betareg模型不收敛：保留8位小数即可运行的原因咨询

问题背景 #

使用betareg包拟合Beta回归时，遇到如下异常现象：

• 直接用原始因变量y拟合模型m1，模型无法收敛；
• 将y舍入到8位小数后拟合模型m2，模型成功收敛（迭代127次）。

复现代码 #

# install.packages("betareg", dependencies=TRUE)
library(betareg)
data <- data.frame(
  "x" = c(194, 194, 194,  73,  73,  73, 105, 105, 105, 222, 222, 222,   0,   0,   0,   0,   0,   0),
  "y" = c(0.9717500000, 0.9191161111, 0.9456172222, 0.0464116667, 0.0413683333, 0.034105555, 0.9178222222, 0.9661872222, 0.9619844444,
          0.9576777778, 0.9710794444, 0.9562516667, 0.0277777778, 0.0277777778, 0.0277777778, 0.0277777778, 0.0277777778, 0.0277777778)
)

# 无法收敛的模型
m1 <-  betareg(formula = y ~ x, data = data, link = "cauchit", type = "ML")

# 成功收敛的模型
m2 <-  betareg(formula = round(y,8) ~ x, data = data, link = "cauchit", type = "ML")

原因解析 #

这种微小改动引发的收敛差异，本质是数值精度与Beta回归优化逻辑的交互作用，具体可拆解为三点：

1. Beta分布似然函数的极端值敏感性
   Beta回归的似然函数对接近0或1的因变量值极度敏感，当y趋近于边界时，似然函数的曲率会急剧变化。原始数据中y的小数位数超过了R默认的浮点存储精度（双精度浮点数约保留15-17位有效数字，但实际存储可能存在微小误差），这些误差会让优化算法在计算梯度、海森矩阵时出现数值不稳定，直接导致迭代发散。

2. 舍入操作的隐性正则化效果
   将y舍入到8位小数，相当于给极端值施加了一个微小的数值约束，平滑了因浮点误差导致的似然函数异常曲率。这种调整刚好让极大似然估计（ML类型）的优化算法找到稳定的迭代路径，最终完成收敛。

3. Cauchit链接的放大效应
   你使用的cauchit链接函数基于柯西分布的分位数变换，它在极端值附近的变换斜率远大于logit或probit链接。这种特性会放大因变量微小数值差异对模型优化的影响，进一步加剧了原始模型的收敛困难，而舍入操作刚好缓解了这种敏感性。

替代解决方案 #

除了舍入操作，还可以通过以下方式解决收敛问题：

• 检查原始y的浮点存储细节：用print(data$y, digits=15)查看实际存储的数值，确认是否存在超出显示精度的误差；
• 调整优化参数：增加迭代次数（maxit = 500）、更换优化算法（比如type = "BC"的偏似然估计）；
• 边界值截断：对接近0或1的y值做微小截断，例如y <- pmax(pmin(y, 0.999), 0.001)，避免似然函数出现极端曲率。

内容的提问来源于stack exchange，提问作者OnLeRo