glmer : fixed-effect model matrix is rank deficient so dropping columns / coefficients

Version imprimable

Bonjour,

pour l'étude de mes données je dois faire un modèle glmer (library lme4)
malheureusement j'ai tjrs cette ligne d'erreur qui apparait et je ne la comprend pas

Code:

1
2
 
fixed-effect model matrix is rank deficient so dropping 5145 columns / coefficients

pourriez vous m'aider ?

Voila a quoi ressemble mon data et script :

Code:

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
 
head(dat)
  traitement origine tot_inflo               L_mm En_fruits code_plante bloc
1          O      BQ        13                 25         0    BQ_04_01    2
2          O      BQ        13                 25         0    BQ_04_01    2
3          O      BQ        13                 25         0    BQ_04_01    2
4          O      BQ        13                 25         0    BQ_04_01    2
5          O      BQ        13                 25         0    BQ_04_01    2
6          O      BQ        13 37.700000000000003         0    BQ_04_01    2
  num_hampe_homogene
1                 H1
2                 H1
3                 H1
4                 H1
5                 H1
6                 H2
 
glmer_fruit_set = 
  glmer(cbind(En_fruits, 1-En_fruits) 
        ~ traitement*origine*L_mm + traitement*origine*tot_inflo
        + (1|code_plante)
        + (1|num_hampe_homogene)
        + (1|bloc),  
        data = dat,
        family = "binomial", 
        control=glmerControl(optimizer="bobyqa", 
                             optCtrl=list(maxfun=100000)))
glmer_fruit_set

24/04/2019, 18h05
VonVelten

Bonjour,

Serait-il possible d'avoir des informations sur le modèle que vous utilisez ? (notamment l'appel à la fonction)

VV
24/04/2019, 18h52
olivier.decourt

Bonjour.
Je m'interroge sur le début de ta formule : cbind(En_fruits, 1-En_fruits), qu'est-ce que c'est censé faire ?
S'il s'agit de faire comprendre à R que la variable Y est En_fruits, avec deux modalités 1 et 0, il est beaucoup plus simple d'en faire un facteur (avec la fonction factor) dans le data.frame avant de modéliser.
Autres pistes : aucune donnée manquante à l'horizon ?
Es-tu obligé d'inclure tes effets fixes sous forme d'interactions d'ordre 3 ? Il n'y a pas de possibilité d'un modèle plus simple, déjà tout en effets simples ?
25/04/2019, 09h43
Kaoma

Bonjour,
merci pour vos aides
Dans ce modèle, je regarde des fleurs qui sont devenu des fruits. Chaque ligne de mon data corresponds a une fleur et En_fruits corresponds à la création d'un fruit.
La variable En_fruits corresponds a une suite de 0 (pas fruit) et de 1 (fruit) .
J'ai mis "cbind(En_fruits, 1-En_fruits)" pour prendre en compte le taux de reussite

olivier.decourt je n'ai pas de na dans mon data et je suis effectivement obligé d'utiliser les intéractions d'ordre 3
25/04/2019, 10h56
faubry

1) En_fruit doit être un comptage et non un pourcentage, contrairement à ce qu'il semble que ce soit puisque la variable dépendante est codée cbind( En_fruit, 1 - En_fruit). Le véritable codage serait cbind( nb.succes, nb.echecs). Si la variable est binaire (0, 1), alors l'écriture est En_fruit ~ formule et non cbind( En_fruit, 1 - En_fruit). Cette erreur de codage peut expliquer une partie de tes problèmes.
2) En ce qui concerne les effets fixes, a-t-on à faire à des régresseurs (variables continues) ou à des facteurs. Dans ce dernier cas, combien y-a-t-il de niveaux ? Avec les interactions d'ordre 3, il y a peut être plus de degrés de liberté que d'individus. Tous sont-ils peuplés, notamment en ce qui concerne les interactions ? Un minimum de 2 individus par niveau (ou interaction) est nécessaire sinon il est impossible de calculer des variances. Cependant, 2 donne un résultat trivial et une dizaine d'individus est plutôt empiriquement requis.
3) En ce qui concerne les facteurs aléatoires, combien y-a-t-il de niveaux et combien d'individus par niveau ? Même commentaire que pour les facteurs fixes en ce qui concerne le peuplement.

Entre l'obligation théorique de travailler avec des interactions d'ordre 3 et la possibilité de le faire au vu des données, il y a un abîme, cf. les problèmes de peuplement des niveaux des interactions. Estimer trois effets aléatoires peut être une gageure qui peut aussi conduire à des problèmes de conditionnement. La stratégie à suivre est
a) de tester le modèle sans effets aléatoires et avec des interactions d'ordre 2. Si cela passe, faire la même chose avec les interactions d'ordre 3 et de comparer les deux modèles; Est-ce que ces interactions d'ordre 3 apportent quelque chose. Si oui, continuer avec, sinon, les abandonner,
b) reprendre le modèle sélectionné en a) et lui ajouter un effet aléatoire. Tester chacun des effets aléatoires séparément et vérifier que cela apporte quelque chose par rapport au modèle à effets fixes uniquement. Abandonner les effets aléatoires qui n'apportent rien. Conserver celui qui apporte le plus, puis le suivant...
c) si il y a des problèmes de conditionnement à un niveau, arrêter avant ce niveau d'introduction des effets aléatoires ou si le modèle comporte des interactions d'ordre 3, essayer avec celui comportant des interactions d'ordre 2.