stepcAIC - eval(predvars, data, env) 错误：未找到对象 'Color1'
stepcAIC - Error in eval(predvars, data, env) : object 'Color1' not found
我想 select 我的混合效果模型的最佳 运行dom 结构（从 lme4 中安装 lmer()）。我从包 cAIC4 中找到函数 stepcAIC()，它应该逐步比较模型和 select 具有最小 AIC 的模型。虽然实现看起来很简单，但我得到了一个错误。
拟合我的模型后，我运行以下函数：
stepcAIC(model_full, direction="backward")
所以首先 - 运行 需要很长时间。第二 - 我收到一条错误消息。我尝试明确指定数据集：
stepcAIC(model_full, direction="backward", data=data_correct)
我也尝试将 R 更新到最新版本，然后再次 运行，但没有帮助。
有没有人对这个功能有积极的经验来告诉我我做错了什么？
我得到的错误是这样的：
Error in eval(predvars, data, env) : object 'Color1' not found
我有一个名为 "Color" 的变量，但不是 "Color1"。也许 "Color1" 是取自效果 table 的名称，但为什么它会使用摘要 table 中的名称并在数据框中搜索它？
我也收到警告：
In if (!hasInt(resForThisGroup)) res[[i]] <- res[[i]][-j] : the condition has length > 1 and only the first element will be used
这是一个[link](https://drive.google.com/open?id=1jIJn2rzK3SwpKMfKGDhseYcOxinuwpue
) 下载 data_correct 和 model_full:
我就是这样创建的 model_full:
model_full <- lmer(data=data_correct, log_RT~Polarity+Delay+Truth_value+Type+Color+Order + Polarity:Delay + Polarity:Truth_value + Polarity:Order + Polarity:Type+ Polarity:Color + Delay:Truth_value+ Truth_value:Delay:Polarity + (1+Polarity*Color+Delay+Delay:Polarity+Truth_value|Subject), control=lmerControl(optimizer="bobyqa"), REML=FALSE)
这是model_full的输出：
Linear mixed model fit by maximum likelihood . t-tests use Satterthwaite's method [
lmerModLmerTest]
Formula: log_RT ~ Polarity + Delay + Truth_value + Type + Color + Order +
Polarity:Delay + Polarity:Truth_value + Polarity:Order +
Polarity:Type + Polarity:Color + Delay:Truth_value + Truth_value:Delay:Polarity +
(1 + Polarity * Color + Delay + Delay:Polarity + Truth_value | Subject)
Data: data_correct
Control: lmerControl(optimizer = "bobyqa")
AIC BIC logLik deviance df.resid
16556.6 16896.2 -8235.3 16470.6 19838
Scaled residuals:
Min 1Q Median 3Q Max
-3.9078 -0.6585 -0.1065 0.5654 6.5045
Random effects:
Groups Name Variance Std.Dev. Corr
Subject (Intercept) 0.0652479 0.25544
Polarity1 0.0045472 0.06743 0.51
Color1 0.0030415 0.05515 0.15 0.13
Delay1 0.0005240 0.02289 0.22 -0.05 -0.02
Truth_value1 0.0022027 0.04693 0.00 0.48 0.23 0.00
Polarity1:Color1 0.0003927 0.01982 0.04 -0.33 0.57 -0.50 -0.12
Polarity1:Delay1 0.0001981 0.01408 0.61 0.07 0.06 0.55 0.06 -0.04
Residual 0.1304137 0.36113
Number of obs: 19881, groups: Subject, 38
Fixed effects:
Estimate Std. Error df t value Pr(>|t|)
(Intercept) 6.572e+00 4.152e-02 3.800e+01 158.301 < 2e-16 ***
Polarity1 1.234e-01 1.124e-02 3.797e+01 10.985 2.38e-13 ***
Delay1 -6.476e-02 4.512e-03 3.817e+01 -14.352 < 2e-16 ***
Truth_value1 5.266e-02 8.034e-03 3.805e+01 6.556 9.83e-08 ***
Type1 7.531e-03 2.562e-03 1.962e+04 2.939 0.003292 **
Color1 2.512e-02 9.308e-03 3.756e+01 2.698 0.010379 *
Order1 -3.524e-02 8.981e-03 3.794e+01 -3.924 0.000354 ***
Polarity1:Delay1 -2.244e-02 3.433e-03 3.834e+01 -6.538 1.00e-07 ***
Polarity1:Truth_value1 -5.728e-02 2.563e-03 1.963e+04 -22.347 < 2e-16 ***
Polarity1:Order1 -1.250e-02 3.547e-03 3.823e+01 -3.525 0.001119 **
Polarity1:Type1 -7.107e-03 2.562e-03 1.962e+04 -2.774 0.005544 **
Polarity1:Color1 4.012e-03 4.114e-03 3.790e+01 0.975 0.335639
Delay1:Truth_value1 5.301e-03 2.563e-03 1.963e+04 2.068 0.038629 *
Polarity1:Delay1:Truth_value1 9.625e-03 2.563e-03 1.963e+04 3.755 0.000174 ***
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
（只是一个回答；如果合适，稍后会删除。）
我无法复制你的问题，因为你的数据集对于我目前正在使用的机器来说太大了；当我尝试 运行 stepcAIC(model_full, direction="backward") 我得到：
The cAIC of the initial model can not be calculated.
来自 cAIC(model_full) 的消息对此进行了解释：
Error: cannot allocate vector of size 2.9 Gb
这也许并不奇怪，因为模型中等大（~20K 个观测值，28 个参数）。 （深入研究代码，我们可以看到该模型试图构建一个 dense 单位矩阵，其维度等于观察的数量 - 在这种情况下 n * n * 8 bytes 接近 3 Gb ...)
只有当你想要select基于个体水平预测的模型时，才真正需要计算cAIC；如果你想 select 基于 人口水平 预测，AIC 应该是可以接受的（并且在计算上更便宜）。最简单的 selection 过程基于 p 值（我不喜欢它，因为我认为建模决策不应该基于显着性检验，但很多人使用它）。
lmerTest 中的 step() 函数将基于 p 值向后 selection:
system.time(ss <- step(model_full,reduce.fixed=FALSE))
在我的旧笔记本电脑上大约需要 4.5 分钟。结果（缩写）是它测试了从随机效应中删除 Truth_value、Polarity:Color 和 Polarity:Delay 的效果，并得出结论认为它不应该删除其中任何一个。
Backward reduced random-effect table:
Eliminated npar logLik AIC LRT Df Pr(>Chisq)
<none> 43 -8235.3 16557
T_i(1+P*C+D+D:P+T_|S 0 36 -8366.3 16804 261.915 7 < 2.2e-16 ***
P:Ci(1+P*C+D+D:P+T|S 0 36 -8257.1 16586 43.693 7 2.451e-07 ***
P:Di(1+P*C+D+D:P+T|S 0 36 -8245.0 16562 19.507 7 0.006739 **
---
?step.lmerModLmerTest
... a column ‘"Eliminated"’ indicating the order in which terms are eliminated from the model with zero (‘0’) indicating that the term is not eliminated from the model.
在这种情况下，step() 函数已尝试删除所有最高阶项（双向交互作用 + Truth_value 的主效应，不参与交互作用） ，并发现它不想删除其中任何一个。在这种情况下，p 值标准（所有项的 p<0.05）和 AIC 标准（所有简化模型的 AIC 均大于原始模型）彼此一致。
我想 select 我的混合效果模型的最佳 运行dom 结构（从 lme4 中安装 lmer()）。我从包 cAIC4 中找到函数 stepcAIC()，它应该逐步比较模型和 select 具有最小 AIC 的模型。虽然实现看起来很简单，但我得到了一个错误。
拟合我的模型后，我运行以下函数：
stepcAIC(model_full, direction="backward")
所以首先 - 运行 需要很长时间。第二 - 我收到一条错误消息。我尝试明确指定数据集：
stepcAIC(model_full, direction="backward", data=data_correct)
我也尝试将 R 更新到最新版本，然后再次 运行，但没有帮助。
有没有人对这个功能有积极的经验来告诉我我做错了什么？
我得到的错误是这样的：
Error in eval(predvars, data, env) : object 'Color1' not found
我有一个名为 "Color" 的变量，但不是 "Color1"。也许 "Color1" 是取自效果 table 的名称，但为什么它会使用摘要 table 中的名称并在数据框中搜索它？
我也收到警告：
In if (!hasInt(resForThisGroup)) res[[i]] <- res[[i]][-j] : the condition has length > 1 and only the first element will be used
这是一个[link](https://drive.google.com/open?id=1jIJn2rzK3SwpKMfKGDhseYcOxinuwpue
) 下载 data_correct 和 model_full:
我就是这样创建的 model_full:
model_full <- lmer(data=data_correct, log_RT~Polarity+Delay+Truth_value+Type+Color+Order + Polarity:Delay + Polarity:Truth_value + Polarity:Order + Polarity:Type+ Polarity:Color + Delay:Truth_value+ Truth_value:Delay:Polarity + (1+Polarity*Color+Delay+Delay:Polarity+Truth_value|Subject), control=lmerControl(optimizer="bobyqa"), REML=FALSE)
这是model_full的输出：
Linear mixed model fit by maximum likelihood . t-tests use Satterthwaite's method [
lmerModLmerTest]
Formula: log_RT ~ Polarity + Delay + Truth_value + Type + Color + Order +
Polarity:Delay + Polarity:Truth_value + Polarity:Order +
Polarity:Type + Polarity:Color + Delay:Truth_value + Truth_value:Delay:Polarity +
(1 + Polarity * Color + Delay + Delay:Polarity + Truth_value | Subject)
Data: data_correct
Control: lmerControl(optimizer = "bobyqa")
AIC BIC logLik deviance df.resid
16556.6 16896.2 -8235.3 16470.6 19838
Scaled residuals:
Min 1Q Median 3Q Max
-3.9078 -0.6585 -0.1065 0.5654 6.5045
Random effects:
Groups Name Variance Std.Dev. Corr
Subject (Intercept) 0.0652479 0.25544
Polarity1 0.0045472 0.06743 0.51
Color1 0.0030415 0.05515 0.15 0.13
Delay1 0.0005240 0.02289 0.22 -0.05 -0.02
Truth_value1 0.0022027 0.04693 0.00 0.48 0.23 0.00
Polarity1:Color1 0.0003927 0.01982 0.04 -0.33 0.57 -0.50 -0.12
Polarity1:Delay1 0.0001981 0.01408 0.61 0.07 0.06 0.55 0.06 -0.04
Residual 0.1304137 0.36113
Number of obs: 19881, groups: Subject, 38
Fixed effects:
Estimate Std. Error df t value Pr(>|t|)
(Intercept) 6.572e+00 4.152e-02 3.800e+01 158.301 < 2e-16 ***
Polarity1 1.234e-01 1.124e-02 3.797e+01 10.985 2.38e-13 ***
Delay1 -6.476e-02 4.512e-03 3.817e+01 -14.352 < 2e-16 ***
Truth_value1 5.266e-02 8.034e-03 3.805e+01 6.556 9.83e-08 ***
Type1 7.531e-03 2.562e-03 1.962e+04 2.939 0.003292 **
Color1 2.512e-02 9.308e-03 3.756e+01 2.698 0.010379 *
Order1 -3.524e-02 8.981e-03 3.794e+01 -3.924 0.000354 ***
Polarity1:Delay1 -2.244e-02 3.433e-03 3.834e+01 -6.538 1.00e-07 ***
Polarity1:Truth_value1 -5.728e-02 2.563e-03 1.963e+04 -22.347 < 2e-16 ***
Polarity1:Order1 -1.250e-02 3.547e-03 3.823e+01 -3.525 0.001119 **
Polarity1:Type1 -7.107e-03 2.562e-03 1.962e+04 -2.774 0.005544 **
Polarity1:Color1 4.012e-03 4.114e-03 3.790e+01 0.975 0.335639
Delay1:Truth_value1 5.301e-03 2.563e-03 1.963e+04 2.068 0.038629 *
Polarity1:Delay1:Truth_value1 9.625e-03 2.563e-03 1.963e+04 3.755 0.000174 ***
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
（只是一个回答；如果合适，稍后会删除。）
我无法复制你的问题，因为你的数据集对于我目前正在使用的机器来说太大了；当我尝试 运行 stepcAIC(model_full, direction="backward") 我得到：
The cAIC of the initial model can not be calculated.
来自 cAIC(model_full) 的消息对此进行了解释：
Error: cannot allocate vector of size 2.9 Gb
这也许并不奇怪，因为模型中等大（~20K 个观测值，28 个参数）。 （深入研究代码，我们可以看到该模型试图构建一个 dense 单位矩阵，其维度等于观察的数量 - 在这种情况下 n * n * 8 bytes 接近 3 Gb ...)
只有当你想要select基于个体水平预测的模型时，才真正需要计算cAIC；如果你想 select 基于 人口水平 预测，AIC 应该是可以接受的（并且在计算上更便宜）。最简单的 selection 过程基于 p 值（我不喜欢它，因为我认为建模决策不应该基于显着性检验，但很多人使用它）。
lmerTest 中的 step() 函数将基于 p 值向后 selection:
system.time(ss <- step(model_full,reduce.fixed=FALSE))
在我的旧笔记本电脑上大约需要 4.5 分钟。结果（缩写）是它测试了从随机效应中删除 Truth_value、Polarity:Color 和 Polarity:Delay 的效果，并得出结论认为它不应该删除其中任何一个。
Backward reduced random-effect table:
Eliminated npar logLik AIC LRT Df Pr(>Chisq)
<none> 43 -8235.3 16557
T_i(1+P*C+D+D:P+T_|S 0 36 -8366.3 16804 261.915 7 < 2.2e-16 ***
P:Ci(1+P*C+D+D:P+T|S 0 36 -8257.1 16586 43.693 7 2.451e-07 ***
P:Di(1+P*C+D+D:P+T|S 0 36 -8245.0 16562 19.507 7 0.006739 **
---
?step.lmerModLmerTest
... a column ‘"Eliminated"’ indicating the order in which terms are eliminated from the model with zero (‘0’) indicating that the term is not eliminated from the model.
在这种情况下，step() 函数已尝试删除所有最高阶项（双向交互作用 + Truth_value 的主效应，不参与交互作用） ，并发现它不想删除其中任何一个。在这种情况下，p 值标准（所有项的 p<0.05）和 AIC 标准（所有简化模型的 AIC 均大于原始模型）彼此一致。