由于发生这种不正确的点正好是y值与不生成警告的值相差的点，相差的量与betareg.control中fstol的默认值相当，我推断有一些测试y与y的估计值之间的差异没有得到满足。一个稍大的值，
联系我们
（准）Fisher评分中收敛的数值公差。

... , control=betareg.control(fstol =1e-7)

字符串
由于它没有抛出错误，我认为当你向软件包作者报告这个问题时，你应该称之为“infelicity”而不是“bug”。

maintainer("betareg")
[1] "Achim Zeileis <[email protected]>"

型
他应该能够修复生成此警告的测试。（我无法确定满足或不满足这些条件中的哪些。）

if ((fsmaxit == 0 & opt$convergence > 0) | iter >= fsmaxit) {
    converged <- FALSE
    warning("optimization failed to converge")

型
我试着在betareg.control值中尝试fsmaxit的其他值，但还不能缩小问题的范围。我想知道逻辑测试中的第二个嵌套项是否应该是：

opt$convergence > fstol

型
但没想到R的optim会这样工作。

我不认为这真的与四舍五入有关。只是这是一个小数据集，如果x小于或大于100，则y从非常接近于零切换到非常接近于1。因此，cauchit链接在这里优化有点挑战性。使用默认设置，它几乎收敛，但以下任何修改都会导致成功收敛：

• 精度参数使用对数链接
• 增加Fisher评分的允许迭代次数
• 使用更好的起始值

此外，IRTFM在之前的回答中建议放松Fisher评分的严格性也会导致成功的收敛。
在上述选项中，我总是建议先尝试使用日志链接，因为它通常可以改进对精度参数的推断（例如，Wald置信区间的覆盖率更好等）。这不是betareg()中的默认值的唯一原因是为了向后兼容R包的第一个版本以及与原始Ferrari & Cribari Neto（2004）的一致性但是当显式指定一个两部分公式时，log-link是默认的，这里只是有一个截距：

m1 <- betareg(y ~ x | 1, data = data, link = "cauchit")
summary(m1)
## Call:
## betareg(formula = y ~ x | 1, data = data, link = "cauchit")
## 
## Standardized weighted residuals 2:
##     Min      1Q  Median      3Q     Max 
## -1.6746 -1.1704 -0.4335  0.8269  1.9560 
## 
## Coefficients (mean model with cauchit link):
##              Estimate Std. Error z value Pr(>|z|)    
## (Intercept) -19.16562    3.62912  -5.281 1.28e-07 ***
## x             0.21393    0.03946   5.422 5.90e-08 ***
## 
## Phi coefficients (precision model with log link):
##             Estimate Std. Error z value Pr(>|z|)    
## (Intercept)   3.6936     0.3397   10.87   <2e-16 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1 
## 
## Type of estimator: ML (maximum likelihood)
## Log-likelihood: 31.22 on 3 Df
## Pseudo R-squared: 0.7941
## Number of iterations: 29 (BFGS) + 124 (Fisher scoring)

字符串
使用相应的系数作为起始值，然后也导致与单位链接的成功收敛：

s <- coef(m1)
s[3] <- exp(s[3])
m2 <- betareg(y ~ x, data = data, link = "cauchit", start = s)
summary(m2)
## Call:
## betareg(formula = y ~ x, data = data, link = "cauchit", start = s)
## 
## Standardized weighted residuals 2:
##     Min      1Q  Median      3Q     Max 
## -1.6746 -1.1704 -0.4335  0.8269  1.9560 
## 
## Coefficients (mean model with cauchit link):
##              Estimate Std. Error z value Pr(>|z|)    
## (Intercept) -19.16562    3.62912  -5.281 1.28e-07 ***
## x             0.21393    0.03946   5.422 5.90e-08 ***
## 
## Phi coefficients (precision model with identity link):
##       Estimate Std. Error z value Pr(>|z|)   
## (phi)    40.19      13.65   2.944  0.00324 **
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1 
## 
## Type of estimator: ML (maximum likelihood)
## Log-likelihood: 31.22 on 3 Df
## Pseudo R-squared: 0.7941
## Number of iterations: 1 (BFGS) + 2 (Fisher scoring)

型
正如您所看到的，这些模型实际上是相同的，只需要几次额外的Fisher评分迭代，就可以在均值模型中得到相同的系数和推断。