GLMM模型收敛失败问题求助：已尝试中心化与标准化处理

问题背景 #

使用lmer拟合广义线性混合模型（GLMM）时持续出现收敛失败警告，已尝试对数据进行中心化、标准化处理，问题仍未解决。

1. 原始模型报错 #

执行代码：

Q1glmm3<-lmer(log10.stock ~ log10.GDP +(log10.GDP|Area) + (Year|Area), data=LOG10.STOCK.VS.GDP.GLMM)

触发警告：

Warning messages:
1: In checkConv(attr(opt, "derivs"), opt$par, ctrl = control$checkConv,  :
  unable to evaluate scaled gradient
2: In checkConv(attr(opt, "derivs"), opt$par, ctrl = control$checkConv,  :
  Model failed to converge: degenerate  Hessian with 3 negative eigenvalues
3: Model failed to converge with 3 negative eigenvalues: -2.9e-02 -1.5e+00 -2.7e+03 

2. 中心化处理后直接报错 #

对GDP做中心化处理后执行代码：

CenteredQ1M3<-lmer(Stock.Head ~ Centered.GDP + (Centered.GDP|Area) + (Year|Area), data= Trial.LOG10.STOCK.VS.GDP.GLMM)

直接报错：

Error in initializePtr() : Downdated VtV is not positive definite
In addition: Warning message:
Some predictor variables are on very different scales: consider rescaling 

3. 标准化处理后仍存收敛警告 #

数据标准化后模型可运行，但仍有收敛相关警告：

Warning messages:
1: In checkConv(attr(opt, "derivs"), opt$par, ctrl = control$checkConv,  :
unable to evaluate scaled gradient
2: In checkConv(attr(opt, "derivs"), opt$par, ctrl = control$checkConv,  :
Model failed to converge: degenerate  Hessian with 3 negative
3: Model failed to converge with 3 negative eigenvalues: -5.5e-02 -8.8e-02 -7.8e-01

模型运行结束后额外提示：

optimizer (nloptwrap) convergence code: 0 (OK)
unable to evaluate scaled gradient
Model failed to converge: degenerate  Hessian with 3 negative eigenvalues

数据概况 #

执行summary(STOCK.VS.GDP.GLMM)输出：

Area                       Year        Stock.Head             GDP           
Côte d'Ivoire:  11   Min.   :2010   Min.   :      111   Min.  :1.974e+08  
Türkiye      :  11   1st Qu.:2012   1st Qu.:   203234   1st Qu.:1.037e+10  
Afghanistan     :  11   Median :2015   Median :  1524580    Median :3.591e+10  
Albania         :  11   Mean   :2015   Mean   :  8025244   Mean   :4.703e+11  
Algeria         :  11   3rd Qu.:2018   3rd Qu.:  5540044   3rd Qu.:2.194e+11  
Angola          :  11   Max.   :2020   Max.   :218190768   Max.    :2.137e+13  
(Other)         :2022                                      NA's    :1          
           X       
            :2086  
     checked:   2  

解决建议 #

• 简化随机效应结构
  当前模型包含(log10.GDP|Area)和(Year|Area)两个交叉随机效应，参数过多易导致协方差矩阵估计不稳定。可尝试：

  • 先移除其中一个随机效应，比如先拟合log10.stock ~ log10.GDP + (log10.GDP|Area)，观察收敛情况；
  • 将随机效应拆分为独立结构，比如(1|Area) + (0 + log10.GDP|Area) + (1|Area:Year)，减少协方差参数数量。

• 更换优化器
  默认的nloptwrap优化器在复杂随机效应场景下表现有限，可尝试更稳定的优化器：

# 使用bobyqa优化器
Q1glmm3 <- lmer(log10.stock ~ log10.GDP +(log10.GDP|Area) + (Year|Area), 
                data=LOG10.STOCK.VS.GDP.GLMM,
                control = lmerControl(optimizer = "bobyqa"))
# 或使用Nelder_Mead优化器
Q1glmm3 <- lmer(log10.stock ~ log10.GDP +(log10.GDP|Area) + (Year|Area), 
                data=LOG10.STOCK.VS.GDP.GLMM,
                control = lmerControl(optimizer = "Nelder_Mead"))

• 检查数据结构

  • 核对Area分组的样本量，部分分组样本量过小会导致随机效应估计不稳定；
  • 检查Year与Area的交叉分布，若大量交叉单元格观测数极少，需考虑合并或调整分组；
  • 处理GDP的NA值，即使仅1个缺失值也可能影响估计稳定性。

• 调整变量变换方式
  原始模型采用log10变换，可尝试：

  • 对响应变量Stock.Head也做标准化处理后再拟合；
  • 更换为自然对数变换，观察是否改善收敛情况。

• 排查多重共线性
  计算不同Area内Year与GDP的相关系数，若二者相关性过高，会导致协方差矩阵估计退化，需考虑调整模型变量。

内容的提问来源于stack exchange，提问作者TLG1