glmer拟合二项式模型遇收敛与缩放错误，求技术支持

问题背景 #

• 因变量：0/1响应（YES=1共1400个，NO=0共150个），样本极端不平衡
• 自变量：三个双水平因子（verb/congruency/pronoun），采用-1/1虚拟编码，模型包含三向交互项
• 模型代码：

region1_model = glmer(response ~ verb*congruency*pronoun +
                       (1|participant) +
                       (1|item),
                     data = region1_data,
                     family = binomial(link = "cloglog"))

• 报错/警告：
  • 初始拟合：unable to evaluate scaled gradient + Model failed to converge: degenerate Hessian with 3 negative eigenvalues
  • 更换优化器后：奇异拟合警告或Model is nearly unidentifiable: large eigenvalue ratio - Rescale variables?

核心原因拆解 #

1. 因变量极端不平衡：NO样本占比仅约9.7%，cloglog链接虽适配罕见事件，但高阶交互项对应的单元格中NO样本可能极少甚至为0，导致参数估计无稳定解。
2. 三向交互的识别性问题：三个双水平因子的三向交互会新增参数，若部分交互组合下无NO样本，模型无法区分这些参数的效应，引发Hessian矩阵退化、奇异拟合。
3. 数值稳定性不足：默认优化器在处理极端数据+复杂交互时易收敛失败，更换优化器只是治标，本质是数据结构导致的数值不稳定。

具体解决步骤 #

1. 先排查交互项单元格的样本分布 #

统计每个verb*congruency*pronoun组合下的0/1数量，确认是否存在NO样本为0或过少的单元格：

library(dplyr)
region1_data %>%
  count(verb, congruency, pronoun, response) %>%
  tidyr::pivot_wider(names_from = response, values_from = n, values_fill = 0)

• 若存在无NO样本的组合：直接删除该组合，或移除三向交互项。

2. 简化模型结构，逐步构建 #

先从低阶模型开始拟合，定位问题来源：

• 先拟合二阶交互模型：

region1_model = glmer(response ~ verb*congruency + verb*pronoun + congruency*pronoun +
                       (1|participant) + (1|item),
                     data = region1_data,
                     family = binomial(link = "cloglog"))

• 若收敛正常，再尝试添加三向交互；若仍有问题，进一步简化为主效应模型，逐步排查不稳定项。

3. 平衡样本权重 #

给NO样本赋予更高权重，平衡两类样本对模型的贡献：

region1_data$weight = ifelse(region1_data$response == 0, 
                             nrow(region1_data)/(2*sum(region1_data$response==0)),
                             nrow(region1_data)/(2*sum(region1_data$response==1)))
region1_model = glmer(response ~ verb*congruency*pronoun +
                       (1|participant) + (1|item),
                     data = region1_data,
                     family = binomial(link = "cloglog"),
                     weights = weight)

4. 优化数值稳定性 #

• 更换更稳定的优化器并增加迭代次数：

library(lme4)
region1_model = glmer(response ~ verb*congruency*pronoun +
                       (1|participant) + (1|item),
                     data = region1_data,
                     family = binomial(link = "cloglog"),
                     control = glmerControl(optimizer = "nloptwrap", 
                                            optCtrl = list(maxeval = 10000)))

• 检查随机效应方差：若某个随机截距（如item）的方差接近0，尝试移除该随机效应，简化模型。

5. 尝试替代模型 #

若以上方法无效，考虑用贝叶斯模型提升稳定性：

library(brms)
region1_model = brm(response ~ verb*congruency*pronoun + (1|participant) + (1|item),
                    data = region1_data,
                    family = brmsfamily("cloglog"),
                    prior = prior(normal(0, 1), class = b), # 弱信息先验约束参数
                    chains = 4, iter = 2000)

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