我试图将我的数据拟合到零膨胀负二项模型中，但当在汇总函数中计算SE时，我的3个自变量之一（暴露）似乎导致生成NaN（请参见zeroinfl调用的最后部分）。我还尝试运行负二项障碍模型，但遇到了类似的问题。
str(eggTreat)
'data.frame': 455 obs. of 4 variables:
$ Exposure : Factor w/ 2 levels "C","E": 2 2 2 2 2 2 2 2 2 2 ...
$ hi_lo : Factor w/ 2 levels "hi","lo": 2 2 2 2 2 2 2 2 2 2 ...
$ Egg_count: int 0 0 0 0 0 0 0 0 0 0 ...
$ Food : Factor w/ 2 levels "1.5A5YS","5ASMQ": 2 2 2 2 2 2 2 2 2 2 ...mod.zeroinfl <- zeroinfl(Egg_count ~ Food+Exposure+hi_lo | Food+Exposure+hi_lo, data=eggTreat,
+ dist="negbin")
> summary(mod.zeroinfl)
Call:
zeroinfl(formula = Egg_count ~ Food + Exposure + hi_lo | Food + Exposure + hi_lo, data = eggTreat, dist = "negbin")
Pearson residuals:
Min 1Q Median 3Q Max
-0.65632 -0.47163 -0.28588 0.02976 9.00804
Count model coefficients (negbin with log link):
Estimate Std. Error z value Pr(>|z|)
(Intercept) -0.04435 0.14393 -0.308 0.7580
Food -1.12486 0.22267 -5.052 4.38e-07 ***
Exposure -2.34990 0.38684 -6.075 1.24e-09 ***
hi_lo -0.44893 0.19524 -2.299 0.0215 *
Log(theta) -0.24387 0.22639 -1.077 0.2814
Zero-inflation model coefficients (binomial with logit link):
Estimate Std. Error z value Pr(>|z|)
(Intercept) -1.830e+01 NA NA NA
Food -5.768e+00 5.628e+04 0 1
Exposure 4.612e-01 NA NA NA
hi_lo -7.477e+00 9.963e+05 0 1
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
Theta = 0.7836
Number of iterations in BFGS optimization: 21
Log-likelihood: -350.2 on 9 Df
Warning message:
In sqrt(diag(object$vcov)) : NaNs producedfunction (object, ...)
{
object$residuals <- residuals(object, type = "pearson")
kc <- length(object$coefficients$count)
kz <- length(object$coefficients$zero)
se <- sqrt(diag(object$vcov))
2条答案
按热度按时间bjp0bcyl1#
该问题通常由 * 完全分离 * 引起;使用这个搜索项，或者搜索 * 哈克-唐纳 * 效应，会发现问题在于预测值的某种线性组合完美地将零和非零分开（由于零通胀中的预测变量都是分类的，这就转化为所有值都是零或非零的分类组合）。
我将看一下
with(eggTreat, table(eggcount>0, Food, Exposure, hi_lo))（以任何使表最容易阅读的顺序排列参数）。典型症状包括：
|beta|>10）;在这种情况下，截距为-18.3，这给出了基线类别中1e-8的预测零通胀概率（其他两个值也很大，但没有截距那么极端）Food、hi_lo），导致z值实际为零，p值实际为1NA值对于这个问题有多种解决方案：
hs1ihplo2#
类似问题的答案已经发布在这里CrossValidated-NA-ZINB，但我发现有用的是重新缩放我的变量：例如，我有一个村庄的森林公顷数 num_hec，范围为[0，100000]，并在数百平方公里（除以10，000）num_hec_100sqkm 的范围内构建了一个新变量，范围为[0，10]，当使用后者时，标准误差、z值和Pr（〉|z|）变成了实际数字