R中optimx报错：无法在初始参数处评估函数求助

你的报错核心原因是计算链完全断裂：calculate_error函数直接调用convert2时，Lx、lx等关键中间变量从未生成，导致R无法在初始参数处计算函数值。以下是代码中的关键错误及修正方案：

关键问题梳理 #

1. 计算流程缺失：calculate_error跳过了从kt到mx、qx、lx、dx、Lx的完整推导步骤，直接调用最终转换函数，导致变量未定义。
2. 函数参数冗余/未定义：多个辅助函数存在无效参数（如convert1的mx、qx），或引用了函数外部未定义的变量（如calculate_dx中的l0）。
3. 循环与公式错误：calculate_lx的循环逻辑重复赋值，calculate_Lx的公式不符合预期寿命推导逻辑，且循环语法有误。
4. 初始参数不合理：Lee-Carter模型中kt通常是中心化数值（均值接近0），你给出的初始值接近预期寿命，可能导致优化难以收敛。

修正后的完整代码 #

# 简化的ax和bx矩阵
ax <- c(-4.3198094, -5.8995814, -6.1240039, -7.0870399, -7.0525417)
bx <- c(0.04522097, 0.02488256, 0.02452534, -3.2110186, -3.0955417)

data <- data.frame(
  DATE = as.Date(c("2019-01-01", "2020-01-01", "2021-01-01", "2022-01-01", "2023-01-01")),
  LE = c(77.76000, 77.05507, 76.34821, 75.64329, 74.93836)
)
e0_expert <- data$LE

# 从kt计算mx并转换为qx（移除冗余参数）
mx_to_qx <- function(ax, bx, kt) {
  mx <- exp(ax + kt * bx)
  # 死亡均匀分布假设下的qx近似，限制qx不超过1避免负数lx
  qx <- pmin((2 * mx) / (2 + mx), 0.9999)
  return(qx)
}

# 从qx计算lx（修正循环逻辑）
calculate_lx <- function(qx, l0 = 10000) {
  n <- length(qx)
  lx <- numeric(n + 1)  # lx长度比qx多1（l0到ln）
  lx[1] <- l0
  for (i in 1:n) {
    lx[i + 1] <- lx[i] * (1 - qx[i])
  }
  return(lx)
}

# 从lx计算dx（移除冗余参数，修复未定义变量）
calculate_dx <- function(lx) {
  n <- length(lx) - 1
  dx <- numeric(n)
  for (i in 1:n) {
    dx[i] <- lx[i] - lx[i + 1]
  }
  return(dx)
}

# 从lx和dx计算Lx（修正公式与循环语法）
calculate_Lx <- function(lx, dx) {
  n <- length(dx)
  Lx <- numeric(n)
  # 0岁组特殊处理（死亡集中在前半年）
  Lx[1] <- lx[2] + 0.5 * dx[1]
  # 其他年龄组使用死亡均匀分布假设
  for (i in 2:n) {
    Lx[i] <- (lx[i] + lx[i + 1]) / 2
  }
  # 最后一个年龄组Lx（假设寿命极限，简化为lx[n+1]/0.001）
  Lx[n] <- lx[n + 1] / 0.001
  return(Lx)
}

# 从Lx和lx计算出生预期寿命e0（移除冗余参数）
Lx_to_e0 <- function(Lx, lx) {
  Tx <- rev(cumsum(rev(Lx)))  # 计算剩余寿命总和Tx
  ex <- Tx / lx[1:length(Tx)] # 预期寿命ex = Tx/lx
  return(ex[1])               # 返回出生预期寿命e0
}

# 误差计算函数（补全完整计算链）
calculate_error <- function(kt, e0_expert, ax, bx) {
  if (length(kt) != length(e0_expert)) {
    stop("kt长度必须与e0_expert一致")
  }
  total_error <- 0
  for (t in 1:length(kt)) {
    # 完整推导链：kt -> qx -> lx -> dx -> Lx -> e0
    qx <- mx_to_qx(ax, bx, kt[t])
    lx <- calculate_lx(qx)
    dx <- calculate_dx(lx)
    Lx <- calculate_Lx(lx, dx)
    e0_est <- Lx_to_e0(Lx, lx)
    total_error <- total_error + (e0_est - e0_expert[t])^2
  }
  cat("当前误差平方和:", total_error, "\n")
  return(total_error)
}

# 使用符合Lee-Carter特性的初始kt（中心化，均值为0）
initial_kt <- rep(0, length(e0_expert))

# 运行optimx优化
library(optimx)
result <- optimx(
  par = initial_kt,
  fn = calculate_error,
  e0_expert = e0_expert,
  ax = ax,
  bx = bx,
  method = "Nelder-Mead",
  control = list(trace = 1, maxit = 1000, abstol = 1e-6, minimize = TRUE)
)

# 输出最优kt
optimal_kt <- result$par
cat("最优kt值:", optimal_kt, "\n")

修正说明 #

1. 补全计算链：在calculate_error中实现了从kt到e0的完整推导，确保所有中间变量都被正确生成。
2. 优化函数设计：移除冗余参数，每个函数仅接收必要输入，避免引用外部未定义变量。
3. 修复逻辑错误：调整循环逻辑，修正Lx的计算方法（符合预期寿命的标准推导），并处理边界情况。
4. 调整初始参数：将kt初始值设为均值0的向量，匹配Lee-Carter模型的参数特性，帮助优化收敛。

内容的提问来源于stack exchange，提问作者Cassiopea