Hồi quy logistic trong R dẫn đến sự phân tách hoàn hảo (hiện tượng Hauck-Donner). Giờ thì sao?

Tôi đang cố gắng dự đoán kết quả nhị phân bằng 50 biến giải thích liên tục (phạm vi của hầu hết các biến là to ). Tập dữ liệu của tôi có gần 24.000 hàng. Khi tôi chạy trong R, tôi nhận được:$-\infty$$\infty$glm

Warning messages:  
1: glm.fit: algorithm did not converge  
2: glm.fit: fitted probabilities numerically 0 or 1 occurred 

Tôi đã đọc các phản hồi khác cho thấy sự phân tách hoàn hảo có thể xảy ra, nhưng tôi tin rằng đó không phải là trường hợp trong dữ liệu của tôi (mặc dù có thể tồn tại sự tách biệt hoàn toàn; tôi có thể kiểm tra xem liệu đó có phải là trường hợp không?) . Nếu tôi loại bỏ một số biến, lỗi "không hội tụ" có thể biến mất. Nhưng đó không phải là điều luôn xảy ra.

Tôi đã thử sử dụng cùng một biến trong một bayesglmhàm và nhận được cùng một lỗi.

Những bước bạn sẽ làm để tìm ra chính xác những gì đang xảy ra ở đây? Làm thế nào để bạn tìm ra các biến đang gây ra vấn đề?

Với không gian thiết kế lớn như vậy ( !), Có thể có được sự phân tách hoàn hảo mà không cần tách riêng trong bất kỳ biến nào được thực hiện riêng lẻ. Tôi thậm chí sẽ bình luận thứ hai của David J. Harris khi nói rằng điều này có khả năng.$\mathbb{R}^{50}$

Bạn có thể dễ dàng kiểm tra xem các lớp của bạn có được tách biệt hoàn hảo trong không gian thiết kế của bạn hay không. Điều này giúp giải quyết một vấn đề lập trình tuyến tính. Việc triển khai R của 'thử nghiệm' này (không phải là thử nghiệm theo nghĩa thống kê của thuật ngữ) được triển khai trong gói safeBinaryRegression .

Nếu nó chỉ ra rằng sự phân tách thực sự là vấn đề và nếu bạn chỉ quan tâm đến việc sử dụng glm đơn giản (ví dụ: glm không được gọi bởi một hàm cấp cao hơn mà là do bạn), thì có một triển khai R của một thuật toán sửa đổi một chút cái cổ điển để làm cho nó 'mạnh mẽ' chống lại sự tách biệt. Nó được thực hiện trong gói hlr