lmer 错误：分组因子必须 < 观察数

我正在尝试对某些数据运行混合效应模型，但与其中一个固定效应作斗争，我认为这主要是由于它的一个因素？！

样本数据：

data4<-structure(list(code = structure(1:10, .Label = c("10888", "10889", 
"10890", "10891", "10892", "10893", "10894", "10896", "10897", 
"10898", "10899", "10900", "10901", "10902", "10903", "10904", 
"10905", "10906", "10907", "10908", "10909", "10910", "10914", 
"10916", "10917", "10919", "10920", "10922", "10923", "10924", 
"10925", "10927"), class = "factor"), speed = c(0.0296315046039244, 
0.0366986630049636, 0.0294297725505692, 0.048316183511095, 0.0294275666501456, 
0.199924957584131, 0.0798850288176711, 0.0445886457047146, 0.0285993712316451, 
0.0715158276875623), meanflow = c(0.657410742496051, 0.608271363339857, 
0.663241108786611, 0.538259450171821, 0.666299529534762, 0.507156583629893, 
0.762448863636364, 37.6559178370787, 50.8557196935557, 31.6601587837838
), length = c(136, 157, 132, 140, 135, 134, 144, 149, 139, 165
), river = structure(c(2L, 2L, 2L, 2L, 2L, 2L, 2L, 1L, 1L, 1L
), .Label = c("c", "f"), class = "factor")), .Names = c("code", 
"speed", "meanflow", "length", "river"), row.names = c(2L, 4L, 
6L, 8L, 10L, 12L, 14L, 16L, 18L, 20L), class = "data.frame")

我的模型是这样的：

model1<-lmer(speed ~ river + length +(1|meanflow)+(1|code), data4)

当运行返回错误消息时：

Error in checkNlevels(reTrms$flist, n = n, control) : 
number of levels of each grouping factor must be < number of observations

在互联网上搜寻后我有找到一个回复

但我一生都不明白这个问题的答案！

你这里有两个问题：

• 看起来您对每个值都有一个观察结果code。这意味着您无法估计残差方差（内置于lmer，以及更一般的线性混合模型）和一个中间-code方差——这两个参数都将尝试估计相同的方差分量，以及以下参数的任意组合var(residual) and var(code)加起来相同的值将表示与数据同样良好的拟合。

• 您还对每个值都有一个观察meanflow;这是因为meanflow是一个连续变量，您通常不想将其用作分组变量在模型中。我不确定你想用这个术语来表达什么。

如果您坚持使用，实际上可以拟合这些模型lmerControl绕过检查，但你不一定会得到合理的结果！

model2 <- lmer(speed ~ river + length +(1|meanflow)+(1|code), data4,
    control=lmerControl(check.nobs.vs.nlev = "ignore",
     check.nobs.vs.rankZ = "ignore",
     check.nobs.vs.nRE="ignore"))

这里方差大约被分成三等分：

 VarCorr(model2)
 ##  Groups   Name        Std.Dev.
 ##  meanflow (Intercept) 0.035354
 ##  code     (Intercept) 0.032898
 ##  Residual             0.033590

如果我们只使用一种（仍然不合适的）随机效应，

model0 <- lmer(speed ~ river + length +(1|meanflow), data4,
    control=lmerControl(check.nobs.vs.nlev = "ignore",
     check.nobs.vs.rankZ = "ignore",
     check.nobs.vs.nRE="ignore"))

现在方差被精确地分成两半：

VarCorr(model0)
##  Groups   Name        Std.Dev.
##  meanflow (Intercept) 0.041596
##  Residual             0.041596