mice: glm.fit: 算法没有收敛
mice: glm.fit: algorithm did not converge
我有一个数据集，其中包含大约 12 个级别在 2 - 10 之间的分类变量，以及其他数值变量。约 280 条记录。我正在使用 r 中的 mice 包对所有默认设置的缺失数据执行插补。
但是，当我尝试像这样进行插补时：
imp <- mice(df)
我继续收到此警告：
glm.fit: algorithm did not converge
我在网上找到的解决方案here and here只关注直接使用glm函数，但在我的例子中，它是从mice内部调用的函数。我试过设置 maxit = 50，像这样
imp <- mice(df, maxit = 50)
但最终只会收到更多相同警告的实例。知道是什么原因造成的吗？
mice() 对每个要估算的变量在内部应用回归分析，默认情况下根据数据类型自动选择一种方法。因此，对于您的分类变量，它选择了一种使用 glm.fit() 且不收敛的多分类逻辑方法。
要简单地消除错误，您可以为所有变量设置 method="pmm"（预测均值匹配），或者预先将分类变量转换为数值。 但是， 这可能会导致错误的结果，我强烈建议您仔细考虑您的插补方法并检查为什么算法不会收敛。
我决定 post 我的问题的答案只是为了展示我是如何解决它的，这有点不寻常，并且考虑到 none 我可以在网上找到的解决方案适用于我的情况。
我意识到警告实际上来自 logreg 函数（对于只有 2 个水平的分类变量），而不是来自 polyreg。因此，鉴于 glm.fit() 函数不仅从 mice 中调用，而且从 logreg 中调用，我最终在 Github 上找到了 mice 代码，复制 logreg 函数，使用 maxit 的控制参数编辑 glm.fit() 调用，按照 ?mice 'Details' 部分中的指定重命名它，然后使用它。工作正常（经过更多调试，哈哈），算法现在收敛了。
我遇到了类似的错误，问题出在 predictorMatrix 中某些变量完全共线。老鼠搭建的模型无法辨认；那是我的问题。为了 googler 的缘故在此处发布以仔细检查预测矩阵，例如，虚拟变量不共线。删除其中一个级别可以使 logreg 方法正常工作。
我有一个数据集，其中包含大约 12 个级别在 2 - 10 之间的分类变量，以及其他数值变量。约 280 条记录。我正在使用 r 中的 mice 包对所有默认设置的缺失数据执行插补。
但是，当我尝试像这样进行插补时：
imp <- mice(df)
我继续收到此警告：
glm.fit: algorithm did not converge
我在网上找到的解决方案here and here只关注直接使用glm函数，但在我的例子中，它是从mice内部调用的函数。我试过设置 maxit = 50，像这样
imp <- mice(df, maxit = 50)
但最终只会收到更多相同警告的实例。知道是什么原因造成的吗？
mice() 对每个要估算的变量在内部应用回归分析，默认情况下根据数据类型自动选择一种方法。因此，对于您的分类变量，它选择了一种使用 glm.fit() 且不收敛的多分类逻辑方法。
要简单地消除错误，您可以为所有变量设置 method="pmm"（预测均值匹配），或者预先将分类变量转换为数值。 但是， 这可能会导致错误的结果，我强烈建议您仔细考虑您的插补方法并检查为什么算法不会收敛。
我决定 post 我的问题的答案只是为了展示我是如何解决它的，这有点不寻常，并且考虑到 none 我可以在网上找到的解决方案适用于我的情况。
我意识到警告实际上来自 logreg 函数（对于只有 2 个水平的分类变量），而不是来自 polyreg。因此，鉴于 glm.fit() 函数不仅从 mice 中调用，而且从 logreg 中调用，我最终在 Github 上找到了 mice 代码，复制 logreg 函数，使用 maxit 的控制参数编辑 glm.fit() 调用，按照 ?mice 'Details' 部分中的指定重命名它，然后使用它。工作正常（经过更多调试，哈哈），算法现在收敛了。
我遇到了类似的错误，问题出在 predictorMatrix 中某些变量完全共线。老鼠搭建的模型无法辨认；那是我的问题。为了 googler 的缘故在此处发布以仔细检查预测矩阵，例如，虚拟变量不共线。删除其中一个级别可以使 logreg 方法正常工作。