MCMCglmm报错“固定预测变量存在缺失值”，已删缺失仍报错如何解决

• 首先验证缺失值处理逻辑是否生效
  • 确认你已将na.omit的处理结果赋值给模型调用的数据集：仅执行na.omit(dat1)不会修改原数据，必须写dat1 <- na.omit(dat1)才能让后续模型调用处理后的数据集。
  • 单独检测固定效应变量的缺失值存量，运行代码：

    sapply(dat1[, c("a", "b", "c", "d", "e", "f")], function(x) sum(is.na(x)))
    

    若输出有非0值，说明对应变量仍存在未处理的NA。
• 排查无法被na.omit识别的隐式缺失值
  • 检查变量中是否存在自定义编码的缺失值，比如空格、-999、空字符串等，这类值不会被na.omit识别，运行summary(dat1[, c("a", "b", "c", "d", "e", "f")])查看各变量分布即可排查。
  • 确认固定效应变量类型符合预期：如果某预测变量被误识别为字符型且存在空值，也会被模型判定为无效值，运行str(dat1[, c("a", "b", "c", "d", "e", "f")])可验证变量类型。
• 处理因子变量的空水平问题
  如果固定效应中包含因子类型变量，删除缺失值后可能出现无观测的空水平，也会触发该报错，运行以下代码删除未使用的因子水平：

  dat1 <- droplevels(dat1)
  

• 交叉验证问题来源
  调用基础lm函数运行固定效应部分验证：

  mod_test <- lm(y ~ a + b + c + d + e + f, data = dat1)
  

  如果lm也报缺失值错误，说明问题出在数据集处理环节，和MCMCglmm包无关；如果lm运行正常，可更新MCMCglmm到最新版本后重试，旧版本存在已知的缺失值识别bug。

内容的提问来源于stack exchange，提问作者Alex L