如何解决glmm报错‘data must be nonnegative integers’及相关问题？

原始代码与数据集 #

分析代码 #

library(glmm)
glmm1<-glmm(Number~Location, 
           random= list(~0+Nitrogen,~0+Dist_water), 
           varcomps.names=c("Nit","Dist"), 
           data = bles, m=100, 
           family.glmm = poisson.glmm)

数据集定义 #

Number <- c(25,16,16,13,12,9,15,5,4,5,1,259,224,259,588,604,483,576,599,664)
Location <- c("Borakolalo","Borakolalo","Borakolalo","Borakolalo","Bloemhof","Bloemhof","Bloemhof",   
               "Bloemhof","Boskop","Boskop","Boskop","Boskop","Kgaswane","Kgaswane","Kgaswane",   
               "Kgaswane","Mafikeng","Mafikeng","Mafikeng","Mafikeng")
Nitrogen<-c(1.0889,1.1406,0.9835,1.0737,1.0578,1.0806,0.9914,0.9630,1.1718,0.8955,1.0211,0.9489,
            0.9808,1.0053,0.9682,0.9794,1.0959,1.0028,0.9281,0.9887)
Dist_water<- c(2156.0,3783.8,3285.8,2574.7,2242.3,1729.5,1018.1,1174.9,869.0,563.0,257.1,660.4,
               840.4,717.7,762.6,528.5,626.5,691.2,635.9,606.5)
bles<-data.frame(Number,Location,Nitrogen,Dist_water)

错误原因与解决方法 #

1. 错误：data must be nonnegative integers #

原因：glmm包的泊松族（poisson.glmm）要求响应变量必须是整数类型，而非数值型。尽管Number向量的数值都是整数，但c()创建的向量默认是numeric类型，触发了包的类型检查机制。

解决方法：将响应变量转换为整数类型：

bles$Number <- as.integer(bles$Number)

2. 优化类错误（invalid 'xmax' value、parinit not feasible、leading minor of order 2 is not positive definite） #

这类错误均源于模型结构不合理和数值稳定性问题，具体原因如下：

• 随机效应设定错误：GLMM的随机效应针对分组/聚类结构（如站点、个体），你将连续协变量（Nitrogen、Dist_water）直接作为随机效应项，完全不符合GLMM的建模逻辑，导致模型无法识别。
• 变量尺度差异过大：Dist_water数值范围为257~3783，而Nitrogen数值接近1，尺度差异极大，引发协方差矩阵估计时的数值不稳定。
• 响应变量过度离散：部分站点（如Mafikeng）的Number值远高于其他站点，泊松分布（方差=均值）无法拟合这种过度离散的数据，进一步加剧拟合失败。

解决方法：

步骤1：修正随机效应结构

将随机效应改为对应分组结构（如Location作为随机截距），将Nitrogen、Dist_water作为固定效应加入模型（可根据研究目的调整变量）：

# 标准化Dist_water以解决尺度问题
bles$Dist_water_scaled <- scale(bles$Dist_water)

# 修正后的模型：Location为固定效应，站点随机截距，加入协变量
glmm1 <- glmm(Number ~ Location + Nitrogen + Dist_water_scaled,
              random = list(~1 | Location),
              varcomps.names = c("Site"),
              data = bles, m=100,
              family.glmm = poisson.glmm)

步骤2：改用负二项分布处理过度离散

若泊松模型仍报错，改用负二项分布（适配过度离散计数数据）：

glmm1 <- glmm(Number ~ Location + Nitrogen + Dist_water_scaled,
              random = list(~1 | Location),
              varcomps.names = c("Site"),
              data = bles, m=100,
              family.glmm = negbin.glmm)

步骤3：简化模型逐步调试

如果仍有数值问题，先从简单模型开始拟合，逐步添加变量：

1. 先拟合仅含固定效应的模型：glmm(Number ~ Location, data=bles, family=poisson.glmm)
2. 再加入随机截距：glmm(Number ~ Location, random=list(~1|Location), data=bles, family=poisson.glmm)
3. 最后加入协变量，确保每一步都能成功拟合。

内容的提问来源于stack exchange，提问作者Zaara Kidwai