LME模型拟合遇nlminb收敛错误，求原因及解决方案

错误原因 #

• 组内观测数过少：每个个体仅2次观测，随机截距的方差缺乏足够的估计信息，这是导致收敛失败的核心原因。默认的最大似然（ML）估计在这种小样本组内结构下，很难稳定估计随机效应的方差参数。
• 参数边界迭代问题：当随机截距方差趋近于0时，似然函数在参数边界处变得平坦，nlminb优化算法无法找到明确的最优解，从而触发"false convergence"错误。

修正方案 #

• 更换估计方法：改用限制最大似然（REML）估计，它对随机效应方差的估计在小样本场景下更稳健。在lme()中设置参数：

  lme(y ~ x, random = ~1 | id, data = data_long, method = "REML")
  

• 调整优化器与迭代参数：
  • 替换默认的nlminb为optim优化器：

    lme(y ~ x, random = ~1 | id, data = data_long, control = lmeControl(opt = "optim"))
    

  • 增加迭代次数，放宽收敛阈值：

    lme(y ~ x, random = ~1 | id, data = data_long, control = lmeControl(maxIter = 1000, msMaxIter = 1000))
    

• 简化模型结构：
  • 若随机截距方差确实趋近于0，可放弃随机效应模型，改用固定效应模型（通过加入个体虚拟变量实现），或直接使用配对t检验——因为每个个体仅2次观测，本质属于配对设计，这两种方法在该场景下的结果更可靠。
• 排查数据异常值：检查因变量的极端值，极端值会扭曲似然函数形状，干扰优化过程。可通过箱线图、直方图识别异常点，处理后重新拟合模型。

内容的提问来源于stack exchange，提问作者João Ferreira