 0L, 0L, 3L, 0L, 4L, 0L, 0L, 0L, 2L, 0L, 2L, 0L, 0L, 0L, 0L, 0L, 0L, 0L, 0L, 4L, 2L, 5L, 6L, 6L, 2L, 3L, 0L, 0L, 1L, 3L, 0L, 0L, 0L, 0L, 0L, 0L, 0L, 0L, 0L, 0L, 0L, 21L, 12L, 15L, 8L, 23L, 7L, 2L, 2L, 1L, 1L), CountDetections = c(0L, 0L, 7L, 5L, 3L, 7L, 0L, 0L, 5L, 8L, 8L, 4L, 0L, 0L, 1L, 4L, 1L, 1L, 0L, 0L, 0L, 1L, 3L, 3L, 0L, 0L, 1L, 0L, 2L, 4L, 0L, 0L, 4L, 5L, 5L, 5L, 0L, 0L, 6L, 7L, 7L, 5L, 0L, 0L, 0L, 1L, 2L, 2L, 0L, 0L, 0L, 0L, 1L, 1L, 0L, 0L, 0L, 0L, 0L, 2L, 23L, 21L, 18L, 28L, 11L, 27L, 23L, 31L, 29L, 30L, 34L, 45L, 19L, 19L, 29L, 26L, 32L, 43L, 7L, 5L, 7L, 4L, 6L, 10L, 0L, 0L, 0L, 0L, 0L, 0L, 24L, 22L, 19L, 23L, 21L, 34L, 10L, 15L, 30L, 25L, 34L, 24L, 4L, 19L, 23L, 29L, 13L, 38L, 2L, 7L, 5L, 7L, 7L, 9L, 0L, 0L, 0L, 0L, 0L, 0L, 23L, 20L, 24L, 26L, 29L, 34L, 6L, 7L, 5L, 4L, 6L, 10L, 0L, 0L, 4L, 1L, 1L, 7L, 0L, 0L, 0L, 3L, 2L, 1L, 0L, 0L, 0L, 3L, 0L, 5L, 0L, 0L, 2L, 2L, 0L, 1L, 0L, 0L, 0L, 5L, 1L, 11L, 0L, 0L, 3L, 5L, 1L, 2L, 0L, 0L, 2L, 3L, 0L, 6L, 0L, 0L, 0L, 3L, 0L, 3L, 0L, 0L, 1L, 0L, 0L, 1L, 0L, 0L, 6L, 2L, 5L, 6L, 7L, 4L, 5L, 1L, 0L, 3L, 3L, 0L, 0L, 0L, 0L, 0L, 0L, 0L, 0L, 0L, 0L, 0L, 23L, 12L, 16L, 10L, 23L, 10L, 2L, 2L, 1L, 1L), FalseDetections = c(0L, 0L, 1L, 0L, 2L, 0L, 0L, 0L, 0L, 0L, 1L, 1L, 0L, 0L, 0L, 0L, 0L, 1L, 0L, 0L, 0L, 0L, 1L, 2L, 0L, 0L, 1L, 0L, 0L, 4L, 0L, 0L, 1L, 0L, 0L, 1L, 0L, 0L, 0L, 0L, 1L, 0L, 0L, 0L, 0L, 0L, 0L, 1L, 0L, 0L, 0L, 0L, 0L, 1L, 0L, 0L, 0L, 0L, 0L, 2L, 0L, 0L, 3L, 0L, 0L, 0L, 1L, 0L, 0L, 0L, 2L, 0L, 1L, 0L, 0L, 0L, 0L, 0L, 0L, 0L, 0L, 0L, 0L, 0L, 0L, 0L, 0L, 0L, 0L, 0L, 0L, 0L, 0L, 0L, 0L, 0L, 1L, 2L, 0L, 0L, 1L, 3L, 0L, 1L, 1L, 0L, 2L, 0L, 0L, 0L, 0L, 0L, 1L, 0L, 0L, 0L, 0L, 0L, 0L, 0L, 0L, 0L, 0L, 0L, 0L, 0L, 0L, 0L, 0L, 0L, 0L, 0L, 0L, 0L, 1L, 1L, 0L, 1L, 0L, 0L, 0L, 2L, 1L, 0L, 0L, 0L, 0L, 1L, 0L, 0L, 0L, 0L, 2L, 2L, 0L, 0L, 0L, 0L, 0L, 2L, 0L, 0L, 0L, 0L, 1L, 0L, 0L, 0L, 0L, 0L, 2L, 0L, 0L, 2L, 0L, 0L, 0L, 1L, 0L, 1L, 0L, 0L, 1L, 0L, 0L, 1L, 0L, 0L, 2L, 0L, 0L, 0L, 1L, 2L, 2L, 1L, 0L, 2L, 0L, 0L, 0L, 0L, 0L, 0L, 0L, 0L, 0L, 0L, 0L, 0L, 2L, 0L, 1L, 2L, 0L, 3L, 0L, 0L, 0L, 0L), replicate = structure(c(1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L), .Label = c("1", "2"), class = "factor"), Area = structure(c(1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L ), .Label = c("Drug Channel", "Finger"), class = "factor"), Day = structure(c(1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 3L, 3L, 3L, 3L, 3L, 3L, 3L, 3L, 3L, 3L, 3L, 3L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 5L, 5L, 5L, 5L, 5L, 5L, 5L, 5L, 5L, 5L, 5L, 5L, 5L, 5L, 5L, 5L, 5L, 5L, 5L, 5L, 5L, 5L, 5L, 5L, 5L, 5L, 5L, 5L ), .Label = c("03/06/13", "2/22/13", "2/26/13", "2/27/13", "3/14/13"), class = "factor"), R.det = c(0, 0, 0.857142857, 1, 0.333333333, 1, 0, 0, 1, 1, 0.875, 0.75, 0, 0, 1, 1, 1, 0, 0, 0, 0, 1, 0.666666667, 0.333333333, 0, 0, 0, 0, 1, 0, 0, 0, 0.75, 1, 1, 0.8, 0, 0, 1, 1, 0.857142857, 1, 0, 0, 0, 1, 1, 0.5, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 0, 1, 1, 0.833333333, 1, 1, 1, 0.956521739, 1, 1, 1, 0.941176471, 1, 0.947368421, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 0, 0, 0, 0, 0, 0, 1, 1, 1, 1, 1, 1, 0.9, 0.866666667, 1, 1, 0.970588235, 0.875, 1, 0.947368421, 0.956521739, 1, 0.846153846, 1, 1, 1, 1, 1, 0.857142857, 1, 0, 0, 0, 0, 0, 0, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 0, 0, 0.75, 0, 1, 0.857142857, 0, 0, 0, 0.333333333, 0.5, 1, 0, 0, 0, 0.666666667, 0, 1, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0.6, 1, 1, 0, 0, 0.666666667, 1, 1, 1, 0, 0, 0, 1, 0, 0.666666667, 0, 0, 0, 0.666666667, 0, 0.666666667, 0, 0, 0, 0, 0, 0, 0, 0, 0.666666667, 1, 1, 1, 0.857142857, 0.5, 0.6, 0, 0, 0.333333333, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0.913043478, 1, 0.9375, 0.8, 1, 0.7, 1, 1, 1, 1), c.receiver.depth = c(-0.2, -0.2, -0.2, -0.2, -0.2, -0.2, -0.22, -0.22, -0.22, -0.22, -0.22, -0.22, -0.22, -0.22, -0.22, -0.22, -0.22, -0.22, -0.225, -0.225, -0.225, -0.225, -0.225, -0.225, -0.225, -0.225, -0.225, -0.225, -0.225, -0.225, -0.205, -0.205, -0.205, -0.205, -0.205, -0.205, -0.185, -0.185, -0.185, -0.185, -0.185, -0.185, -0.18, -0.18, -0.18, -0.18, -0.18, -0.18, -0.165, -0.165, -0.165, -0.165, -0.165, -0.165, -0.14, -0.14, -0.14, -0.14, -0.14, -0.14, -0.34, -0.34, -0.34, -0.34, -0.34, -0.34, -0.365, -0.365, -0.365, -0.365, -0.365, -0.365, -0.365, -0.365, -0.365, -0.365, -0.365, -0.365, -0.38, -0.38, -0.38, -0.38, -0.38, -0.38, -0.385, -0.385, -0.385, -0.385, -0.385, -0.385, -0.395, -0.395, -0.395, -0.395, -0.395, -0.395, -0.4, -0.4, -0.4, -0.4, -0.4, -0.4, -0.395, -0.395, -0.395, -0.395, -0.395, -0.395, -0.38, -0.38, -0.38, -0.38, -0.38, -0.38, -0.37, -0.37, -0.37, -0.37, -0.37, -0.37, -0.285, -0.285, -0.285, -0.285, -0.285, -0.285, -0.31, -0.31, -0.31, -0.31, -0.31, -0.31, 0.22, 0.22, 0.22, 0.22, 0.22, 0.22, 0.225, 0.225, 0.225, 0.225, 0.225, 0.225, 0.225, 0.225, 0.225, 0.225, 0.225, 0.225, 0.21, 0.21, 0.21, 0.21, 0.21, 0.21, 0.185, 0.185, 0.185, 0.185, 0.185, 0.185, 0.175, 0.175, 0.175, 0.175, 0.175, 0.175, 0.14, 0.14, 0.14, 0.14, 0.14, 0.14, 0.13, 0.13, 0.13, 0.13, 0.13, 0.13, 0.105, 0.105, 0.105, 0.105, 0.105, 0.105, 0.215, 0.215, 0.215, 0.215, 0.215, 0.215, 0.54, 0.54, 0.54, 0.54, 0.54, 0.54, 0.525, 0.525, 0.525, 0.525, 0.525, 0.525, 0.515, 0.515, 0.515, 0.515, 0.515, 0.515, 0.545, 0.545, 0.545, 0.545, 0.545, 0.545, 0.525, 0.525, 0.525, 0.525), c.tm.depth = c(0.042807692, 0.042807692, 0.042807692, 0.042807692, 0.042807692, 0.042807692, -0.282192308, -0.282192308, -0.282192308, -0.282192308, -0.282192308, -0.282192308, -0.427192308, -0.427192308, -0.427192308, -0.427192308, -0.427192308, -0.427192308, -0.027192308, -0.027192308, -0.027192308, -0.027192308, -0.027192308, -0.027192308, 0.022807692, 0.022807692, 0.022807692, 0.022807692, 0.022807692, 0.022807692, 0.042807692, 0.042807692, 0.042807692, 0.042807692, 0.042807692, 0.042807692, -0.267192308, -0.267192308, -0.267192308, -0.267192308, -0.267192308, -0.267192308, -0.312192308, -0.312192308, -0.312192308, -0.312192308, -0.312192308, -0.312192308, 0.062807692, 0.062807692, 0.062807692, 0.062807692, 0.062807692, 0.062807692, 0.127807692, 0.127807692, 0.127807692, 0.127807692, 0.127807692, 0.127807692, -0.592192308, -0.592192308, -0.592192308, -0.592192308, -0.592192308, -0.592192308, -0.612192308, -0.612192308, -0.612192308, -0.612192308, -0.612192308, -0.612192308, -0.597192308, -0.597192308, -0.597192308, -0.597192308, -0.597192308, -0.597192308, -0.607192308, -0.607192308, -0.607192308, -0.607192308, -0.607192308, -0.607192308, -0.327192308, -0.327192308, -0.327192308, -0.327192308, -0.327192308, -0.327192308, -0.572192308, -0.572192308, -0.572192308, -0.572192308, -0.572192308, -0.572192308, -0.622192308, -0.622192308, -0.622192308, -0.622192308, -0.622192308, -0.622192308, -0.572192308, -0.572192308, -0.572192308, -0.572192308, -0.572192308, -0.572192308, -0.577192308, -0.577192308, -0.577192308, -0.577192308, -0.577192308, -0.577192308, -0.272192308, -0.272192308, -0.272192308, -0.272192308, -0.272192308, -0.272192308, -0.547192308, -0.547192308, -0.547192308, -0.547192308, -0.547192308, -0.547192308, -0.607192308, -0.607192308, -0.607192308, -0.607192308, -0.607192308, -0.607192308, 0.552807692, 0.552807692, 0.552807692, 0.552807692, 0.552807692, 0.552807692, 0.402807692, 0.402807692, 0.402807692, 0.402807692, 0.402807692, 0.402807692, 0.777807692, 0.777807692, 0.777807692, 0.777807692, 0.777807692, 0.777807692, 0.752807692, 0.752807692, 0.752807692, 0.752807692, 0.752807692, 0.752807692, 0.752807692, 0.752807692, 0.752807692, 0.752807692, 0.752807692, 0.752807692, 0.402807692, 0.402807692, 0.402807692, 0.402807692, 0.402807692, 0.402807692, 0.292807692, 0.292807692, 0.292807692, 0.292807692, 0.292807692, 0.292807692, 0.667807692, 0.667807692, 0.667807692, 0.667807692, 0.667807692, 0.667807692, 0.677807692, 0.677807692, 0.677807692, 0.677807692, 0.677807692, 0.677807692, 0.777807692, 0.777807692, 0.777807692, 0.777807692, 0.777807692, 0.777807692, 0.252807692, 0.252807692, 0.252807692, 0.252807692, 0.252807692, 0.252807692, 0.352807692, 0.352807692, 0.352807692, 0.352807692, 0.352807692, 0.352807692, 0.502807692, 0.502807692, 0.502807692, 0.502807692, 0.502807692, 0.502807692, 0.027807692, 0.027807692, 0.027807692, 0.027807692, 0.027807692, 0.027807692, 0.077807692, 0.077807692, 0.077807692, 0.077807692), c.temp = c(-4.095807692, -4.095807692, -4.095807692, -4.095807692, -4.095807692, -4.095807692, -4.220807692, -4.220807692, -4.220807692, -4.220807692, -4.220807692, -4.220807692, -4.210807692, -4.210807692, -4.210807692, -4.210807692, -4.210807692, -4.210807692, -4.175807692, -4.175807692, -4.175807692, -4.175807692, -4.175807692, -4.175807692, -4.035807692, -4.035807692, -4.035807692, -4.035807692, -4.035807692, -4.035807692, -3.920807692, -3.920807692, -3.920807692, -3.920807692, -3.920807692, -3.920807692, -3.820807692, -3.820807692, -3.820807692, -3.820807692, -3.820807692, -3.820807692, -3.640807692, -3.640807692, -3.640807692, -3.640807692, -3.640807692, -3.640807692, -3.660807692, -3.660807692, -3.660807692, -3.660807692, -3.660807692, -3.660807692, -3.620807692, -3.620807692, -3.620807692, -3.620807692, -3.620807692, -3.620807692, 0.074192308, 0.074192308, 0.074192308, 0.074192308, 0.074192308, 0.074192308, -0.015807692, -0.015807692, -0.015807692, -0.015807692, -0.015807692, -0.015807692, 0.324192308, 0.324192308, 0.324192308, 0.324192308, 0.324192308, 0.324192308, 0.544192308, 0.544192308, 0.544192308, 0.544192308, 0.544192308, 0.544192308, 0.759192308, 0.759192308, 0.759192308, 0.759192308, 0.759192308, 0.759192308, 1.324192308, 1.324192308, 1.324192308, 1.324192308, 1.324192308, 1.324192308, 1.549192308, 1.549192308, 1.549192308, 1.549192308, 1.549192308, 1.549192308, 1.709192308, 1.709192308, 1.709192308, 1.709192308, 1.709192308, 1.709192308, 1.639192308, 1.639192308, 1.639192308, 1.639192308, 1.639192308, 1.639192308, 1.579192308, 1.579192308, 1.579192308, 1.579192308, 1.579192308, 1.579192308, 2.724192308, 2.724192308, 2.724192308, 2.724192308, 2.724192308, 2.724192308, 2.839192308, 2.839192308, 2.839192308, 2.839192308, 2.839192308, 2.839192308, 1.064192308, 1.064192308, 1.064192308, 1.064192308, 1.064192308, 1.064192308, 1.184192308, 1.184192308, 1.184192308, 1.184192308, 1.184192308, 1.184192308, 1.254192308, 1.254192308, 1.254192308, 1.254192308, 1.254192308, 1.254192308, 1.379192308, 1.379192308, 1.379192308, 1.379192308, 1.379192308, 1.379192308, 1.529192308, 1.529192308, 1.529192308, 1.529192308, 1.529192308, 1.529192308, 1.599192308, 1.599192308, 1.599192308, 1.599192308, 1.599192308, 1.599192308, 1.669192308, 1.669192308, 1.669192308, 1.669192308, 1.669192308, 1.669192308, 1.664192308, 1.664192308, 1.664192308, 1.664192308, 1.664192308, 1.664192308, 1.714192308, 1.714192308, 1.714192308, 1.714192308, 1.714192308, 1.714192308, 0.984192308, 0.984192308, 0.984192308, 0.984192308, 0.984192308, 0.984192308, -1.545807692, -1.545807692, -1.545807692, -1.545807692, -1.545807692, -1.545807692, -1.475807692, -1.475807692, -1.475807692, -1.475807692, -1.475807692, -1.475807692, -1.460807692, -1.460807692, -1.460807692, -1.460807692, -1.460807692, -1.460807692, -1.340807692, -1.340807692, -1.340807692, -1.340807692, -1.340807692, -1.340807692, -1.265807692, -1.265807692, -1.265807692, -1.265807692), c.wind = c(1.27535159, 1.27535159, 1.27535159, 1.27535159, 1.27535159, 1.27535159, 1.27535159, 1.27535159, 1.27535159, 1.27535159, 1.27535159, 1.27535159, 1.27535159, 1.27535159, 1.27535159, 1.27535159, 1.27535159, 1.27535159, 1.27535159, 1.27535159, 1.27535159, 1.27535159, 1.27535159, 1.27535159, 1.27535159, 1.27535159, 1.27535159, 1.27535159, 1.27535159, 1.27535159, 1.27535159, 1.27535159, 1.27535159, 1.27535159, 1.27535159, 1.27535159, 1.27535159, 1.27535159, 1.27535159, 1.27535159, 1.27535159, 1.27535159, 1.27535159, 1.27535159, 1.27535159, 1.27535159, 1.27535159, 1.27535159, 1.27535159, 1.27535159, 1.27535159, 1.27535159, 1.27535159, 1.27535159, 1.27535159, 1.27535159, 1.27535159, 1.27535159, 1.27535159, 1.27535159, -2.96855001, -2.96855001, -2.96855001, -2.96855001, -2.96855001, -2.96855001, -2.96855001, -2.96855001, -2.96855001, -2.96855001, -2.96855001, -2.96855001, -2.96855001, -2.96855001, -2.96855001, -2.96855001, -2.96855001, -2.96855001, -2.96855001, -2.96855001, -2.96855001, -2.96855001, -2.96855001, -2.96855001, -2.96855001, -2.96855001, -2.96855001, -2.96855001, -2.96855001, -2.96855001, -2.96855001, -2.96855001, -2.96855001, -2.96855001, -2.96855001, -2.96855001, -2.96855001, -2.96855001, -2.96855001, -2.96855001, -2.96855001, -2.96855001, -2.96855001, -2.96855001, -2.96855001, -2.96855001, -2.96855001, -2.96855001, -2.96855001, -2.96855001, -2.96855001, -2.96855001, -2.96855001, -2.96855001, -2.96855001, -2.96855001, -2.96855001, -2.96855001, -2.96855001, -2.96855001, 4.71144999, 4.71144999, 4.71144999, 4.71144999, 4.71144999, 4.71144999, 4.71144999, 4.71144999, 4.71144999, 4.71144999, 4.71144999, 4.71144999, -2.939182972, -2.939182972, -2.939182972, -2.939182972, -2.939182972, -2.939182972, -2.939182972, -2.939182972, -2.939182972, -2.939182972, -2.939182972, -2.939182972, -2.939182972, -2.939182972, -2.939182972, -2.939182972, -2.939182972, -2.939182972, -2.939182972, -2.939182972, -2.939182972, -2.939182972, -2.939182972, -2.939182972, -2.939182972, -2.939182972, -2.939182972, -2.939182972, -2.939182972, -2.939182972, -2.939182972, -2.939182972, -2.939182972, -2.939182972, -2.939182972, -2.939182972, -2.939182972, -2.939182972, -2.939182972, -2.939182972, -2.939182972, -2.939182972, -2.939182972, -2.939182972, -2.939182972, -2.939182972, -2.939182972, -2.939182972, -2.939182972, -2.939182972, -2.939182972, -2.939182972, -2.939182972, -2.939182972, -2.939182972, -2.939182972, -2.939182972, -2.939182972, -2.939182972, -2.939182972, 5.88092439, 5.88092439, 5.88092439, 5.88092439, 5.88092439, 5.88092439, 5.88092439, 5.88092439, 5.88092439, 5.88092439, 5.88092439, 5.88092439, 5.88092439, 5.88092439, 5.88092439, 5.88092439, 5.88092439, 5.88092439, 5.88092439, 5.88092439, 5.88092439, 5.88092439, 5.88092439, 5.88092439, 5.88092439, 5.88092439, 5.88092439, 5.88092439), c.distance = c(-160L, -160L, -160L, -160L, -160L, -160L, -110L, -110L, -110L, -110L, -110L, -110L, -10L, -10L, -10L, -10L, -10L, -10L, 90L, 90L, 90L, 90L, 90L, 90L, 190L, 190L, 190L, 190L, 190L, 190L, -160L, -160L, -160L, -160L, -160L, -160L, -110L, -110L, -110L, -110L, -110L, -110L, -10L, -10L, -10L, -10L, -10L, -10L, 90L, 90L, 90L, 90L, 90L, 90L, 190L, 190L, 190L, 190L, 190L, 190L, -160L, -160L, -160L, -160L, -160L, -160L, -110L, -110L, -110L, -110L, -110L, -110L, -10L, -10L, -10L, -10L, -10L, -10L, 90L, 90L, 90L, 90L, 90L, 90L, 190L, 190L, 190L, 190L, 190L, 190L, -160L, -160L, -160L, -160L, -160L, -160L, -110L, -110L, -110L, -110L, -110L, -110L, -10L, -10L, -10L, -10L, -10L, -10L, 90L, 90L, 90L, 90L, 90L, 90L, 190L, 190L, 190L, 190L, 190L, 190L, -160L, -160L, -160L, -160L, -160L, -160L, -110L, -110L, -110L, -110L, -110L, -110L, -110L, -110L, -110L, -110L, -110L, -110L, -10L, -10L, -10L, -10L, -10L, -10L, 90L, 90L, 90L, 90L, 90L, 90L, 190L, 190L, 190L, 190L, 190L, 190L, -160L, -160L, -160L, -160L, -160L, -160L, -110L, -110L, -110L, -110L, -110L, -110L, -10L, -10L, -10L, -10L, -10L, -10L, 90L, 90L, 90L, 90L, 90L, 90L, 190L, 190L, 190L, 190L, 190L, 190L, -160L, -160L, -160L, -160L, -160L, -160L, -10L, -10L, -10L, -10L, -10L, -10L, 90L, 90L, 90L, 90L, 90L, 90L, 190L, 190L, 190L, 190L, 190L, 190L, -160L, -160L, -160L, -160L, -160L, -160L, -110L, -110L, -110L, -110L )), .Names = c("SUR.ID", "tm", "ValidDetections", "CountDetections", "FalseDetections", "replicate", "Area", "Day", "R.det", "c.receiver.depth", "c.tm.depth", "c.temp", "c.wind", "c.distance"), row.names = c(NA, -220L), class = "data.frame")

Мой script:

library(lme4) df$SUR.ID <- factor(df$SUR.ID) df$replicate <- factor(df$replicate) Rdet <- cbind(df$ValidDetections,df$FalseDetections) Unit <- factor(1:length(df$ValidDetections)) m1 <- glmer(Rdet ~ tm:Area + tm:c.distance + c.distance:Area + c.tm.depth:Area + c.receiver.depth:Area + c.temp:Area + c.wind:Area + c.tm.depth + c.receiver.depth + c.temp +c.wind + tm + c.distance + Area + replicate + (1|SUR.ID) + (1|Day) + (1|Unit) , data = df, family = binomial(link=logit))

(Unit = параметр дисперсии, используемый для вычисления коэффициентов определения)

В отличие от начала 2013 года, новейшие версии R и lme4 возвращают следующие 3 предупреждающие сообщения:

1: In checkConv(attr(opt, "derivs"), opt$par, ctrl = control$checkConv, : Model failed to converge with max|grad| = 62.5817 (tol = 0.001) 2: In if (resHess$code != 0) { : the condition has length > 1 and only the first element will be used 3: In checkConv(attr(opt, "derivs"), opt$par, ctrl = control$checkConv, : Model is nearly unidentifiable: very large eigenvalue - Rescale variables?;Model is nearly unidentifiable: large eigenvalue ratio - Rescale variables?

Я искал переполнение google и stack для потенциальных решений вышеупомянутых предупреждающих сообщений, однако я не могу понять их и как это можно применить к моей конкретной модели/данным.

Впоследствии я пытаюсь найти MAM, используя функцию drop1() в R, используя тест Chi ^ 2 и удаляю несущественные переменные 1 за раз. Игнорируя приведенные выше предупреждающие сообщения, я выполняю следующую команду:

drop1(m1,test="Chi")

Однако эта команда не может использоваться (т.е. возвращает предупреждающие сообщения добавлений), если указанные выше предупреждения не решаются/не обрабатываются в первую очередь.

Кто-нибудь знает, что здесь происходит? Пожалуйста, может кто-нибудь помочь мне, как решить эти предупреждения? Игнорирование не является вариантом.

Большое спасибо,

Наилучшие пожелания, Мауриц

Ответы

Ответ 1

tl; dr, по крайней мере, на основе подмножества данных, которые вы предоставили, это довольно неустойчивое соответствие. Предупреждения о почти неидентифицируемости исчезают, если вы масштабируете непрерывные предиктора. Пытаясь использовать множество оптимизаторов, мы получаем одни и те же логарифмические вероятности и оценки параметров, которые варьируются на несколько процентов; два оптимизатора (nlminb из базы R и BOBYQA из пакета nloptr) сходятся без предупреждений и, вероятно, дают "правильный" ответ. Я не вычислял доверительные интервалы, но я подозреваю, что они очень широкие. (Ваш пробег может несколько отличаться от вашего полного набора данных...)

source("SO_23478792_dat.R")  ## I put the data you provided in here

Базовая подгонка (реплицируется сверху):

library(lme4)
df$SUR.ID <- factor(df$SUR.ID)
df$replicate <- factor(df$replicate)
Rdet <- cbind(df$ValidDetections,df$FalseDetections)
Unit <- factor(1:length(df$ValidDetections))
m1 <- glmer(Rdet ~ tm:Area + tm:c.distance +
            c.distance:Area + c.tm.depth:Area +
            c.receiver.depth:Area + c.temp:Area +
            c.wind:Area +
            c.tm.depth + c.receiver.depth +
            c.temp +c.wind + tm + c.distance + Area +
            replicate +
            (1|SUR.ID) + (1|Day) + (1|Unit) ,
            data = df, family = binomial(link=logit))

Я получаю более или менее те же предупреждения, что и вы, немного меньше, так как версия разработки немного улучшена/изменена:

## 1: In checkConv(attr(opt, "derivs"), opt$par, ctrl = control$checkConv,  :
##   Model failed to converge with max|grad| = 1.52673 (tol = 0.001, component 1)
## 2: In checkConv(attr(opt, "derivs"), opt$par, ctrl = control$checkConv,  :
##   Model is nearly unidentifiable: very large eigenvalue
##  - Rescale variables?;Model is nearly unidentifiable: large eigenvalue ratio
## - Rescale variables?

Я пробовал различные мелочи (перезапуск от предыдущих установленных значений, оптимизаторы переключения) без значительного изменения результатов (т.е. те же предупреждения).

ss <- getME(m1,c("theta","fixef"))
m2 <- update(m1,start=ss,control=glmerControl(optCtrl=list(maxfun=2e4)))
m3 <- update(m1,start=ss,control=glmerControl(optimizer="bobyqa",
                         optCtrl=list(maxfun=2e4)))

Следуя рекомендациям в предупреждающем сообщении (перемасштабирование непрерывных предикторов):

numcols <- grep("^c\\.",names(df))
dfs <- df
dfs[,numcols] <- scale(dfs[,numcols])
m4 <- update(m1,data=dfs)

Это избавляет от масштабирования предупреждений, но предупреждение о больших градиентах сохраняется.

Используйте некоторый код утилиты, чтобы соответствовать той же модели с множеством различных оптимизаторов:

afurl <- "https://raw.githubusercontent.com/lme4/lme4/master/misc/issues/allFit.R"
## http://tonybreyal.wordpress.com/2011/11/24/source_https-sourcing-an-r-script-from-github/
library(RCurl)
eval(parse(text=getURL(afurl)))
aa <- allFit(m4)
is.OK <- sapply(aa,is,"merMod")  ## nlopt NELDERMEAD failed, others succeeded
## extract just the successful ones
aa.OK <- aa[is.OK]

Извлеките предупреждения:

lapply(aa.OK,function(x) [email protected]$conv$lme4$messages)

(Все, кроме nlminb и nloptr BOBYQA дают предупреждения о сходимости.)

Лог-правдоподобия примерно одинаковы:

summary(sapply(aa.OK,logLik),digits=6)
##     Min.  1st Qu.   Median     Mean  3rd Qu.     Max. 
## -107.127 -107.114 -107.111 -107.114 -107.110 -107.110

(опять же, nlminb и nloptr BOBYQA имеют лучшие вложения/наивысшие лог-правдоподобия)

Сравните параметры фиксированного эффекта между оптимизаторами:

aa.fixef <- t(sapply(aa.OK,fixef))
library(ggplot2)
library(reshape2)
library(plyr)
aa.fixef.m <- melt(aa.fixef)
models <- levels(aa.fixef.m$Var1)
(gplot1 <- ggplot(aa.fixef.m,aes(x=value,y=Var1,colour=Var1))+geom_point()+
    facet_wrap(~Var2,scale="free")+
    scale_y_discrete(breaks=models,
                     labels=abbreviate(models,6)))
## coefficients of variation of fixed-effect parameter estimates:
summary(unlist(daply(aa.fixef.m,"Var2",summarise,sd(value)/abs(mean(value)))))
##     Min.  1st Qu.   Median     Mean  3rd Qu.     Max. 
## 0.003573 0.013300 0.022730 0.019710 0.026200 0.035810

Сравните оценки дисперсии (не так интересно: все оптимизаторы, кроме N-M, дают точно нулевая дисперсия для Day и SUR.ID)

aa.varcorr <- t(sapply(aa.OK,function(x) unlist(VarCorr(x))))
aa.varcorr.m <- melt(aa.varcorr)
gplot1 %+% aa.varcorr.m

Я попытался запустить это с помощью lme4.0 ( "old lme4" ), но получил различные ошибки "Downdated VtV", даже с масштабированным набором данных. Возможно, эта проблема исчезнет с полным набором данных?

Я еще не изучил, почему drop1 не работает должным образом, если начальная подстановка возвращает предупреждения...