Lỗi thứ yếu hàng đầu của đơn hàng 1 không phải là lỗi xác định tích cực khi sử dụng 2l.norm trên chuột

Tôi đang gặp vấn đề khi sử dụng 2l.normphương pháp cắt ngang đa cấp trong mice.

Thật không may, tôi không thể đăng một ví dụ có thể lặp lại vì kích thước dữ liệu của tôi - khi tôi giảm kích thước, vấn đề sẽ biến mất.

Đối với một biến cụ thể, micetạo ra các lỗi và cảnh báo sau:

Error in chol.default(inv.sigma2[class] * X.SS[[class]] + inv.psi) : 
  the leading minor of order 1 is not positive definite
In addition: Warning messages:
1: In rgamma(n.class, n.g/2 + 1/(2 * theta), scale = 2 * theta/(ss *  :
  NAs produced
2: In rgamma(1, n.class/(2 * theta) + 1, scale = 2 * theta * H/n.class) :
  NAs produced
3: In rgamma(1, n.class/2 - 1, scale = 2/(n.class * (sigma2.0/H - log(sigma2.0) +  :
  NAs produced

Nếu tôi sử dụng 2l.pan, normhoặc pmmphương thức, vấn đề không xảy ra.

Biến có phân phối sau:

   Min. 1st Qu.  Median    Mean 3rd Qu.    Max.    NA's 
   50.0   117.0   136.0   136.7   155.0   249.0    3124 

Ngoài ra, các kích cỡ lớp có phân phối sau:

   Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
   3.00   50.00   80.00   88.52  111.00  350.00 

Tôi đã có một vấn đề tương tự trong MICE, xem phần tự thảo luận của tôi ở đây . Vấn đề xảy ra do bạn đã quá mức mô hình của mình (quá nhiều tham số, biến), một số biến có tính đại diện cao hoặc bạn có trường hợp bỏ lỡ tất cả các biến.

Trong trường hợp của tôi, mô hình đã được trang bị quá mức. Một cách để giải quyết vấn đề này là điều chỉnh ma trận dự đoán của MICE. Bạn có thể đưa ra imp$predđâu implà midsđối tượng của bạn , để xem ma trận dự đoán. Bạn có thể dùng

new.pred <- quickpred(data)

mice(..., pred=new.pred)

để tự động tạo ma trận dự đoán dựa trên mối tương quan bivariate của các biến trong dữ liệu (ví dụ Pearson, Spearman), trong đó .10 là điểm cắt mặc định. Điều này có thể giải quyết vấn đề của bạn. Nói chung, xây dựng mô hình của bạn một cách khôn ngoan và không chỉ bao gồm tất cả các biến bạn có thể có.