更新：因为我现在知道我的问题被称为准完全分离，所以我更新了问题以反映这一点（感谢 Aaron）。
我有一个实验的数据集，其中 29 名人类参与者（因子code）在一组试验中工作，并且response是 1 或 0。此外，我们操纵材料，使我们有三个交叉因子，p.validity（有效与无效），type（肯定与否定）和counterexamples（少数与多数）：
d.binom <- read.table("http://pastebin.com/raw.php?i=0yDpEri8")
str(d.binom)
## 'data.frame': 464 obs. of 5 variables:
## $ code : Factor w/ 29 levels "A04C","A14G",..: 1 1 1 1 1 1 1 1 1 1 ...
## $ response : int 1 1 1 1 0 1 1 1 1 1 ...
## $ counterexamples: Factor w/ 2 levels "few","many": 2 2 1 1 2 2 2 2 1 1 ...
## $ type : Factor w/ 2 levels "affirmation",..: 1 2 1 2 1 2 1 2 1 2 ...
## $ p.validity : Factor w/ 2 levels "invalid","valid": 1 1 2 2 1 1 2 2 1 1 ...
总体上只有少量的 0：
mean(d.binom$response)
## [1] 0.9504
一个假设是有 的影响validity，但是初步分析表明可能有 的影响counterexamples。由于我有相关数据（每个参与者都参与了所有试验），我想对数据使用 GLMM。不幸的是，counterexamples准完全分离数据（至少在一个级别）：
with(d.binom, table(response, counterexamples))
## counterexamples
## response few many
## 0 1 22
## 1 231 210
这也反映在模型中：
require(lme4)
options(contrasts=c('contr.sum', 'contr.poly'))
m2 <- glmer(response ~ type * p.validity * counterexamples + (1|code),
data = d.binom, family = binomial)
summary(m2)
## [output truncated]
## Fixed effects:
## Estimate Std. Error z value Pr(>|z|)
## (Intercept) 9.42 831.02 0.01 0.99
## type1 -1.97 831.02 0.00 1.00
## p.validity1 1.78 831.02 0.00 1.00
## counterexamples1 7.02 831.02 0.01 0.99
## type1:p.validity1 1.97 831.02 0.00 1.00
## type1:counterexamples1 -2.16 831.02 0.00 1.00
## p.validity1:counterexamples1 2.35 831.02 0.00 1.00
## type1:p.validity1:counterexamples1 2.16 831.02 0.00 1.00
参数的标准错误简直是疯了。由于我的最终目标是评估某些影响是否显着，因此标准误差并非完全不重要。
- 如何处理准完全分离？我想要的是获得估计值，我可以从中判断某种影响是否显着（例如，使用
PRmodcompfrom packagepkrtest，但这是此处未描述的另一个步骤）。
使用其他包的方法也很好。