使用glmer进行模型平均时部分模型无输出的技术咨询

嘿，我看到你作为统计新手，在用glmer处理含3个分类解释变量的模型平均时碰到了麻烦——dredge()能算出带交互项的模型AICc，但model.avg()却只有部分模型有输出。结合你的描述，我来分享几个可能的原因和实操解决思路：

• 模型拟合收敛失败
  当dredge()遍历所有变量组合（包括交互项）时，有些复杂模型可能因为数据稀疏、分类水平样本量不均或者迭代次数不足，出现收敛失败的情况。这些拟合失败的模型不会被model.avg()识别，自然没有输出。你可以先检查dredge()返回的结果，看看有没有AICc为NA或者标记conv.fail的行——这些就是出问题的模型。
  解决办法：在拟合全局模型时放宽收敛限制，比如：

  global.model <- glmer(
    cbind(numerator, denominator) ~ var1 * var2 * var3,
    data = ae,
    family = binomial(),
    control = glmerControl(optCtrl = list(maxfun = 1e5)) # 增加迭代次数
  )
  

  如果某些分类水平样本量太小，也可以考虑合并水平，降低模型复杂度。

• 缺失值处理设置的影响
  你设置了options(na.action="na.fail")，这意味着只要某个模型对应的变量组合下存在缺失值，程序就会直接报错终止拟合。虽然全局模型能跑通，但子集模型可能因为变量组合的问题碰到缺失值，导致模型无法生成。
  解决办法：把缺失值处理改成自动剔除，比如：

  options(na.action="na.omit")
  # 或者在glmer里单独指定，不影响全局设置
  global.model <- glmer(..., na.action = na.omit)
  

  注意这样会改变部分模型的样本量，记得在分析记录里标注这一点。

• model.avg()的参数过滤问题
  默认情况下model.avg()可能只纳入delta AICc < 2的最优模型，如果有些模型不在这个范围内，你可能误以为它们“无输出”；另外如果不小心给model.avg()加了subset参数，也可能过滤掉部分模型。
  解决办法：先查看所有模型的状态，再明确指定纳入范围：

  # 查看dredge结果里的所有模型
  summary(dredge_result)
  # 纳入所有拟合成功的模型
  avg_model <- model.avg(dredge_result, subset = !is.na(AICc), fit = TRUE)
  summary(avg_model)
  

• 分类变量编码的问题
  分类变量的编码方式（比如默认的哑变量编码）可能在多交互项的情况下导致奇异矩阵，让模型拟合失败。
  解决办法：尝试用效应编码替代哑变量编码，比如：

  # 对所有分类变量设置效应编码
  ae$var1 <- factor(ae$var1, contrasts = contr.sum)
  ae$var2 <- factor(ae$var2, contrasts = contr.sum)
  ae$var3 <- factor(ae$var3, contrasts = contr.sum)
  

  再重新拟合全局模型和运行dredge()。

另外给你一个小建议：作为初次接触的新手，可以先从无交互项的简单模型开始测试模型平均流程，确认没问题后再逐步加入交互项，这样更容易定位问题出在哪里。

内容的提问来源于stack exchange，提问作者Daisy26